Profiling Data是什么

Profiling Data是DeepSeek开源的训练和推理框架的性能分析数据，基于PyTorch Profiler捕获的程序运行过程中的详细信息，用在分析和优化软件性能。下载后直接在 Chrome 或 Edge 浏览器中基于 chrome://tracing 或 edge://tracing 打开，进行可视化分析。Profiling Data记录了程序在执行过程中的时间消耗、资源利用率、通信模式等关键指标。在深度学习框架中，Profiling Data帮助开发者了解模型训练和推理过程中的计算与通信重叠策略、不同硬件资源的使用情况及潜在的性能瓶颈。基于对数据的分析，开发者优化代码实现、调整并行策略，提高系统的整体效率。

Profiling Data的主要功能

性能瓶颈定位：基于记录程序运行过程中的时间消耗、资源使用情况等，帮助开发者快速定位性能瓶颈，例如哪些函数或模块占用过多时间或资源。资源利用分析：分析CPU、GPU、内存等硬件资源的使用情况，帮助优化资源分配，避免资源浪费。通信模式分析：在分布式系统中，分析节点之间的通信模式和延迟，优化通信策略，减少通信开销。优化指导：为代码优化提供数据支持，帮助开发者选择合适的优化策略，例如并行化、缓存优化等。

Profiling Data的推理过程

预填充（Prefilling）：基于EP32和TP1（与DeepSeek V3/R1的实际在线部署一致），提示长度为4K，每个GPU的批次大小为16K个token。用两个微批次来重叠计算和全连接通信，确保两个微批次之间的注意力计算负载平衡。解码（Decoding）：基于EP128、TP1，提示长度为4K，每个GPU的批次大小为128个请求。类似于预填充，解码也使用两个微批次重叠计算和全连接通信。与预填充不同的是，解码阶段的全连接通信不会占用GPU SMs（Streaming Multiprocessors，流式多处理器）。在RDMA（Remote Direct Memory Access，远程直接内存访问）消息发出后，所有GPU SMs都会被释放，系统会计算完成后等待全连接通信完成。

Profiling Data的项目地址

GitHub仓库：https://github.com/deepseek-ai/profile-data

Profiling Data的应用场景

定位性能瓶颈：快速找出程序中最耗时或最耗资源的部分。指导性能优化：根据数据调整策略，提升计算和通信效率。分析资源利用：评估硬件资源（如CPU、GPU、内存）的使用情况，避免浪费。优化系统架构：根据运行数据调整分布式系统的配置和通信策略。检测性能回归：对比不同版本的性能数据，确保优化有效且无性能下降。