揭秘DeepGEMM：深度學習利器的新篇章
在當今的深度學習領域，高效的矩陣乘法（GEMM）對于模型訓練和推理至關重要。近日，DeepSeek“開源周”的進度來到了3/5，推出了一款名為DeepGEMM的全新FP8 GEMM庫，旨在為高效且清晰的FP8通用矩陣乘法提供支持。DeepGEMM基于精細化縮放能力，支持普通的GEMM以及MoE分組GEMM，其在Hopper GPU上的性能表現(xiàn)尤為引人矚目。
DeepGEMM是一款專為高效且清晰的FP8通用矩陣乘法設計的庫，具備DeepSeek-V3所提出的精細化縮放能力。它不僅支持普通的GEMM，還支持Mix-of-Experts（MoE）分組GEMM，這為模型訓練和推理提供了更大的靈活性。
DeepGEMM的設計簡潔，核心內核函數(shù)只有大約300行代碼，方便學習Hopper FP8矩陣乘法和優(yōu)化技術。盡管采用輕量設計，DeepGEMM在多種矩陣形狀下的性能表現(xiàn)與專家優(yōu)化的庫相當，甚至更好。這充分證明了其高效性和靈活性。
值得注意的是，DeepGEMM不僅支持稠密布局，還支持兩種MoE布局。這使得它能夠適應不同的應用場景，滿足不同的需求。無復雜依賴、代碼簡潔如教程以及完全采用即時編譯技術（Just-In-Time）等特點，使其在大多數(shù)矩陣尺寸下超越了專家優(yōu)化的內核。
DeepGEMM基于CUDA編寫，在安裝時無需預編譯，而是通過輕量級的即時編譯（JIT）模塊，在運行時動態(tài)編譯所有內核。這種設計使得DeepGEMM能夠充分利用GPU的并行計算能力，提高運行效率。
目前，DeepGEMM僅支持NVIDIA Hopper Tensor核心。為了應對FP8 Tensor核心累加不精確的問題，它使用了CUDA核心的兩級累加（提升）方法。這種技術能夠有效地解決累加不精確的問題，提高計算精度。
DeepGEMM的出現(xiàn)，無疑為深度學習領域帶來了新的機遇和挑戰(zhàn)。作為一款深度學習利器，它開啟了開源新篇章，為探索深度學習未來提供了新的可能。
DeepGEMM在各種矩陣形狀下的性能表現(xiàn)令人矚目，尤其是在H800上的測試中，使用NVCC 12.8測試了DeepSeek-V3/R1推理中可能用到的各種矩陣形狀（包括預填充和解碼，但不涉及張量并行）。所有加速指標都是相對于我們內部精心優(yōu)化的CUTLASS 3.6實現(xiàn)計算的。這表明DeepGEMM具有出色的性能和效率。
盡管DeepGEMM在某些矩陣形狀下的表現(xiàn)不盡如人意，但我們相信這只是暫時的。我們歡迎有興趣的朋友提交優(yōu)化PR，共同完善這款深度學習利器。通過開源的方式，我們希望能夠匯聚更多的力量，共同推動深度學習領域的發(fā)展。
總的來說，DeepGEMM的推出是深度學習領域的一次重大突破。它以其高效、靈活、簡潔的設計，為深度學習模型訓練和推理提供了新的可能。作為一款深度學習利器，DeepGEMM開啟了開源新篇章，讓我們共同期待它為深度學習未來帶來的更多可能性。
（免責聲明：本網(wǎng)站內容主要來自原創(chuàng)、合作伙伴供稿和第三方自媒體作者投稿，凡在本網(wǎng)站出現(xiàn)的信息，均僅供參考。本網(wǎng)站將盡力確保所提供信息的準確性及可靠性，但不保證有關資料的準確性及可靠性，讀者在使用前請進一步核實，并對任何自主決定的行為負責。本網(wǎng)站對有關資料所引致的錯誤、不確或遺漏，概不負任何法律責任。
任何單位或個人認為本網(wǎng)站中的網(wǎng)頁或鏈接內容可能涉嫌侵犯其知識產權或存在不實內容時，應及時向本網(wǎng)站提出書面權利通知或不實情況說明，并提供身份證明、權屬證明及詳細侵權或不實情況證明。本網(wǎng)站在收到上述法律文件后，將會依法盡快聯(lián)系相關文章源頭核實，溝通刪除相關內容或斷開相關鏈接。 ）
