DeepSeek 推出了 DeepEP，MoE 模型訓練的秘密武器
嘿，各位，最近 DeepSeek 開源社群可熱鬧了！他們在 #OpenSourceWeek 的第二天，就丟出了一個超厲害的東西：DeepEP。這可不是一般的通訊函式庫，而是專門為「混合專家模型」（Mixture-of-Experts，MoE）量身打造的。
DeepEP 到底是什麼東東？🤔
簡單來說，DeepEP 是一個能讓 MoE 模型在訓練和推論時，溝通更有效率的函式庫。你知道的，MoE 模型就像一群各有所長的專家，DeepEP 就像是他們的超級聯絡官，讓這些專家之間的溝通暢行無阻。
DeepEP 的幾個特點，讓我來跟你娓娓道來：
- 又快又好：它優化了 all-to-all 的通訊，不管是節點內還是節點間，都能發揮 NVLink 和 RDMA 的威力。
- 訓練推論一把罩：不管是需要高吞吐量的訓練和推論預填充（prefilling），還是需要低延遲的推論解碼（decoding），DeepEP 都有專門的 kernel 來處理。
- FP8 也沒問題：它還支援原生的 FP8，讓運算更有效率。
- 彈性十足：你可以靈活控制 GPU 資源，讓運算和通訊可以重疊進行，節省寶貴的時間。
說真的，DeepEP 解決了我們在做 MoE 模型時的很多痛點，你懂的，當你的模型裡有一堆專家，如何讓他們有效溝通真的很重要。
深入了解 DeepEP 的細節 🤓
DeepEP 的核心，就是它那些厲害的 all-to-all GPU kernels，也就是大家常說的 MoE dispatch 和 combine。這些 kernels 不只速度快，還支援低精度的運算，像是 FP8。
還有，為了配合 DeepSeek-V3 論文中提到的 group-limited gating 演算法，DeepEP 提供了一系列的 kernels，專門優化非對稱域的頻寬轉發（asymmetric-domain bandwidth forwarding），像是把資料從 NVLink 域轉發到 RDMA 域。這些 kernels 的吞吐量超高，不管是訓練還是推論預填充都很好用。而且，它們還支援 SM（Streaming Multiprocessors）數量的控制。
對於需要低延遲的推論解碼，DeepEP 也有一組專門的 kernels，只用 RDMA 來降低延遲。它還引入了一個基於 hook 的通訊-運算重疊方法，完全不佔用任何 SM 資源。
實際效能如何？數據會說話！📊
DeepEP 的開發團隊在 H800 上做了測試，結果真的很亮眼。
一般 kernels（NVLink 和 RDMA 轉發）：
- 節點內：dispatch 和 combine 的瓶頸頻寬分別達到 153 GB/s 和 158 GB/s（NVLink）。
- 節點間：dispatch 和 combine 的瓶頸頻寬都能達到 40 GB/s 以上（RDMA）。
低延遲 kernels（純 RDMA）：
- 在不同數量的 EP 下，dispatch 的延遲大約在 163 到 194 微秒之間，combine 的延遲大約在 318 到 360 微秒之間。
- RDMA 的頻寬也能達到 40 GB/s 左右。
老實說，看到這些數據，我真的覺得 DeepEP 很厲害！
如何開始使用 DeepEP？🚀
DeepEP 的安裝和使用都很簡單，只要你的硬體和軟體符合以下條件：
- Hopper 架構的 GPU（未來可能會支援更多）
- Python 3.8 或以上
- CUDA 12.3 或以上
- PyTorch 2.1 或以上
- 節點內通訊需要 NVLink
- 節點間通訊需要 RDMA 網路
DeepEP 還依賴一個修改過的 NVSHMEM，記得要先安裝好。
安裝好之後，就可以在你的 Python 專案裡匯入 deep_ep，開始享受它帶來的便利了！
網路設定的小撇步 💡
DeepEP 已經在 InfiniBand 網路上做了完整的測試，不過理論上它也相容於 RDMA over Converged Ethernet（RoCE）。
為了避免不同類型的流量互相干擾，建議使用 InfiniBand 的 Virtual Lanes（VL）來隔離：
- 使用一般 kernels 的工作負載
- 使用低延遲 kernels 的工作負載
- 其他工作負載
你可以透過設定 NVSHMEM_IB_SL 環境變數來控制 DeepEP 使用的 VL。
另外，低延遲 kernels 支援 InfiniBand 交換器的自適應路由（adaptive routing）功能，可以更平均地分配流量。不過，一般 kernels 目前還不支援，未來可能會加入。
總結一下 📝
DeepEP 真的是一個很棒的工具，對於在做 MoE 模型的人來說，絕對值得一試。它不只效能好，還很容易上手。如果你也對 MoE 模型有興趣，不妨試試看 DeepEP，相信你一定會喜歡它！
