设为首页收藏本站

爱吱声

 找回密码
 注册
搜索
查看: 961|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
    5 A/ w0 Z4 D2 R5 j' n0 A3 ^, ?7 ^- k7 i$ s+ `( m
    DeepSeek DeepEP:MoE 训练/推理加速,开源通信库背后的工程哲学
    4 s; e9 {" D! F7 h& H" u! i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。  F: e1 V. [5 r" z
    # E6 }  A9 |8 [; x+ M1 ^
    一、DeepSeek 开源第二天,DeepEP 亮相
    - f7 s3 y$ P3 X8 y3 W4 nDeepSeek-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。5 Z/ c" m# u, C  {! S; X  V2 ^
    , }' A# `$ E( K) V
    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。
    . N% Y! Q* w7 e2 \9 b& J3 ]
    . {5 e  B. z% M4 L( d二、DeepEP 技术亮点:超越速度的深度优化
    5 Y! m  t% r, y3 E) }$ eDeepEP 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)。3 e1 L; m; @) ^; ]
    3 p. z4 ?9 O  d& z+ h
    全到全 GPU 内核:奠定通信基石
    ; Y1 e" ~1 |- b8 u) {; k/ Z
    0 i) G: t, }0 u) E  D( }  f4 j8 F' dMoE 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。
    6 J5 b, N8 i! _4 K, b" M) y
    3 ?$ o( `0 }* z! f: ]* q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。
    1 ~  g3 U3 l# c/ x
    2 n7 K1 W9 ]1 V+ Z2 d/ `: m"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。"
    1 C; }0 b2 y. w( ?1 k$ X
    * ^# g" F4 S3 U) D; R- F" ~  k非对称带宽优化内核:精细化资源管理
    : x, t% i; b, S5 }
    0 V: h4 a! l$ Q; M2 H, IDeepSeek-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。
    2 q9 W( B% z: s: b9 Q0 f
    + {! G5 g, A$ p5 ~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。1 k0 U, z8 F6 D# ?; R0 n

    * g8 l( J( }7 V. v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 V5 t, v2 H0 M5 t) Y9 W2 @' x) _; i& j
    "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。"* R. x' W( n+ N) c; c* m; @
    # S* V: ~( K: l5 \" N( C6 a
    低延迟内核:推理性能的保障- Q, s2 P8 e+ O4 X$ v* w* K, N

    8 H  p/ Z4 `- Q) p2 ?- X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。
    3 Z% }, F; v0 n+ c) B7 L4 q3 {! ^& A6 f' c  ^- x7 f
    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。# F9 e' F0 _& p
    ' ]- R! J" r# d9 u1 J
    "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。"
    / D3 l( a( M* P  q4 K( c
    ) ^# ?) R# |2 \: M3 m通信计算重叠:系统级优化
    , o- g9 @  y6 \  h& L4 V' U/ e0 y; F' G$ X+ c1 Q. o' N" }
    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。" U  @, |( ^. z9 c4 t. T9 F

    ) M# o, q3 L# H  q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 I' S! G3 {9 e, o; y/ T' `5 n

    7 q) G7 Y: J! q) G+ }8 [. e- [! r"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。, }, |5 |) |. @4 W5 i0 W  ]
    . d# D/ l; I* V' f. L3 [4 ]
    三、DeepEP 性能数据解读:以实测为依据
    % R+ n# n* ^7 h8 v3 I  K# W' [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。3 s& u1 a- ]7 Y0 l5 z2 i  Q

    + Y2 g2 d5 A1 s+ v# o普通内核性能:逼近理论极限. A1 \7 u" S% p0 j$ E& N! q
    & k) M; H* _6 K" O
    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。6 M! J/ b% Q  n- H

    * A9 [1 I, ]0 q
    . n, j# }( b) ?# G& r4 t2 n* t) c这些数据清晰地表明:
    ! Y! {" Q& ~$ c3 r8 I" |' @2 K, T5 r/ v8 S6 _, B. V
    *   DeepEP 能够充分利用 NVLink 和 RDMA 的带宽资源。  n/ A5 v! m. y8 L" m4 `3 N- x6 h
    *   在节点内部,DeepEP 的吞吐量几乎达到了 NVLink 的理论上限。% _) r' v) z- K: k& D  ~
    *   在节点之间,DeepEP 的吞吐量也接近了 RDMA 的理论上限。& r7 x! v3 S- c! |$ {
    *   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。2 P+ s% E" _: O
    低延迟内核性能:微秒级延迟7 H3 h( u5 t, R8 q

    ( a, W  s$ W1 N2 e1 J6 }5 ?低延迟内核的测试数据同样证明了 DeepEP 的出色设计:
    # t3 Q$ H- i/ ?0 H' O7 M' M% n" j! C4 e0 J$ O2 \; Y2 @" u, m

    3 o; D% B- _8 N% L% z# X0 w& F: k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。, w6 H& w3 O6 d1 K2 M/ D3 B/ ?
    0 i* u8 x2 k% K5 `# x. k9 u
    四、DeepEP 的工程哲学:实用主义与开放协作
      I7 f+ f: e. gDeepEP 的设计和实现,体现了 DeepSeek 团队一贯的工程哲学:5 J7 R# H# _5 d4 {  D5 {

    % Q4 B+ Y2 p3 s# w2 @以问题为导向,实用至上; J+ m5 i2 |! v/ c, C4 q9 b
    / y# l  ?0 w1 R* ?$ s' O/ a
    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。
    * H# x6 [- X* g( F3 ]1 K
    5 q4 z+ H1 t4 P3 b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 d  a+ `% y& P" ^  V

    7 A( C) G$ k) o$ f! ?6 d) ?: H4 @"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。"
    % M" l& ?  }8 L7 i7 @8 ~" k2 k/ X6 y% Z7 u1 _6 @4 J
    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。- V+ n' l! B  v

    # n# Q) g% Y- |$ w开放协作,共同进步! |( V+ M2 I* r; I+ X" U7 E2 b

    - ]0 L8 M2 L  `+ o+ y1 MDeepSeek 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 n" I; q1 h3 a( U* M
    ) c0 J. N% s- e2 r; Q2 l2 f& n
    DeepEP 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。
    7 `% d7 Y- N) E1 ]2 s. z# Q) u# r3 e9 _& `6 A7 l) F" |1 Z: r! @  @
    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。
    9 A1 V8 ]! A7 i8 E( \3 z' e) M9 N* I7 V, Z0 w  G: k& f
    软硬件协同,深入底层
    ; s1 B0 \2 ~# H  _5 i, o- A$ e  h- I* {! m; [
    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。4 [) H- t8 |: V, o. h5 B

    ( t  k$ k4 ^& t. n+ u: ~/ sDeepEP 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。* R. V  v' o& n8 s9 \. ~; Q  p

    / h; p" W2 x0 E) E2 V# ]% w1 V' F五、DeepEP 的网络配置与优化$ C4 n  `+ o" R7 a3 O" w" f
    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。
    . y; x1 w6 y- Z" e3 z  Q) w6 j
    5 W8 l2 K3 M" G$ U+ q# U! _流量隔离6 f9 T; J) x8 n* W  f

    1 [% t  ~6 [- uDeepEP 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。
    ( a- p" {8 D: |, b0 B- N* }5 R5 [9 _! ?6 D
    "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。"# V; w! w% X) P+ B

    ) {! N' E# v8 p" ^2 f; R% ]0 S) p自适应路由
    ! w& `6 q$ B* u1 t4 w+ a& \5 t+ F5 e( V7 @
    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。
    3 C6 u" `: u9 \0 C9 z6 O, r# Y
    " Q. ?6 a0 B# y8 s- `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。
    : g2 k- {2 \* ^6 z2 G+ R, @3 I" A' E+ C! K3 o
    "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"
    0 v0 O6 t$ G2 a! A2 i) C
    2 @0 [- a+ e& }' l4 p' R$ G  b拥塞控制
    * @6 M9 g% @- f) A/ k( z. g# B: g
    # I4 y" c2 f# m" YDeepSeek 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。: o+ s  `$ c# h5 g- l5 n/ M7 _

    0 K5 g0 d7 B& @9 Y总结:DeepEP 的深远意义0 [6 X, }7 R- o  ~' K- d- ^

    ) d3 s0 G* G/ @6 X+ A8 BDeepEP 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:
    ' r% p( }& [- C) H/ U( i0 h" k; w9 P$ x
    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。
    ) O* Q2 h$ Z* E* t" C0 B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。
    ) ]$ X0 O0 q" c# |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 H/ u5 u" e1 X$ l4 K; L6 hDeepEP 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。! @$ j5 t$ A- Q& A
    $ m  `( k: w/ ?5 i$ v5 w- H8 K
    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
    昨天 02:09
  • 签到天数: 3527 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 22:532 P! J+ ~+ q" s  D% U6 Y" R( m
    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 i5 Y1 v1 |0 l+ v- b$ M马鹿老师说的大势是非常准确的。
    $ T- ~9 \- d- {( h, y- t1 p+ }$ ]% s" I) ~0 D6 C
    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。
    * C# {) u! D, I0 r+ E6 x5 q8 |( w; X! 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
    昨天 02:09
  • 签到天数: 3527 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% {1 L4 K; ~# }! }: f7 Y
    马鹿老师说的大势是非常准确的。
    3 J; |& A- L: L& Q5 n6 v
    4 U! O% o6 y# N  h& ~; o( I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 a4 D7 a' `; H9 M% H; P0 d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。7 {- {! v/ b* h

    * W5 ^- q8 A4 X- w) e5 ]( n3 n
    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, 2025-8-1 00:49 , Processed in 0.038528 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