设为首页收藏本站

爱吱声

 找回密码
 注册
搜索
查看: 936|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
    ; k) y: J5 v4 T' j, h+ c' Z/ F0 X- g  R7 _+ G
    DeepSeek DeepEP:MoE 训练/推理加速,开源通信库背后的工程哲学' p9 o0 I0 Q# [$ C
    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。
    2 f$ Z  N9 _; y
    ' F. H/ o, Y1 ^/ T4 Q% R一、DeepSeek 开源第二天,DeepEP 亮相
    ' s. P7 w, c: P8 S9 Q6 Y! bDeepSeek-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。
      f, a3 f, @, G0 r( l' Y4 w
    # W! r. I: U& H: U8 v2 j  ]8 K3 s7 n, gMoE 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。6 e& W/ }: D' H- g
    ( z- K) V% a- d9 G$ }: Y
    二、DeepEP 技术亮点:超越速度的深度优化
    ; y9 h& S4 g: j: w* @" s) }6 FDeepEP 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)。- a7 L5 q2 x; K% _3 U: p

    0 u0 i% d& y) a4 P- u, W全到全 GPU 内核:奠定通信基石
    , s9 q; ?" O( w0 B( W' P' n* @' s4 f& }
    MoE 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。
    ' ~% E- N6 c4 S. x* }- v) n; x" L! Q/ U( i( ^3 P
    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。
    & x8 w! o8 s4 d8 e% v# e% o( U& A! O5 T: K9 X/ H3 O
    "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。"
    6 J0 e+ ^8 U" Z3 B) z. M. z. N0 }& z% g* X1 j% B. T6 k
    非对称带宽优化内核:精细化资源管理
    4 ^1 o: q  p" G. L: }
    8 d1 B  E; c3 g* b, m& FDeepSeek-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。. O, }6 l; W. o1 D

    $ s& N# f! ?) \. B9 y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。9 N) h1 L1 q/ b5 m) n" \

    7 Y* U9 j/ A7 j9 O6 g5 R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 S0 z, A7 Z  X9 M& G! c0 U( x! N9 p; O# p
    "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。"
    $ e6 `$ d, |5 J% M! b( V7 C6 |
    低延迟内核:推理性能的保障( t0 b8 R0 z, A2 @+ q
    : a+ {: _/ ~, @2 q; |: ~; `
    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。
    % L- ?: B8 w7 ~  f8 [7 h
    0 q% M- ~  h, l3 B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。5 Q" T- @0 ^1 N8 |9 r4 b/ J

    7 o7 `, z6 P$ Z9 V: d"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。"6 Y1 u" j3 E0 v5 P2 p& L: p3 i; T; h
    , w. x9 C" S# D0 N9 y
    通信计算重叠:系统级优化$ E5 a; [1 G9 j5 S8 ^1 [
    * T: X. G( v* _$ l6 ]$ p
    DeepEP 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。5 V, x2 d1 e, B  P* H0 [! \+ n
    2 t# l; X: |& \1 F1 H! B& D' b  h
    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。' N: ~, a4 `* a6 f, S( U# \

    7 y5 ^, ^) ?* O/ p1 |"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。' t* ~6 K2 ^+ o: s% \4 I, x9 m
    ! E, a- N1 D3 H
    三、DeepEP 性能数据解读:以实测为依据1 [+ b& F3 w' B. w2 Q
    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。' Y4 h6 k- ]7 p1 |! E8 g1 r
      r: ?4 \# f+ ~
    普通内核性能:逼近理论极限
    2 O. J# d) T$ ~0 `9 S/ F+ E( I& P- d9 Z% V7 n# |0 A
    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。  ~. j% z& v# V5 \8 Y8 A$ ]

    ! g1 u1 |+ A1 \& y9 Z4 K; G& o- q: \* ~* `' S6 f4 l
    这些数据清晰地表明:/ T% {+ J: B4 Z& n7 T/ O2 `# O1 [
    - J- b/ L# m  q* @. E' K
    *   DeepEP 能够充分利用 NVLink 和 RDMA 的带宽资源。
    " k+ O$ S' O2 V2 T/ V*   在节点内部,DeepEP 的吞吐量几乎达到了 NVLink 的理论上限。
    2 V6 t' T6 H1 M7 [7 {- O*   在节点之间,DeepEP 的吞吐量也接近了 RDMA 的理论上限。
    0 K) E- a, t) G1 P*   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。
    ( n2 c! ~3 T0 ~& b! t( r) |) b低延迟内核性能:微秒级延迟4 u, B5 H; b' x

    & q* w% c5 ~5 Z  G1 j$ @低延迟内核的测试数据同样证明了 DeepEP 的出色设计:2 S5 ?: f" k- q$ c  n

    , x% D' @! `  A! u8 M/ D. ?1 _( l* d; {) x3 \2 E
    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。, Y( K/ o2 k/ k5 j4 V6 P

    4 j% ?$ |# H5 Z* r+ V  e四、DeepEP 的工程哲学:实用主义与开放协作9 Y1 |# P" U# `4 C
    DeepEP 的设计和实现,体现了 DeepSeek 团队一贯的工程哲学:3 Y# H! z. t  N. L1 P! k) ?
    * Q( l9 S* z" y  Z; r; `
    以问题为导向,实用至上; V( {$ p5 C- R8 ?% W. R
    1 p' b/ E& a, b; H$ {
    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。
    ; a7 w1 Y/ K' L% a: a+ s
    2 \  C9 S1 p& K+ l8 @' @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。
    7 I0 l% F$ o6 R( Z" `. G) j+ E4 u' C( _. v0 x0 o# A
    "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。"
    % H6 }0 z: U- c
    6 ?2 @5 i$ t4 b9 P2 \PTX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。0 ]# c8 }9 F& V# J
    . P' I4 m5 m( C) C, Y# I! R7 a0 S
    开放协作,共同进步" @; U7 y9 O/ f  O* f9 P5 H
    : b0 K+ j* X$ u* C5 U( Z3 W+ N# o
    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。
    3 `5 v  t1 H+ y; t, N8 }. z
    / f! e+ H% w5 e! M$ BDeepEP 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。6 X6 o1 z! e- Z, T* y' [2 l+ B& @
    ) m" o2 a' b7 l- A2 y
    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。
    7 A" `6 d/ b% C' o2 q% p6 W! X8 n6 }# j' N( O* ~" i, Q8 u! E
    软硬件协同,深入底层
    1 F; D! }5 s+ f: k( S3 q9 u( R
    ; a0 q  C! ~2 T/ I& j  ^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。7 I6 |- \8 R0 Q# t1 _
    6 o& }  Y% y& M" B% Q
    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。6 H: c2 J5 c1 L. B$ ]4 I/ {
    0 i9 }3 }/ m# {' T8 X, P$ ]$ [( u# Y& _
    五、DeepEP 的网络配置与优化+ N* A' w7 Q7 Z9 J- i  }
    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。# v3 U$ i" X. `* K/ g7 m
    ( c% j& h" e  C# m5 ]5 m* g
    流量隔离
    - e" D2 e" d0 v$ u
    / P2 ~  @, X. [" O" iDeepEP 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。/ N2 Y( {: I' ^4 i/ G* w( f
    + h% E; H1 Z* T$ B0 ~7 d& y( q/ z
    "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。"; M+ O; j" [; }
    + ]( Q( m! G' A- g
    自适应路由8 I8 G4 ^+ \* p

    % w9 I7 }/ V' N. W/ C6 s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。: c! I$ d+ [: D. v6 U. ^

    1 u& ~) n5 K: Q" j: \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。9 h5 m% E& A% ~$ `! V
    # h# a  g5 o- J2 ~" g1 ~( ~5 n2 c
    "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"
    / n" x2 Z6 r: i, v: H# j- z) e8 G# Z1 A; w9 n+ a- T
    拥塞控制* b, L& R: U: M- c  o

    " V9 z' y4 |) X6 ?1 |+ [2 QDeepSeek 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。! r" G* Z/ ]$ x! U3 D

    , b" A# @4 K7 t( a; e' N9 X总结:DeepEP 的深远意义
    ) R3 K+ J; D) v9 A: L4 A/ ]' |. r! z- q' N/ V) \
    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:
    3 f* f5 T8 C4 i2 ^& H3 Y  u! U1 J' s
    + Y1 r, q$ |+ \6 b1 _9 w9 x: K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。
    7 I0 ]7 {. B5 h; Y. |1 M" u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。* G4 F3 j. ^7 u3 X3 w$ B6 l
    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。0 ~: b8 Z, r  c( S/ b
    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。" q. c) y( K. G% B: ]! h
    ) W) R! D( v2 J/ Y* b& L7 o
    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
    20 小时前
  • 签到天数: 3523 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
    3 m5 B, E' E( l/ W: f3 v: V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,  ...

    ' N8 V. I# c/ X8 ?2 W马鹿老师说的大势是非常准确的。# M- U6 v9 I7 S- a; d5 W5 |" X

    & k+ V& m; s) @; R- I7 u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。5 k% O7 N' w) C) ~, A/ ^
    5 D, W- a- d$ e4 q
    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
    20 小时前
  • 签到天数: 3523 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 00:36
    0 ]* Z6 s* g3 _马鹿老师说的大势是非常准确的。
    ' `4 `, B) R) C8 \; A* o9 X% @; u& D8 s2 k4 m
    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 ...

    $ ^2 i; O9 Z2 c# w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。; ?' y3 Y: k7 B" H+ G
    # X/ L6 X; g( O! h2 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, 2025-7-27 20:41 , Processed in 0.047106 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