设为首页收藏本站

爱吱声

用户名  找回密码
 注册
帖子
查看: 974|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
    $ `8 P; D$ V! u! ?/ c" m; X1 ~8 O3 a% |" }5 ?3 m4 P
    DeepSeek DeepEP:MoE 训练/推理加速,开源通信库背后的工程哲学
    4 R1 ~3 m5 Y0 j. z( X/ U+ S4 u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。
    * e4 a9 i$ o3 q  Z+ H  @1 K2 u- a5 n1 C8 {
    一、DeepSeek 开源第二天,DeepEP 亮相$ L) ^4 F7 i8 a3 i% _) f
    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。
    6 ]+ @: E5 O/ h& J0 A
    # v" H% [+ D  ^. SMoE 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。
    ' S2 c! _! o+ C1 o" W, a* R* D
    ( B" z9 V" L7 ~" @) W5 k二、DeepEP 技术亮点:超越速度的深度优化* _( E6 F. k0 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)。
    $ _/ ]$ a) W3 _. [  s5 l  G) v/ p( k/ ^
    全到全 GPU 内核:奠定通信基石. E8 _8 w7 J# \3 O/ ?4 ]; Q
    8 E( x2 \. _! }( U" |( O
    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。( M" m' \* N3 i; i% L7 W1 w% l

    0 y! O2 V9 b! T/ S. u5 s& E; h5 O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。
    4 m% x6 b4 c- Z
    ( F1 s  g) I& h"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。"
    3 O4 @0 f6 Z; y6 ?& h7 w+ x+ e7 I" o3 v. G4 g7 k1 Z3 ~
    非对称带宽优化内核:精细化资源管理) I' e* ?3 o; L2 j7 y

    ' M3 w, N/ Y! ]( O/ {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。
    & h- j: E# x# y, I# S, u( m$ A# Q  b) _2 D) {6 z
    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。) N; I( o0 n& V/ A, F
    0 S& y5 w+ s! L5 n- I+ c
    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 E- }( T8 s! Q) }6 f# P% R
    5 G/ [1 h! A2 R5 S: S$ I"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。"
      L( B' }. ?' ~: L/ n
    4 Y4 b* g" [$ V. \低延迟内核:推理性能的保障# a( s) j1 @7 O9 r
    # G) {% S! K; A8 S" R
    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。
    / ?9 T5 i& `) _. V, T& M. @' N5 Z- }/ M+ s9 P
    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。
    ! N7 ?6 A# M/ x3 C8 u/ S8 O4 u1 E, V' W  ]% |
    "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。"
    4 V. }5 R: T6 ^, l6 ~+ U- J5 e# b) g- c2 s
    通信计算重叠:系统级优化
    ; N% p2 h8 Y, P! J9 }
    0 ?, j! W( x( w* ADeepEP 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。: C) I7 Y, X) G

    4 D, W5 s' ^  J# j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。- A) X7 p( \4 x0 M

    5 c5 _6 {6 F& |5 h"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。3 l9 B" P2 T) e# v

    $ ?) w! _: f; q/ J+ K三、DeepEP 性能数据解读:以实测为依据# n0 {0 r( B' @2 P# J4 N& D' E* J
    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。* I  [; K- g# t$ M3 Y0 A
    # g0 [! G4 l9 k- L% u9 T
    普通内核性能:逼近理论极限# i' `7 @/ i3 Q
    ' k. C0 w' z& ^& \/ 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。3 A+ K& J$ {8 L* }  V8 J8 D* j

    8 E( f1 e8 x: M
    % E! i* @9 ?. z. N* _: Y4 ~. m% e' J这些数据清晰地表明:$ I' t, Q* q' q6 U3 y
    * I$ b$ b# g+ \7 G
    *   DeepEP 能够充分利用 NVLink 和 RDMA 的带宽资源。
    8 l' Q" y0 }5 I; V*   在节点内部,DeepEP 的吞吐量几乎达到了 NVLink 的理论上限。
    ; M9 a( g& A8 I; U: U8 i*   在节点之间,DeepEP 的吞吐量也接近了 RDMA 的理论上限。
    9 @' e( \0 ?: f*   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。
    5 M0 N. P6 `5 p4 _8 I% ~低延迟内核性能:微秒级延迟
    ! e- ]$ E6 ^5 f1 w0 u. O* T3 e4 s3 j- |; J
    低延迟内核的测试数据同样证明了 DeepEP 的出色设计:
    ( }- U( ]! V2 D: V& c2 S/ {1 I/ m/ i% x3 q! K/ C+ m, _
    & B7 e0 z  R( i4 A8 d( B* 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。  ^7 s( r2 o  y: u. o. g: j/ ]
    : ~. g" j( n6 |0 [
    四、DeepEP 的工程哲学:实用主义与开放协作/ P8 [' m6 e3 P6 H3 s+ {
    DeepEP 的设计和实现,体现了 DeepSeek 团队一贯的工程哲学:: {( d' }* a  A6 D6 x8 a! e
    . T  \3 v, l4 s- D1 l
    以问题为导向,实用至上  |. M+ y0 K: V" t0 a* j+ d, w" _
    : u3 C& H! G: U6 G
    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。0 I( G8 x5 J1 y, l' l4 y' q) H- o
    8 q+ c+ y2 Y) ~% D6 k$ l
    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。% H: Y  c8 [- k6 s

    9 _6 a5 E5 a0 s( o"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。"& k4 ^- f& I4 n# b0 x' G% ~
    , S- h8 {' X2 T8 u, _
    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。
    6 L3 F' M  F6 k/ u+ m1 |& F; ^$ t- j1 s' h- m6 p  X
    开放协作,共同进步
    ; I7 ?! \# e% W  d5 q+ F+ n" l! z- ~& G8 p6 U1 ?
    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。% y. N$ x+ O' K

    ( b( u6 {1 N. }% K$ _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。
    2 i; r5 k& C1 M; ?  A! a% Q" B6 _1 h# X
    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 ~) I9 R8 d4 ^2 o# P3 l! y0 {( C% T' k8 |, R
    软硬件协同,深入底层, T4 o( N, O' t/ t4 r- r

    * Y- c9 ~( B$ Q9 G% K8 H/ T4 d9 ?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。! {# d2 S! z% X6 [% D) I- A4 W

      a" t  ~2 X6 \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。5 u: h9 [6 V$ S; M1 j
    ' d( ]$ r: n) Z( W' Q
    五、DeepEP 的网络配置与优化) M7 i% _$ f( \$ 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。, z9 j; q2 j- O

      x) J  K- Q: D/ o3 ^流量隔离' A" S9 p. v$ N) g+ @* ~
    / Y. x7 E6 c. I% L. _  b  K2 F5 @
    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。
    . t. s+ h2 Y# K) B
    5 p' a4 S) i& m# L9 C$ k- g3 U. ~3 Q"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。": A. D. ~" |8 ~: i3 B7 T
    - D' n- l- }/ @9 y: Y0 [# b- O
    自适应路由
    + K9 \2 N7 V% q$ ?4 ?& Z  R; F
    . t( |; J6 m& j$ x: a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。
    2 e. ]7 B$ K1 H  ~0 ]  H, f3 D) b) L; L. ?* c
    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。
    , F0 O& @; d+ ^8 ^! O
    ( [& M" Y& G* d' v"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", P/ `8 E2 j. {! K8 t
    / O+ Y1 p% r- Z% L. N1 A( s/ U( {
    拥塞控制
    % ]% b( l9 Z; {0 O+ \$ [$ M# `5 A1 G' N
    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。
    # Q+ b5 c/ n  a) e# c+ [* N1 o( b# ]3 E/ w) @, ]
    总结:DeepEP 的深远意义1 t! ]7 V& z" Y4 w9 [, i

      c( h7 j7 ]' _) ~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:: H: C7 w& E$ d. A5 U* e
    / u  I7 A5 i- {* r
    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。
    - g0 H" w8 N5 z4 Q+ y# m* g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。
    ) G, x! g$ ^% g8 L# s- U3 ^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。
    / ]9 ^5 \/ h: B. ^0 t; J& 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。
    6 K. m" U. m. z* e
    % U8 [$ M3 p' G' ]& s6 ]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
    18 小时前
  • 签到天数: 3532 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
    5 c" S$ i( \4 l9 ^, a) b: n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,  ...
    4 ^1 _" n" h+ E$ B) J/ X: T, \# o
    马鹿老师说的大势是非常准确的。
    : O& X, E3 z9 m+ j2 p$ C0 a5 J7 d- 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。
    ) |, s. f9 Z; J7 [
    , t, C& A- T; Z) W# m# G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
    18 小时前
  • 签到天数: 3532 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! L0 z% I7 B( S5 y
    马鹿老师说的大势是非常准确的。
    $ v8 n2 G4 H  m) S9 l, P( Z/ `* V! P
    % U# M: d* p7 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 ...

    1 l- e* d! S) r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。5 V; h; j! R. x+ u, m2 K1 ?

    " b2 {8 P% G4 F) C) @1 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, 2025-8-5 18:29 , Processed in 0.041125 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