设为首页收藏本站

爱吱声

 找回密码
 注册
搜索
查看: 1033|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 3 {1 @# r2 }' I
    ( |* _; |' W1 B( i4 F
    DeepSeek DeepEP:MoE 训练/推理加速,开源通信库背后的工程哲学6 @) d) W. n) o2 Y" H, b4 w/ w* y
    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。. b4 \$ S  G. W; a; Y

    4 g: G! y3 k. E* C: w9 r) Y5 H# X一、DeepSeek 开源第二天,DeepEP 亮相- d- q' d9 F# `* [$ O8 l7 Q( V* z
    DeepSeek-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。3 c- d. ^$ \0 A8 k* Q6 t2 f
    : h# G1 q' J7 Y% M2 p( C6 M
    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。+ K% |  N/ n7 u1 o7 Y

    ; f* o: j( }, K二、DeepEP 技术亮点:超越速度的深度优化$ @8 l2 C8 T" j9 O3 o9 o' t
    DeepEP 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)。
      v) l9 D9 N2 w
    . @$ |# z( }+ f& A# \& Q+ a+ l全到全 GPU 内核:奠定通信基石: G, K7 a# Z! w% Y

    ! i' `! x: B; h$ N$ N* S* o* Y6 ^* ^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。+ B, d4 K% \! t$ n, ?* ]3 H- y
    8 F/ H3 C* @6 _; W
    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。# N" e, y& o2 R+ {/ D

    ( {- R, a( V6 X"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。"$ i' S! M) r+ x  m' ?+ W
    1 H" @; B  R, G
    非对称带宽优化内核:精细化资源管理& x8 k9 g! Z3 j3 b+ n: q5 E

    : a+ Q4 Y) K0 k+ }' e( B# SDeepSeek-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。
    6 V  }! K( D# I2 }& m% B- v8 o2 G
    4 t5 U$ \0 S* `6 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。' w3 L; G" X1 G5 A/ f
    6 s- ^2 r; K! [
    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。' N( W% O* ^3 C; c$ V5 o3 W

    & @5 Z( U9 s  ?7 y"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。"
    " V: v" }! ~! r8 S
    % y; Y( V, T9 n7 k1 Q低延迟内核:推理性能的保障
    . U1 i  c9 L4 }  m" N* Z3 J0 N, C* _" F! S9 r6 [6 J
    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。
    4 c  F* o; z" A9 t, t; e* M2 s; \- |* Z" p; W+ J% R4 e
    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。
    9 Y# W8 m7 I2 H8 W! u* ^: P
    ' [8 A6 |6 L8 c9 r"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。"- g; T4 V$ D" e

    - f: X) F* b" E) E% o1 k8 s通信计算重叠:系统级优化2 `# ?; P  I. ^; K/ j$ Q
    7 `/ L# O) b+ B( s3 w$ ~$ Q. T6 F5 a
    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。
    9 p) H* G# f4 N1 a! M, V) W* e" K6 i/ r. G& m0 @
    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。
    3 a- \# u) u: G
    ! Y; X, \* K' u7 t% G; 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。& ~' v) [( P1 p1 o/ U  @9 d
    2 L+ t- S' c! j) b
    三、DeepEP 性能数据解读:以实测为依据
    2 ]" r& i$ L5 ?% gDeepSeek 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。/ D. N" ?1 R. e: i; X

    , E) U! v! ~: \普通内核性能:逼近理论极限
    # E. Q$ H# n. a& }' O- T" K# A
    , i) H& E, s& W. Y1 `# J8 X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。1 m# R: g$ Q' c0 D

    * ], _6 T4 u) b9 T$ H0 r+ Y. X+ M; X8 a8 @( \* ?5 J
    这些数据清晰地表明:$ Y' ~  L0 G/ w/ Q$ Z: G5 S# I, }

    * O  u+ U# x8 u/ q3 `/ ~+ E*   DeepEP 能够充分利用 NVLink 和 RDMA 的带宽资源。
    ) E+ Y5 ~5 v$ ^  K/ k*   在节点内部,DeepEP 的吞吐量几乎达到了 NVLink 的理论上限。
    , s0 @/ }! z, J: K5 j& N*   在节点之间,DeepEP 的吞吐量也接近了 RDMA 的理论上限。
    ' d/ w7 K) Y+ [" V% e' E*   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。
    0 d/ t3 {+ l+ z1 r6 N" q3 l低延迟内核性能:微秒级延迟
    ) m% a" O$ O8 G. i1 k: Y/ _7 i7 o) ~
    8 x2 J" v& e+ @3 i% ?. L# m0 n* V低延迟内核的测试数据同样证明了 DeepEP 的出色设计:9 b' D6 f' k8 R# @4 L# y* L* s
    # R2 ?$ t. Y7 r: X. Y% r# Z
    - Q- M' b4 I+ c) d  s0 e7 _
    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。( t0 ~( l6 q0 x$ l
    5 R+ ~2 n8 {* V! E5 y
    四、DeepEP 的工程哲学:实用主义与开放协作# b, ~, u' }& h5 c6 f2 k6 R
    DeepEP 的设计和实现,体现了 DeepSeek 团队一贯的工程哲学:0 s& l" O8 m/ k8 f" S  {- _
    ( v( |8 u3 ]. N; y2 r4 Q% ~
    以问题为导向,实用至上
    ( L' z" V7 E, s$ @* D
    % X& j0 a* l: oDeepSeek 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。7 |) t' d' U: Z, p8 w0 t
    ' u1 }& X; \* z$ E/ S. n
    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。
    ! p8 v" v8 }: L
    # _* h, N: }" u- S7 ~7 A' b"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。"
    ; @# ?3 b# q- [! A5 K% y+ {+ e
    $ w; M& I  `: G, W; GPTX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。
    + i1 {* k, U6 n+ c7 C8 r
    2 \% D, h4 O, k; h开放协作,共同进步
    ( u: }9 [' k! r( B: L, e0 z! A6 y  r9 M4 r" b" G% r
    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。
    1 X8 y. B% W4 l& E, G5 R
    - E; U. `; e3 E" A& B& I' aDeepEP 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。& }0 t* w( ~8 A( D
    - p% Q  T; i$ L& V8 J# F
    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。
    , k0 ]7 [4 `3 D# E- C, V5 \8 `# W
    软硬件协同,深入底层
    / K  ^8 {5 G6 V) r  {" \% J
    ! I: U: R4 q, c1 d7 B: ]# j4 \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 f0 r, t8 O# h: x* l6 |2 `( I* Y- H* I; B& I, O8 c
    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。9 y- K  }' i2 I7 O! p
    ; ]+ J4 L3 Y) I  U$ i, I+ f0 u
    五、DeepEP 的网络配置与优化
    4 v) @, B- W# @! K3 |2 z3 k3 FDeepEP 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。
    - S: K; p3 l1 c/ J4 ?; O2 i
    4 K! F6 X: E( _7 h7 y' _流量隔离6 g: T* z) j( s; u
    , W  T" U) _. b0 z; d% T, K7 X7 Z
    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。
    : m$ F( w! Q, W" t! t) W7 q; R1 ^3 K( H/ C. T1 ?$ `
    "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。"( L# S) F$ ^2 A& L1 d
    $ g! F4 \, F& I9 l5 _1 v  V& ]1 O1 K
    自适应路由% y: @* g! {# w" G3 F, g

    3 I, b% q1 |$ d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。5 U' K: c! N7 {5 q

    & a, {! p' H4 f! {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 Q  k! `9 j7 S$ A
    + ?) p5 t7 e) {3 i" {, h; ^* @
    "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"
    $ i8 }. r( Q2 }! G
    , L8 E' E' d$ C" P拥塞控制
    1 Z! b# I0 @4 v6 B% u& n' q& m* f
    DeepSeek 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。8 w8 q0 R5 P& S  V
    7 Z# {; c7 G& j! G0 e( g
    总结:DeepEP 的深远意义
    8 g+ X4 w, F7 X$ B( N6 _2 m; X9 I" ^3 i' }
    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:
    8 E) B8 t1 D5 @8 ^' a4 d. r6 A# }, {3 \
    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。0 M& y# @% a% c. q- C7 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。
    ) o3 _9 k' c/ D! j) |6 i4 b* Q# J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。2 a* s- e) H3 d
    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。/ ^& H0 z/ M7 h8 {2 c1 R: i: J6 f

    - ~  j- s7 M$ g! ~) ^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
    14 小时前
  • 签到天数: 3550 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
    - J* g! i, T  A" n" F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,  ...

    8 c0 K  w8 J7 y; g# u9 p  y马鹿老师说的大势是非常准确的。
      Q. b/ o- S* I: d9 r6 Q9 Y( f- [4 ~0 ^0 H2 W2 A
    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。# ], N1 `$ h% @+ E

    2 a: ]# M% e) q/ G, m0 p0 x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
    14 小时前
  • 签到天数: 3550 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. t3 ]1 Z4 u) f! m( O/ T* z
    马鹿老师说的大势是非常准确的。3 _! k9 f: G& U" R- [1 O  h, j
    ; a6 R# \- g" @, C6 ]
    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 ...

    ! g3 a% c5 d/ X) S4 J% M) ^7 q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。0 h+ e4 Y: P3 O: O, i3 p+ I  F0 k& R

    * W( O2 W' ~8 k& i% s
    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, 2025-8-23 14:20 , Processed in 0.040622 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