设为首页收藏本站

爱吱声

用户名  找回密码
 注册
帖子
查看: 486|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 : L; T" h" b) k$ u5 i
    + H- g% ~3 j3 h& Z( \" B2 S1 t
    DeepSeek DeepEP:MoE 训练/推理加速,开源通信库背后的工程哲学
    & y( c; [9 i* ]6 ]; \+ z9 g) o" M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。: h3 g: Y; X$ v8 E5 ?

    ( B" v( s- N5 j* d& j4 B* ]一、DeepSeek 开源第二天,DeepEP 亮相
    % O0 g( W" J+ _$ p6 o1 w2 SDeepSeek-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。
    9 A+ N! `7 B$ l5 w2 s. s& U+ A5 I# I. @: {4 d# }6 C- w
    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。. k9 {$ f  F; \3 Q, H3 B
    # I2 V; ^1 P3 a
    二、DeepEP 技术亮点:超越速度的深度优化; H; u9 v* u# J  D, q. G6 N
    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)。- N) c4 ~+ J* y& q0 i  V( ^: @
    6 P% A+ U/ @1 s2 c5 p0 Y
    全到全 GPU 内核:奠定通信基石
    4 z% s, M& H% s: @
    , O4 f* n" j% Q0 |0 W% ~, HMoE 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。5 v: \/ M. @  t& u

    ) ]7 w- a6 ?# D7 F% \  i. |4 s# N, @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 o; A2 I7 C. e$ Y& \, B) u1 n) m7 d+ l, j& v8 y8 i
    "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。"
    0 f1 G4 U. x! ?$ ^+ y: o; X7 A: f4 f# i# ]
    非对称带宽优化内核:精细化资源管理+ ~4 x) M. }# o) n5 V2 V* O
    ' i7 K0 i5 ~6 U) }9 W6 h6 f9 a
    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。
    8 [1 x  ^) h: ~2 ~4 w$ V
    ! q6 h6 R! j! I6 t* z! @, R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。
    0 k" G, T, Y: K3 ]& h/ J7 r; y4 K. q* ]; G5 Q( Y
    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。3 i* n  M) q: {9 a! J

    2 }: ~. c. i  z7 R: \"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。"; S2 ?3 r+ X7 x, v' ^8 q# u

    ( l5 [3 R  K* b0 h7 \' d2 \低延迟内核:推理性能的保障
    7 D3 s, E+ x3 _$ A: L" g; I! _: s1 a1 P
    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。
    % Y5 v& ^% d; W* M/ v1 i+ b5 Y2 c  Q( _" h' f, k0 @+ [3 d7 {
    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。
      i& Z- }5 H/ q7 t0 w
    0 s/ O1 c# H, L' O  _4 a"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。"( U9 W4 T- b! A( p  s1 g4 L) E( d
    3 Y% D5 c3 N; h+ i+ _* r$ K
    通信计算重叠:系统级优化
    , A. c6 X- ^# r3 L
    5 Z' w! \# K. J- j7 C/ @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。6 r5 w1 B9 F% s$ G

    " H" Q; h! C5 `; g$ ?2 T/ D8 D+ e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。
    2 n7 A5 |( D" s- X. j# B. T( P9 i" M( t
    "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。7 |/ k* Y2 I" g$ G

    : C" k3 B5 L! C三、DeepEP 性能数据解读:以实测为依据
    ) P, p+ G) g$ f7 @% Q$ LDeepSeek 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。
    . I, e' P- ]6 u5 E2 y% u5 k0 I: A
    3 d  A; B2 q$ t普通内核性能:逼近理论极限( f( y" o! q4 X5 b
    + D, H9 E! [: J! u) ]3 y4 [( y
    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。0 l' h& Z# H% c% b  `6 v) ~$ M

    4 I( M/ H+ M" W2 z0 c$ j, Q& f% N* m* ^6 Y, M
    这些数据清晰地表明:& P. E1 ~+ w; C. J! K
    ' ^- o8 F! s1 I& p
    *   DeepEP 能够充分利用 NVLink 和 RDMA 的带宽资源。
    2 D$ z; n0 _; O9 y" M5 a*   在节点内部,DeepEP 的吞吐量几乎达到了 NVLink 的理论上限。
    " U; ~- P& t+ w1 b) h*   在节点之间,DeepEP 的吞吐量也接近了 RDMA 的理论上限。
    ' r6 ~: x( Y1 q- {- N/ g*   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。7 d+ ?5 Q8 D$ Y0 R
    低延迟内核性能:微秒级延迟/ Y# _% e, {5 H* n1 c$ K9 j

    2 X7 g9 g) r5 D: I低延迟内核的测试数据同样证明了 DeepEP 的出色设计:
    3 A/ f* u; l* h% i& s. I
    % E# I/ c  J( }5 C; f1 |8 c* `* g( p  }" y4 N" f! Q7 B
    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。" G% X3 X& ^; }6 E
      J! h: a9 `( z7 b9 D9 U
    四、DeepEP 的工程哲学:实用主义与开放协作) ^; G8 f. a' B% L, P
    DeepEP 的设计和实现,体现了 DeepSeek 团队一贯的工程哲学:+ o- Q& W( Q4 x6 M" S0 B$ e

    0 j$ [0 i  M5 |5 x5 N$ C以问题为导向,实用至上$ U  p7 l: ~$ X; G8 c
    4 x$ H) f! 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。
    ; f. @; `- a! ~7 @6 I2 G! S2 ~, n# g7 K/ W
    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。
    # [- M& C6 J  q  m( X& x
    ) A0 l5 |+ U( i"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。"
    . F/ h% E! [/ V% q
    ( u) i# m) J8 r9 S5 w1 h- rPTX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。
    / w) z2 U3 l8 w$ ~( p
    / e1 `' n9 C. |7 w7 Z开放协作,共同进步
    " n; E1 ]  B# |
    8 [1 D  r+ p$ P1 G4 L4 `/ fDeepSeek 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。
    4 y: s+ V7 F4 \+ v6 ^% P! B2 U; `% R% M6 c+ K  f: S
    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。: o+ O& d9 i- g% ~- c1 `. d9 t
    1 J5 p( K% M, i1 |% @5 z+ }
    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。) [* C, D5 c1 O+ h) K; f

    , Q" A' a8 n6 v1 _# j+ ?软硬件协同,深入底层8 i( n7 }. x% e9 ~0 W
    9 o* G* O- e" V* E& _5 P5 w
    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 {  C" r! C$ Q  m7 ~5 _
    1 K3 h( h' x2 [4 J
    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。
    , y0 q$ ]- L8 A- S& p: S4 w) `5 V
    # f, a/ G+ A' @8 k3 ^# b五、DeepEP 的网络配置与优化. z8 J* p, L  V9 T, u8 B: V
    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。
    ) N* j. Y* r6 c/ D) I( l; h% {! g7 |
    流量隔离
    8 {6 V6 |1 ^# _
    ) k" u: w( W3 |' VDeepEP 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。
    ; I0 o, L4 @, f- {9 |, x, V+ P7 `* K, s( j" v% W
    "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。"
    ! T( ^2 `# z0 K3 @% ]9 f2 K# c
    ; w$ ]7 `. H* Q+ N2 z* E自适应路由, N4 i7 I1 b; {
    / p  V/ p2 a! \% H
    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, l% o4 N- X& P* C
    , u& U$ @6 }. Y4 s* q+ 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 r) x. |* B/ y( @+ S

      {8 {/ k6 ~" E7 Y"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"
    9 n  u8 v- L+ e" P" T
    + v# Y+ D  C! U/ i拥塞控制
    $ V/ S" i8 ~- H) M- M6 E/ h) R) O
    + l8 ~  _- d* n, JDeepSeek 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。
    , Y8 O& T+ e0 p& {* P9 o1 Z9 d
    $ o' S$ K  I. a6 o8 f. K总结:DeepEP 的深远意义0 y9 L* ^. c/ q

    + g5 p: p& N' q+ C- 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:
    / x  e8 x  i4 f7 i. A
    5 Z  u+ G) W/ ]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。
    : }4 o) M( O4 T2 Y- G* r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。! _7 l' ?$ {  k1 B% M% t. |
    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 f$ m7 ~/ z1 J2 @; P4 A4 t2 g2 Q
    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 j! E) D8 c2 ]+ F; u

    4 U5 e- b4 n& p- ~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
    23 小时前
  • 签到天数: 3410 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
    ! [! _! ]1 O+ C2 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,  ...

    3 g6 S9 N: C! O6 C/ a" P% `马鹿老师说的大势是非常准确的。% F- [9 V/ h, e! \$ S) U
    4 j4 ]. Q( N3 y8 I% 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。
    ( t7 l2 {4 G, x- N+ W  G; @
    , P: a% {2 w$ X3 }1 P4 ?; 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
    23 小时前
  • 签到天数: 3410 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
      W& t+ |9 u$ a马鹿老师说的大势是非常准确的。4 F0 i1 J4 l$ S! o- m1 q

    ; k) W4 j; X9 e: o. ]. V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 v( U2 V* C/ n0 h# p
    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。' [. F9 y! I$ H$ H

    & f) ?7 k: a7 l
    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, 2025-4-5 23:24 , Processed in 0.063855 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