设为首页收藏本站

爱吱声

 找回密码
 注册
搜索
查看: 2063|回复: 3
打印 上一主题 下一主题

[科技前沿] DeepSeek DeepEP:MoE 训练/推理加速,开源通信库背后的工程哲学

[复制链接]
  • TA的每日心情
    开心
    2020-4-8 10:45
  • 签到天数: 227 天

    [LV.7]分神

    跳转到指定楼层
    楼主
     楼主| 发表于 2025-2-26 09:43:30 | 只看该作者 回帖奖励 |倒序浏览 |阅读模式
    本帖最后由 xiejin77 于 2025-2-26 09:45 编辑 : j% N- O+ z4 ~' {
    ) t; f" T( e) l' n) {
    DeepSeek DeepEP:MoE 训练/推理加速,开源通信库背后的工程哲学
    7 `/ u" a: I, S. r9 o& B2 s在发布了 DeepSeek-V3 相关的研究成果之后,DeepSeek 团队开源了其关键组件之一:DeepEP。DeepEP,全称 Deep Expert Parallelism,是一个专为混合专家(MoE)模型和专家并行(EP)训练及推理而设计的通信库。它的发布,不仅展示了 DeepSeek 团队在分布式系统和高性能计算方面的深厚积累,更体现了一种以实际问题为导向、开放协作的工程哲学。, P, P# e+ H" L

    5 L/ k. |9 ^0 `% R" o一、DeepSeek 开源第二天,DeepEP 亮相
    . I% f5 F2 O. m* z, g6 n. qDeepSeek-V3 相关研究成果,在经济性和性能之间取得了卓越的平衡。其背后离不开两个关键因素:一是精妙的 Mixture-of-Experts (MoE) 架构设计;二是高效的底层系统支持。DeepEP 正是后者中的关键一环,它为 MoE 模型的大规模分布式训练和低延迟推理提供了必要的通信基础设施。
    . `2 m. b% j3 j% o, |+ A+ C2 Z% g4 H# {0 Y6 q0 Q- t
    MoE 模型的核心思想是将一个大型模型分解为多个“专家”网络,每个专家负责处理输入的不同方面。这种结构使得模型可以在保持计算效率的同时,拥有庞大的参数容量。然而,这也带来了新的挑战:专家网络通常分布在不同的 GPU 上,模型参数和中间激活值需要在 GPU 之间频繁交换。通信效率直接影响着训练速度和推理性能,成为 MoE 模型能否成功的关键。DeepEP 的出现,正是为了解决这一核心问题。5 m7 K7 k3 N" P! B  p, R
    & p% M8 y) V# g# H- Y
    二、DeepEP 技术亮点:超越速度的深度优化
    3 s( x' B% w# {+ X2 g$ {& XDeepEP 的设计目标不仅仅是提供高速通信,更是在多个层面上进行了深度优化,使其成为 MoE 模型训练和推理的理想选择。这个其中尤其是第三点,对于非延迟内核的RDMA支持,这个其实涉及到一个非常隐蔽的设定。从本质上来说,是规避了对于大模型训练的英伟达的IB体系,甚至是Mellanox的依赖。这一点对于禁运都是有非常大意义的(利好菊厂、中兴之类的甚至还有国内生产RDMA网卡的创业企业)。* \5 X) y$ o* \1 X8 \! b8 {1 o
    0 H2 D/ \/ V2 f  j
    全到全 GPU 内核:奠定通信基石$ c# i) f! x3 Q

    + z1 C) d2 ^; V" f7 c8 G. y5 vMoE 模型和专家并行训练都依赖于高效的全到全 GPU 通信。DeepEP 提供了针对此场景专门优化的通信内核。这些内核充分利用 GPU 之间的互连带宽,实现了高吞吐量的数据交换,这是所有后续优化的基础。) C3 ]7 W  D3 x* s  A# [% P& E" c
    # H7 B( L9 ?) q  a- Q6 D' g
    除了支持常规的 FP32/BF16 数据类型,DeepEP 还特别支持 FP8 等低精度操作。在许多情况下,低精度计算可以在不显著影响模型精度的情况下,显著减少通信量,从而进一步提高训练和推理效率,特别是在带宽受限的环境中。. B& w3 W: z! h+ b; E7 K) Z: U
    4 x+ w3 k+ H8 Y+ x/ `, \" v2 g
    "DeepEP 是一个为混合专家 (MoE) 和专家并行 (EP) 量身定制的通信库。它提供高吞吐量和低延迟的全到全 GPU 内核,也称为 MoE 调度和组合。该库还支持低精度操作,包括 FP8。"
    % n" e' M8 S. L' |) e
    ) b& h. X% L/ b  D  Y非对称带宽优化内核:精细化资源管理
    2 C# f8 n3 R- }' z. u3 H/ _( V- f
    DeepSeek-V3 论文中提出的组限制门控算法(Group-Restricted Gating)是 相关的核心创新之一。为了充分发挥这一算法的优势,DeepEP 提供了一组专门针对非对称带宽环境优化的内核。% R; q0 j9 N6 r8 b; S
    0 V$ w" E& l! p* n  C& Q
    在实际的硬件部署中,NVLink 和 RDMA 之间的带宽往往存在差异。NVLink 通常用于 GPU 之间的直接高速互连,提供极高的带宽;而 RDMA 则用于跨节点通信,带宽相对较低。DeepEP 的这些内核能够智能地感知并利用这种非对称性,高效地将数据在 NVLink 域和 RDMA 域之间进行转发。2 m2 m" x1 A! Y

    / O9 Y% h  w/ u/ F3 }- u这种精细化的资源管理不仅提高了吞吐量,还支持 SM(流式多处理器)数量控制。这意味着用户可以根据实际任务的需求,精细地调整计算资源的分配,进一步优化性能。
    # }8 w% C0 w5 }' S
    9 I/ [9 Z: F" s& J& ^3 c0 D"为了与DeepSeek-V3论文中提出的组限制门控算法保持一致,DeepEP 提供了一组针对非对称域带宽转发(例如将数据从 NVLink 域转发到 RDMA 域)进行优化的内核。这些内核提供高吞吐量,使其适合训练和推理预填充任务。此外,它们还支持 SM(流式多处理器)数量控制。"- @& r8 e" d0 q6 V0 A6 s
    ' r# h6 y( e. r7 o; y
    低延迟内核:推理性能的保障+ ~7 y) l6 a; t% R
    : o% y) `/ o; j4 O8 s. H1 d$ {+ O+ F0 A
    对于在线推理服务而言,低延迟是至关重要的性能指标。DeepEP 专门为延迟敏感的推理解码任务设计了一组低延迟内核。这些内核通过直接使用 RDMA 通信,绕过 NVLink,从而尽可能地减少通信延迟。
    5 \! ?( k$ }5 X. N* A* h. K6 w- p2 t  x/ A
    在推理阶段,模型逐个生成 token,每次生成都需要进行通信。DeepEP 的低延迟内核能够将每次通信的时间压缩到微秒级别,从而显著提升整体的推理速度,降低用户感知的响应时间。4 u. n7 r) Y7 M# _" D2 p% _
    0 C6 T2 d' R0 r, M, k
    "对于延迟敏感的推理解码,DeepEP 包含一组具有纯 RDMA 的低延迟内核,以最大限度地减少延迟。"- f' |% O4 b7 f0 b

    ! ^4 U9 X2 v9 T" w3 s通信计算重叠:系统级优化( p* q" P3 m" q8 K6 E( w

    3 @- {$ w3 H, |$ g" iDeepEP 引入了一种基于钩子的通信计算重叠机制,这是一种系统级的优化策略。传统的通信库通常需要占用一定的 SM 资源来进行通信调度和管理,这在一定程度上会影响计算效率。DeepEP 的创新之处在于,它的通信机制完全不占用任何 SM 资源,将宝贵的计算资源全部用于模型本身的计算。
    # J1 a2 @3 F9 L3 D& q
    # o4 y0 s7 r2 q7 Z( X# x( u  t这种机制通过精心设计的钩子函数,将通信操作与计算操作异步地交织在一起。当 GPU 执行计算任务时,通信操作在后台并行进行,从而实现了计算和通信的高度并行,最大化了硬件资源的利用率。1 y4 c  {' Z5 c; k/ W
    ( ?3 B3 E9 x9 X; D* e
    "该库还引入了一种基于钩子的通信计算重叠方法,该方法不占用任何 SM 资源。" "NOTES: the actual tensor will not be received only if you call hook(), it is useful for double-batch overlapping, but without any SM occupation" DeepEP还提供了双批次(Double-Batch)重叠的方法,通过return_recv_hook控制,允许用户精细的控制通信和计算的时间。
    ( D# g% N( s& W6 ]  Y
    1 h0 X% Q4 B: j. g0 d$ @1 `三、DeepEP 性能数据解读:以实测为依据: e8 L4 X8 r6 ?" ?+ T
    DeepSeek 团队在 H800 GPU 上对 DeepEP 进行了详尽的性能测试,并公开了测试数据。这些数据有力地证明了 DeepEP 在不同场景下的卓越性能。
    / n& U2 }9 U+ j3 Z
    : Q; X, a; I" I6 n普通内核性能:逼近理论极限" L$ V5 K( O6 P& B- P

    . c) h3 E, I9 g* {% J在 H800 硬件环境(NVLink 最大带宽约 160 GB/s,连接到 CX7 InfiniBand 400 Gb/s RDMA 网卡,最大带宽约 50 GB/s)下,DeepEP 的普通内核展现出了接近理论带宽极限的吞吐量。, f; ~+ T7 a) t% i/ s& U" I

    " m  M% M. K6 n( @- Z% C# o5 t* u; U+ W8 v8 l% }
    这些数据清晰地表明:$ n+ Y, h; g: ~- Q

    ' ?' Z3 m; G5 j9 q3 X! E1 p7 q/ U' @*   DeepEP 能够充分利用 NVLink 和 RDMA 的带宽资源。
    1 [+ h% n- U$ w5 {# k5 ?5 c: C*   在节点内部,DeepEP 的吞吐量几乎达到了 NVLink 的理论上限。/ h% o+ e" }9 X
    *   在节点之间,DeepEP 的吞吐量也接近了 RDMA 的理论上限。5 {) ^" H- f9 ~# a* n
    *   无论是在节点内还是节点间通信,DeepEP 都展现出了极高的效率。
    % Z1 R0 z& V- ~! w低延迟内核性能:微秒级延迟
    1 m- D9 K, V# a6 z3 v8 G: `/ O+ C! i2 o5 S% U) \" O
    低延迟内核的测试数据同样证明了 DeepEP 的出色设计:
    1 c8 `% S8 b) n0 E2 p8 _
    / `$ h& k$ F: }( Y. F
    & i- a, Q, B- A% ~/ L6 n7 l这些数据表明,DeepEP的低延迟内核在保持高带宽的同时,将通信延迟控制在微秒级别,为实时推理应用提供了强有力的支持。
    ) |2 w: k' {. F! D9 g) v* O* J2 d+ w% B* N  z
    四、DeepEP 的工程哲学:实用主义与开放协作$ Z0 i/ S% q0 k* Z! g0 n  V
    DeepEP 的设计和实现,体现了 DeepSeek 团队一贯的工程哲学:
    3 u3 g) n: g' _5 S6 |* ^. X0 S# a% a
    - F* t7 C( _' H; r# b- O以问题为导向,实用至上; H& q4 e* G2 L
    : w: e/ y: h- Z9 v& }* `; Z
    DeepSeek 团队并不追求理论上的完美或“炫技”,而是始终以解决实际问题为出发点。他们深入理解 MoE 模型训练和推理的痛点,针对性地设计和优化 DeepEP。: A' p9 m5 M/ p% g) K

    3 O+ R- `) O, k+ S7 V一个典型的例子是,DeepSeek 团队发现并使用了行为超出文档范围的 PTX 指令 ld.global.nc.L1::no_allocate.L2::256B。虽然这个指令在官方文档中没有明确定义,但 DeepSeek 团队通过充分的实验验证了其在 Hopper 架构上的正确性和性能优势,并将其应用到 DeepEP 中。
    * |5 p8 E7 C8 k; W1 ?' M# T2 g& C8 f* o* I6 n8 }! E
    "为了实现极致性能,我们发现并使用了行为超出文档范围的 PTX 指令:ld.global.nc.L1::no_allocate.L2::256B。此指令将导致未定义的行为:使用非连贯只读 PTX 修饰符访问易失性 GPU 内存 .nc。但正确性已 .L1::no_allocate 在 Hopper 架构上测试以保证,并且性能会好得多。如果您发现内核在其他一些平台上无法运行,您可以添加 DISABLE_AGGRESSIVE_PTX_INSTRS=1 并 setup.py 禁用此功能,或者提交问题。"9 y4 q$ ]$ ]. v  B

    1 D, y. N, O6 N! E; s/ |. hPTX是底层的汇编,与硬件结构相关;发现其未公开的隐藏指令,事实上只能是尝试出来的。在实践中基于频繁的使用迭代,发现隐藏指令,这种不拘泥于常规、以实用为导向的精神,正是 DeepEP 能够实现卓越性能的关键。它体现了一种“黑客”精神:在现有条件下,充分利用一切可利用的资源,解决实际问题。
    5 X/ ]) \) s. M4 v4 _1 ~# D( ?7 y
    开放协作,共同进步
    # M+ ]6 l- y4 u! c. I% d- }5 s+ J; @, z
    DeepSeek 团队不仅在技术上精益求精,更有着开放、协作的精神。他们将经过实践验证的 DeepEP 开源,与整个 AI 社区分享他们的成果。- ]6 M: h% V3 Z; i

    : m' m/ L* J) P! P2 U3 MDeepEP 采用 MIT 许可协议,这意味着任何人都可以自由地使用、修改和分发 DeepEP 的代码,无需担心版权问题。这种开放性将极大地促进 MoE 模型的研究和应用,降低 MoE 模型的开发门槛。9 r1 s, s, r! `, T$ r0 b# [; @

    1 y" c6 v$ \# b1 u- [DeepSeek 的做法与一些闭门造车的做法形成了鲜明对比。他们不仅公布了结果,更重要的是公开了实现这一结果的关键技术(DeepEP),让整个社区都能从中受益。
    0 g7 Q6 r% \8 R7 z0 {8 `+ Q8 V7 N0 o: p4 F4 ]
    软硬件协同,深入底层
    ( ?3 v" c; I* n2 B6 I, A0 N1 {$ X2 K% {- s- B/ Q
    DeepEP 的成功,也体现了 DeepSeek 团队对软硬件协同优化的深刻理解。他们不仅仅停留在算法层面,而是深入到底层硬件和系统,充分挖掘硬件的潜力。1 U8 Y7 o7 A- [! d, q# b3 ^* r
      f9 s8 l; }9 w- _* I6 ?. v
    DeepEP 对 NVLink 和 RDMA 的精细化利用,对 SM 数量的控制,以及对底层 PTX 指令的使用,都表明了 DeepSeek 团队对硬件特性的深刻理解。这种软硬件协同的优化思路,是实现极致性能的必由之路。
    & B8 y5 s$ {: n% k/ N) f# E  ^5 n# s9 |
    五、DeepEP 的网络配置与优化
    7 ]$ ^3 P6 R! P8 v( |' m: r7 @DeepEP 在网络层面也进行了多项优化,以适应复杂的集群环境,并充分利用网络带宽。这里也有一个隐蔽设定,还是接续第二部分的,在剥离所谓的IB功能依赖。DS的工程师团队在用英伟达体系训练的时候,在HPC的论文中可以说是边用边骂,但一边骂一边还得用……开源这个项目,事实上是剥离了IB的不少复杂功能依赖,尤其是流量隔离和拥塞控制之类的。这也是工程师思维,花里胡哨的功能依赖是需要简化的。
    5 a6 D& W% u- K5 o3 J
    ! x. \7 w" c/ Z5 {流量隔离
    8 d2 A( m& @1 n8 |$ B% j; e0 p, F2 @: a/ i* S: z& X
    DeepEP 利用 InfiniBand 的虚拟通道 (VL) 特性,实现不同类型流量的隔离。通过将不同工作负载(如使用普通内核的工作负载、使用低延迟内核的工作负载,以及其他工作负载)分配到不同的虚拟通道,可以有效避免相互干扰,提高整体网络性能。DeepEP 通过环境变量 NVSHMEM_IB_SL 来控制虚拟通道的分配。 这种精细化的流量管理,可以确保关键任务(如 MoE 训练)获得足够的带宽资源,不受其他任务的影响。
    4 {2 B5 C1 [8 k6 r# \; h9 q7 s7 o1 A3 {
    "为了防止不同类型的流量之间发生干扰,我们建议在不同的虚拟通道之间划分工作负载,如下所示: * 使用普通内核的工作负载 * 使用低延迟内核的工作负载 * 其他工作量 对于 DeepEP,您可以通过设置环境变量来控制虚拟通道分配NVSHMEM_IB_SL。"
    ( \4 D! Z. B6 V, i# i- G
      e; D* f. B1 a9 A6 Q0 v自适应路由
    * W- f& X+ z6 i0 E- s$ }# x. V+ h5 w
    自适应路由是 InfiniBand 交换机提供的一项高级功能,可以将流量动态地分布在多条路径上,从而提高网络的鲁棒性和吞吐量。DeepEP 的低延迟内核支持自适应路由,可以有效消除因路由冲突导致的网络拥塞,降低延迟。2 Y* F; v5 H% R' M
    2 s1 s  F2 @* U- @/ n: s$ T' R  q/ N7 a
    DeepSeek 团队根据实践经验,建议在网络负载较重的环境中启用自适应路由,以获得更好的稳定性和吞吐量;而在网络负载较轻的环境中,则可以使用静态路由,以减少路由计算的开销,进一步降低延迟。5 U9 I) k" s% z) m
      {5 W0 I( u; \; g0 v
    "对于低延迟内核,启用自适应路由可以完全消除路由冲突导致的网络拥塞,但也会引入额外的延迟。我们建议采用以下配置以获得最佳性能: * 在网络负载较重的环境中启用自适应路由 * 在网络负载较轻的环境中,使用静态路由"8 J0 l; c* t& o' b

    8 r) r( F$ m! o& P- r6 Q拥塞控制" ]. `$ ?4 C$ w! r" r& q2 \

    ' C; r8 X9 K$ p, S% mDeepSeek 团队在生产环境中没有观察到明显的网络拥塞,因此 DeepEP 目前默认禁用了拥塞控制。这反映了 DeepSeek 团队务实的态度,避免引入不必要的复杂性。当然,如果未来需要,DeepEP 也保留了启用拥塞控制的灵活性。/ \$ B  `; x, H4 u
    ' G3 e$ t' y; U# h5 g
    总结:DeepEP 的深远意义
    % l+ E1 ?* l( ]! ~4 J$ \( U  |: z5 A* p) n
    DeepEP 不仅仅是一个高性能的通信库,它更代表了一种先进的工程理念:# p. k) ^$ }# r; {
    % C. c$ {9 n6 B7 E+ v
    以实际问题为导向: DeepEP 的所有设计决策都紧密围绕 MoE 模型训练和推理的实际需求,不追求“炫技”,而是注重解决实际问题。: A$ ]6 O( G$ k* ~8 j
    软硬件协同优化: DeepEP 深入底层硬件,充分利用硬件特性,实现极致的性能。3 {8 F# E) P0 n1 C  B, C0 B
    开放协作: DeepEP 的开源,将降低 MoE 模型的开发门槛,促进整个 AI 社区的发展。1 K7 {& u; \0 b8 T/ b2 P
    DeepEP 的发布,是 DeepSeek 团队的重要贡献。它将加速 MoE 模型的研究和应用,推动 AI 技术向更高效、更经济的方向发展。DeepEP 的成功,也再次证明了开放协作的力量,以及实用主义工程哲学的重要性。我们有理由相信,DeepSeek 团队未来将继续秉持这种精神,为 AI 社区带来更多的惊喜。2 @. N, o1 C% {- Z$ k- C* I  Z

    ' ~+ d! o; N& _! v4 b原文链接

    评分

    参与人数 7爱元 +75 学识 +2 收起 理由
    常挨揍 + 15
    唐家山 + 4
    indy + 10 谢谢分享
    黑洞的颜色 + 10 涨姿势
    老票 + 2 涨姿势

    查看全部评分

  • TA的每日心情
    开心
    1 小时前
  • 签到天数: 3853 天

    [LV.Master]无

    沙发
    发表于 2025-2-26 22:53:09 | 只看该作者
    分布控制是必走之路,没见到这个DeepEP之前, 我就知道不管是哪家, 这个分布控制早晚的事。 我不是it的, 但是现代工业控制用的DCS就是分散/分布控制, 兼顾了速度和规模。

    评分

    参与人数 2爱元 +16 收起 理由
    xiejin77 + 6 精彩
    indy + 10

    查看全部评分

    回复 支持 反对

    使用道具 举报

  • TA的每日心情
    开心
    2020-4-8 10:45
  • 签到天数: 227 天

    [LV.7]分神

    板凳
     楼主| 发表于 2025-2-27 13:36:47 | 只看该作者
    马鹿 发表于 2025-2-26 22:53
    * S  k0 N$ D8 c0 |  t分布控制是必走之路,没见到这个DeepEP之前, 我就知道不管是哪家, 这个分布控制早晚的事。 我不是it的,  ...

    0 ?% B( I+ }- U0 |2 J3 p马鹿老师说的大势是非常准确的。& Q+ I. l3 ~: h- j% l* h
    & l, V; Z3 J6 l
    只是这个分布式是需要平衡代价和效用的,这几年的创新大都有分布式的影子,物联网,分布式数据库,分布式存储,分布式机器学习甚至是区块链、加密数字货币都是如此。
    ; I2 J6 Y$ N! X3 F) n) Z2 Z, D' l% p3 }' W  M) i
    但是对于大模型训推这个领域,计算密集、数据密集、通讯密集;分布式到底能做成啥,还需要进一步演化。
    回复 支持 反对

    使用道具 举报

  • TA的每日心情
    开心
    1 小时前
  • 签到天数: 3853 天

    [LV.Master]无

    地板
    发表于 2025-2-27 21:20:54 | 只看该作者
    xiejin77 发表于 2025-2-27 00:360 X* S0 C' w5 Q: r9 q, W7 w' `
    马鹿老师说的大势是非常准确的。
    0 j! q: A6 s6 B, ]' ]' d4 N# L0 h/ Q0 K2 }
    只是这个分布式是需要平衡代价和效用的,这几年的创新大都有分布式的影 ...

    4 A; {4 {' J$ Y: v正常, 不同DCS厂家的底层也不一定是一样的(没用过所有的,但是到目前我没见过一样的。。。), 而且一直在发展, 至少前几年我看到某家的DCS又进步了。。。而且随着芯片能力的增强,以前写代码要特别注意的事(比如执行时间), 现在都不用那么抠门地考虑了。
    1 i# F: y1 b7 g( A2 h4 Q
    ) r  ~) d) G1 i- w/ ^+ R
    回复 支持 反对

    使用道具 举报

    手机版|小黑屋|Archiver|网站错误报告|爱吱声   

    GMT+8, 2026-7-23 01:16 , Processed in 0.070484 second(s), 19 queries , Gzip On.

    Powered by Discuz! X3.2

    © 2001-2013 Comsenz Inc.

    快速回复 返回顶部 返回列表