设为首页收藏本站

爱吱声

 找回密码
 注册
搜索
查看: 1134|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 & H7 T! W9 J. J+ W+ S1 X, ?

    $ U# U- U: h2 H2 I; U% w: zDeepSeek DeepEP:MoE 训练/推理加速,开源通信库背后的工程哲学
    & ~, j# b5 D' ]/ {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。
    - o: b8 ^* t8 S  y$ c- x, I( F' ]! `( j' t0 ?2 I# o
    一、DeepSeek 开源第二天,DeepEP 亮相
    , X( I* ~; J, A0 TDeepSeek-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。" L5 c  N; A; m

    - s' A- z3 _2 c; J1 lMoE 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。1 g0 E% q3 T1 c& U% g

    2 z& x8 I0 I- g, n6 C二、DeepEP 技术亮点:超越速度的深度优化
    $ p; U7 t8 @4 J% J( B! U9 J7 KDeepEP 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)。6 X& u& e: [+ c5 D; T; p3 [' f- b

    % N1 G' K- M, u1 B全到全 GPU 内核:奠定通信基石
    0 {% U$ j0 i% m5 L1 z" e
    * i. q3 i+ X* e7 \% p4 cMoE 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。* {9 P. s2 n$ y0 |

    4 a  V) {; b8 x, P' i( {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。
    - G4 g5 I5 x% H# j& T
      G0 x8 G( _+ o& v# ]3 D* ]"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。"
    8 f( U, O3 b& n  B/ c' B/ S& Z7 G( W
    - R) r% ~0 I: ]' b. L" L非对称带宽优化内核:精细化资源管理
    ' R5 U9 e$ e9 W' V/ Q. {3 Y9 C' u: |1 u: y
    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。* p) _) }" ^5 F

    4 Y- k2 e3 @( v& r% b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。- L( Q( {0 P# {  u# T- Y' }" `
    8 Y- x' ?. R2 w& `1 b+ 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。
      d; z: t* s  I. N
    . n6 H/ F2 n2 o- i  Q' l3 u% M5 B"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。"0 l( Y; ?6 |: _9 R3 O0 N9 ?, Y* P

    2 b1 ?  |4 N9 C0 b+ T- p低延迟内核:推理性能的保障5 h, F+ g0 j& Q: x
    6 }1 z  T" P1 U' d2 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。) T# M1 z. K1 x" O% p  D

    3 G3 t8 B( r" U! `' D% |* |# Q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。
    ) H9 E) ^7 Z: e$ q9 J( k6 N2 c5 v# p3 N2 ^7 M. C
    "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。"; f0 C& l2 s* B9 g+ p7 f

    & Q9 E6 @0 a* ~( S通信计算重叠:系统级优化& Y; P/ |+ F  Y! F# Z" {

    ; S- y6 a) o- R! \2 O9 }4 O. @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。- P2 T. Y8 B; r4 B: c8 }- m

    . I7 N# Z, p* Q+ u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。
    / C2 q6 U; p0 ^7 S3 @, e- h4 g
    7 y+ A$ x& B( J# O* _"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。4 o8 {9 `/ L0 p( A% F% Q
    $ q9 u" N' F. Q+ |6 e( o
    三、DeepEP 性能数据解读:以实测为依据1 l* q3 v# v: E! I  p2 g2 `+ U
    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。" N2 d: Y8 }: q1 K
    : x/ c1 T8 T" Y/ w! G& k
    普通内核性能:逼近理论极限, e9 |1 Y3 v3 q9 v
    + R6 r3 w  z+ r" w) V! h3 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。
    ! g% C" U: p/ i) }( d$ p8 C5 I5 B& q, x: [' P  e
    6 q* _/ `% b! U( S
    这些数据清晰地表明:/ `% W$ q1 Q& q- W/ R  Z0 S8 A) ?
    1 r/ C2 B5 V0 C1 {  b1 O
    *   DeepEP 能够充分利用 NVLink 和 RDMA 的带宽资源。/ e9 W/ `' B' p8 h5 S; z
    *   在节点内部,DeepEP 的吞吐量几乎达到了 NVLink 的理论上限。
    9 ?/ c+ F5 ?5 D  q! w; y; L*   在节点之间,DeepEP 的吞吐量也接近了 RDMA 的理论上限。
    2 I1 e9 v" s" B*   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。8 ?5 R, p4 U8 g' @
    低延迟内核性能:微秒级延迟4 |, f3 _$ a! G7 O4 v, v# o

    " {, q% i1 z6 _! G. y低延迟内核的测试数据同样证明了 DeepEP 的出色设计:
    ! n+ Y/ s& R5 |: k) r- p
    0 {) J6 m$ I7 u
    * S+ d0 o- I8 r, }9 u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。
    # U$ o3 ^7 B0 p
    # Q" Q6 h, P3 L四、DeepEP 的工程哲学:实用主义与开放协作. q" g# L) F# v3 n7 _7 |0 t
    DeepEP 的设计和实现,体现了 DeepSeek 团队一贯的工程哲学:
    ! k& h3 K- Y/ E3 g. D0 J9 K7 x
    . F: ~: J3 K3 Z. i+ x9 j以问题为导向,实用至上/ {% C" }4 Q6 x! \! h

    - c& R7 R, N' s- O, U5 p3 ADeepSeek 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。2 c6 L  M4 ]/ N

    2 F& Q* K. X; i; v- ^8 H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 B* b; M2 f$ w: m# U& i0 [, a7 k! |- {# |1 H& e5 n2 J
    "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。"
    , W" o$ g. b5 s' H4 ]" e) O" l) h: o3 N3 q, ^
    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。4 [8 i) ]2 h: t1 U0 L5 Y
    ' Z6 l2 P. [& k6 F$ Z# _* `& @
    开放协作,共同进步
    , c: x5 r' m  @7 O; f3 ]* x; s( L! s! W
    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。. T. _; C2 ?$ N1 {! u( R% W
    / U) N; S/ x, j; _" `
    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。
    * y- P  }4 G  T! I: p9 D- |7 m; v: S3 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。
    # ?  \7 h& H4 g+ V1 Y' y
    + E' j5 x$ M5 Y2 G3 P0 U7 _软硬件协同,深入底层* n0 V, U1 A& [% ^0 Q. m8 g
    4 O% U, C+ ?- F9 E; l7 R4 r) V
    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。
    6 I3 b* a- q3 i1 |# o; F5 {! P: t3 K" W6 j1 o- v- p8 U
    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。
    - D. L% w4 {& s# n4 F2 ~% T4 o2 a9 d0 z3 |; D
    五、DeepEP 的网络配置与优化
    1 S/ x) e) p5 IDeepEP 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# h2 z  m$ ]$ @7 q# J, N' u8 P5 e! I, Z+ w
    流量隔离' W! ?2 Y' u! P& \' d3 M0 U

    ( ~6 r' A2 R, ]% E4 f' Z5 F& ?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 b6 w9 i8 @* j) X8 G: z' b! l* D5 v' `0 f; C- w! T  M! f) i
    "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。"
    ' w. q. J6 U& C& y' O. o1 O( U- H/ l2 G1 ~& I5 K
    自适应路由
    ' m0 a: \' A( M- {5 }
    8 I- Y: K* V$ r, P2 t/ `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。
    ! Z8 C  E! N7 o* A6 ]8 i% X0 P( C1 ^/ r; G  x/ |# S( B
    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。% y% m( M# W! A8 ^

    ! `  F' \$ X+ R"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"
    2 n; W, L4 F) v& T3 y! N! K. F9 Y" A+ G7 a( O1 ?3 a
    拥塞控制+ }1 }* x0 [" L

    - J0 D$ V9 M% d. R/ b5 GDeepSeek 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。" \* y9 e* k2 {( ]( [' U& }
    $ `# O, j& h: l7 K: r
    总结:DeepEP 的深远意义
      Y" X# X; @& E+ t, n: K
    " k% H. s: T- j0 F# p# xDeepEP 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:
    / P3 v$ c' T) G) M, T  d. V% u
    " y+ H  e  i  Q/ y# P+ X7 g; e+ L6 I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。) v( I6 T) ~  x8 C7 q# O
    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。. {: W4 ?9 x7 y7 E. ~
    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 r/ O$ n* g6 S" o& ADeepEP 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。
    ; B, H; N( @9 h5 E
    * r' J1 m/ y* ^) _; 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
    昨天 00:03
  • 签到天数: 3579 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
    - F: R2 u( v# C7 r. A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,  ...
    + W4 k4 A1 `5 W/ s+ T
    马鹿老师说的大势是非常准确的。
    : l; j0 J* m& E
    6 K- S& s# Y) X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。
    7 A+ t, G; }  ?# w
    " l0 J; F1 T, X/ Z% W" a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 00:03
  • 签到天数: 3579 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
    ! L& _0 d1 R: g# O马鹿老师说的大势是非常准确的。2 j1 a2 Y( ~" K% T1 x
    " i# F' ?7 x0 o/ `' ~# K
    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 ...
    $ Q8 N6 e, t+ N/ O" r6 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。
    1 ^6 G! g( v. H6 I# V0 t: Q, j5 Q, L1 f
    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, 2025-9-21 06:47 , Processed in 0.052511 second(s), 23 queries , Gzip On.

    Powered by Discuz! X3.2

    © 2001-2013 Comsenz Inc.

    快速回复 返回顶部 返回列表