深圳网站建设公司推荐乐云seo嘉兴白酒网站建设
2 月 24 日，DeepSeek 启动 “开源周”，第二个开源的代码库为 DeepEP。很好，又挤了一段有硬件基因的牙膏出来。H100/H800 绝对是 DeepSeek 的小心肝。
1 DeepEP 简介
DeepEP 是由 deepseek-ai （深度求索）开发的一个开源项目。DeepEP 针对混合专家（MoE）+ 专家并行（EP）模型架构设计的通信库。MoE 是由多个专家子网络组成的大模型，通过门控网络决定输入分配给哪个专家。
DeepEP 提供高吞吐量和低延迟的 all-to-all GPU 内核，包括 MoE 分发（dispatch）和合并（combine）。该库支持 FP8 等低精度运算，特别适用于 DeepSeek 系列模型（如 DeepSeek-V2、V3 和 R1）。
MoE 介绍（来源：中存算半导体）
为了与 DeepSeek-V3 论文中的组限制门控算法（group-limited gating algorithm）保持一致，DeepEP 针对非对称域带宽转发设计和优化通信内核（例如将数据从 NVLink 域转发到 RDMA 域）并提供高吞吐量，使其适用于训练和推理预填充任务。
DeepEP 主要适用于大模型训练，特别是需要 EP 的集群训练。通过提升通信信道的使用率，提升训练效率。
DeepEP 的安装要求如下：
1）Hopper 架构 GPU（看出来 DeepSeek 对 H 是真爱）
2）Python 3.8 或更高版本
3）CUDA 12.3 或更高版本
4）PyTorch 2.1 或更高版本
5）NVLink 与 RDMA（DeepEP 已通过 InfiniBand 网络的测试，并未在 RDMA 完全测试）
2 DeepEP 的关键技术与未来优化
DeepEP 具备以下关键技术：
1）高吞吐量、低延迟的 all-to-all GPU 内核，专门优化的分派和组合操作。确保数据在多个 GPU 之间快速传输，减少通信时间。
2）支持低比特操作，如 FP8 格式，显著降低计算和存储需求，提升整体效率。
3）针对非对称域带宽转发（如从 NVLink 域到 RDMA 域），提供优化内核，适合训练和推理 Prefill 任务。允许直接内存访问，减少 CPU 介入。DeepEP 的优化确保数据在不同域之间高效传输，特别适用于大规模混合卡的分布式训练。
CPU 等待 GPU 接收计数信号（来源：DeepSeek）
3 DeepEP 的原理与架构
3.1 从英伟达集群到 All-to-All 通信
V3/R1 的训练框架定制了高效的跨节点 All-to-All 通信内核，以充分利用 IB 和 NVLink 带宽，并节约流式多处理器（SM，(Stream Multiprocessor）。
传统的基于 NVSwitch 的 All-to-All 通信结构（来源：互联网）
通信内核（通信 SM 控制代码）的实现与 MoE 门控算法和集群网络拓扑是按照软硬件协同的思路来进行设计的。具体来说，在集群中，跨节点 GPU 与 IB 完全互连，节点内（单台服务器内）通信通过 NVLink 完成。NVLink 提供 160 GB/s 的带宽，约是 IB 的 3.2 倍 （50 GB/s）。
All-to-All 通信（来源：中存算半导体）
DeepSeek 还采用了 warp（线程束）专用化技术，将 20 个 SM 划分为 10 个通信信道。
1）在调度过程中，（a）IB 发送、（b）IB 到 NVLink 转发、（c） NVLink 接收由相应的 warp 处理。分配给每个通信任务的 warp 数量会根据所有 SM 的实际工作负载动态调整。
2）在合并过程中，（1） NVLink 发送、（2）NVLink 到 IB 的转发和累积、（3）IB 接收和累积也由动态调整的 warp 处理。
3）dispatching 和 combining kernel 都与计算流重叠，采用定制的 PTX（Parallel Thread Execution）指令以自动调整通信块大小，减少了对 L2 缓存的使用和对其他 SM 的干扰。
3.2 DeepEP 架构
DeepEP 的架构设计围绕 MoE 模型的通信需求展开，包含以下关键组件：
1）常规内核：GPU 缓存管理、forward 和 backward dispatch、forward 和 backwardcombine 的函数，分别用于常规内核操作，支持训练和推理的计算流程。
2）低延迟内核：专为推理解码设计，专门操作 NVLink/Infiniband 或 RDMA 技术，减少通信延迟，适合实时通信。
3）通信 - 计算重叠调度：减少 SM（Streaming Multiprocessors）资源占用，提升算力利用率。
4 DeepEP 代码结构分析
https://github.com/deepseek-ai/DeepEP
DeepEP 目录包含以下关键文件和目录：
●third-party/: 包含 NVSHMEM 相关文件，如 README.md（安装指南）和 nvshmem.patch（补丁文件），用于管理外部依赖。
●figures/: 存储示意图，帮助理解技术实现。
●tests/: 包含测试脚本，如 test_intranode.py（节点内测试）、test_internode.py（节点间测试）和 test_low_latency.py（低延迟测试），以及 utils.py（工具函数）。
●setup.py: 用于构建和安装 DeepEP 库。
●LICENSE: 采用 MIT 许可，部分文件受 NVSHMEM SLA（Software License Agreement）限制，有可能影响开源使用。
●csrc/: 包含 C++ 源代码，内有 kernels / 子目录，如 ibgda_device.cuh，用于内核实现。
deep_ep.cpp 用于管理 CUDA 内存和执行分布式通信任务：针对非对称域通信分别设计了 num_nvl_bytes 和 num_rdma_bytes。low_latency_mode 可配置低延迟模式。
ibgda_device.cuh 实现了与 NVSHMEM（NVIDIA 共享内存库）相关的 IBGDA（InfiniBand General Data Access）设备功能。
runtime.cu 用于在 CUDA 环境下，节点内和节点间 runtime 实现，通信的同步和初始化操作。
5 DeepEP 的未来优化
DeepEP 目前仍处于早期阶段，最新提交日期为 2025 年 2 月 25 日，初始提交包含 32 个文件，8461 行新增代码。
预计 DeepEP 未来将进一步进行如下优化：
1）性能优化：进一步提升通信效率，特别是在更大规模模型或新硬件架构上的支持，如更多 GPU 类型或新型网络技术，以适应不断增长的计算需求。
2）硬件兼容性扩展：可能支持更多硬件平台，如 AMD Instinct GPU，扩大应用范围。
3）与其他开源框架集成：可能与更多 AI 框架或库集成，进一步提升兼容性和开发便利性。
求。
2）硬件兼容性扩展：可能支持更多硬件平台，如 AMD Instinct GPU，扩大应用范围。
3）与其他开源框架集成：可能与更多 AI 框架或库集成，进一步提升兼容性和开发便利性。
DeepEP 作为 DeepSeek 技术栈的重要组成部分，展示了在 MoE 模型通信优化上的创新潜力。其开源代码为促进全球高效训练和推理提供了坚实基础，未来可能在性能优化和硬件兼容性上进一步扩展。在全球 AI 竞争的背景下这种开源精神值得赞许。