|
记录一些平时接触到的 GPU 知识。由于是笔记而非教程，因此内容不求连贯，有基础的同学可作查漏补缺之用。 水平及维护精力所限，文中不免存在错误或过时之处，请酌情参考。 传播知识，尊重劳动，年满十八周岁，转载请注明出处。
1 术语与基础大模型训练一般都是用单机 8 卡 GPU 主机组成集群，机型包括 8*{A100,A800,H100,H800} 可能还会用最近即将上市的 {4,8}*L40S 等。 下面一台典型 8*A100 GPU 的主机内硬件拓扑： 典型 8 卡 A100 主机硬件拓扑 本节将基于这张图来介绍一些概念和术语，有基础的可直接跳过。 1.1 PCIe 交换芯片CPU、内存、存储（NVME）、GPU、网卡等支持 PICe 的设备，都可以连接到 PCIe 总线或专门的 PCIe 交换芯片，实现互联互通。 PCIe 目前有 5 代产品，最新的是 Gen5。 1.2 NVLink定义NVLink is a wire-based serial multi-lane near-range communications link developed by Nvidia. Unlike PCI Express, a device can consist of multiple NVLinks, and devices use mesh networking to communicate instead of a central hub. The protocol was first announced in March 2014 and uses a proprietary high-speed signaling interconnect (NVHS).
简单总结：同主机内不同 GPU 之间的一种高速互联方式， - 是一种短距离通信链路，保证包的成功传输，更高性能，替代 PCIe，
- 支持多 lane，link 带宽随 lane 数量线性增长，
- 同一台 node 内的 GPU 通过 NVLink 以 full-mesh 方式（类似 spine-leaf）互联，
- NVIDIA 专利技术。
演进：1/2/3/4 代主要区别是单条 NVLink 链路的 lane 数量、每个 lane 的带宽（图中给的都是双向带宽）等： NVLink 演进。Image from: HotChips 2022 [1] 例如， - A100 是 2 lanes/NVSwitch * 6 NVSwitch * 50GB/s/lane= 600GB/s 双向带宽（单向 300GB/s）。注意：这是一个 GPU 到所有 NVSwitch 的总带宽；
- A800 被阉割了 4 条 lane，所以是 8 lane * 50GB/s/lane = 400GB/s 双向带宽（单向 200GB/s）。
监控基于 DCGM 可以采集到实时 NVLink 带宽： Metrics from dcgm-exporter [5] 1.3 NVSwitch还是参考下图， 典型 8 卡 A100 主机硬件拓扑 NVSwitch 是 NVIDIA 的一款交换芯片，封装在 GPU module 上，并不是主机外的独立交换机。 下面是真机图，浪潮的机器，图中 8 个盒子就是 8 片 A100，右边的 6 块超厚散热片下面就是 NVSwitch 芯片： Inspur NF5488A5 NVIDIA HGX A100 8 GPU Assembly Side View. Image source: [2] 1.4 NVLink SwitchNVSwitch 听名字像是交换机，但实际上是 GPU module 上的交换芯片，用来连接同一台主机内的 GPU。 2022 年，NVIDIA 把这块芯片拿出来真的做成了交换机，叫 NVLink Switch [3]， 用来跨主机连接 GPU 设备。 这俩名字很容易让人混淆。 1.5 HBM (High Bandwidth Memory)由来传统上，GPU 显存和普通内存（DDR）一样插在主板上，通过 PCIe 连接到处理器（CPU、GPU）， 因此速度瓶颈在 PCIe，Gen4 是 64GB/s，Gen5 是 128GB/s。 因此，一些 GPU 厂商（不是只有 NVIDIA 一家这么做）将将多个 DDR 芯片堆叠之后与 GPU 芯片封装到一起 （后文讲到 H100 时有图），这样每片 GPU 和它自己的显存交互时，就不用再去 PCIe 交换芯片绕一圈，速度最高可以提升一个量级。 这种“高带宽内存”（High Bandwidth Memory）缩写就是 HBM。 HBM 的市场目前被 SK 海力士和三星等韩国公司垄断。 演进：HBM 1/2/2e/3/3eBandwidth Year GPU
HBM 128GB/s/package
HBM2 256GB/s/package 2016 V100
HBM2e ~450GB/s 2018 A100, ~2TB/s; 华为 Ascend 910B
HBM3 600GB/s/site 2020 H100, 3.35TB/s
HBM3e ~1TB/s 2023 使用了 HBM 的近几代高端 NVIDIA GPU 显存带宽（双向），纵坐标是 TB/s。Image source: [3] - AMD MI300X 采用 192GB HBM3 方案，带宽 5.2TB/s；
- HBM3e 是 HBM3 的增强版，速度从 6.4GT/s 到 8GT/s。
1.6 带宽单位大规模 GPU 训练的性能与数据传输速度有直接关系。这里面涉及到很多链路，比如 PCIe 带宽、内存带宽、NVLink 带宽、HBM 带宽、网络带宽等等。 - 网络习惯用 bits/second (b/s) 表示之外，并且一般说的都是单向（TX/RX）；
- 其他模块带宽基本用 byte/sedond (B/s) 或 transactions/second (T/s) 表示，并且一般都是双向总带宽。
比较带宽时注意区分和转换。 2 典型 8*A100/8*A800 主机2.1 主机内拓扑：2-2-4-6-8-8- 2 片 CPU（及两边的内存，NUMA）
- 2 张存储网卡（访问分布式存储，带内管理等）
- 4 个 PCIe Gen4 Switch 芯片
- 6 个 NVSwitch 芯片
- 8 个 GPU
- 8 个 GPU 专属网卡
典型 8 卡 A100 主机硬件拓扑 下面这个图画的更专业，需要更多细节的可参考： NVIDIA DGX A100 主机（官方 8 卡机器）硬件拓扑。Image source: [4] 存储网卡通过 PCIe 直连 CPU。用途： - 从分布式存储读写数据，例如读训练数据、写 checkpoint 等；
- 正常的 node 管理，ssh，监控采集等等。
官方推荐用 BF3 DPU。但其实只要带宽达标，用什么都行。组网经济点的话用 RoCE，追求最好的性能用 IB。 NVSwitch fabric：intra-node full-mesh8 个 GPU 通过 6 个 NVSwitch 芯片 full-mesh 连接，这个 full-mesh 也叫 NVSwitch fabric； full-mesh 里面的每根线的带宽是 n * bw-per-nvlink-lane， - A100 用的 NVLink3，50GB/s/lane，所以 full-mesh 里的每条线就是 12*50GB/s=600GB/s，注意这个是双向带宽，单向只有 300GB/s。
- A800 是阉割版，12 lane 变成 8 lane，所以每条线 8*50GB/s=400GB/s，单向 200GB/s。
用 nvidia-smi topo 查看拓扑下面是一台 8*A800 机器上 nvidia-smi 显示的实际拓扑（网卡两两做了 bond，NIC 0~3 都是 bond）： - GPU 之间（左上角区域）：都是 NV8，表示 8 条 NVLink 连接；
NIC 之间： - 在同一片 CPU 上：NODE，表示不需要跨 NUMA，但需要跨 PCIe 交换芯片；
- 不在同一片 CPU 上：SYS，表示需要跨 NUMA；
GPU 和 NIC 之间： - 在同一片 CPU 上，且在同一个 PCIe Switch 芯片下面：PXB，表示只需要跨 PCIe 交换芯片；
- 在同一片 CPU 上，且不在同一个 PCIe Switch 芯片下面：NODE，表示需要跨 PCIe 交换芯片和 PCIe Host Bridge；
- 不在同一片 CPU 上：SYS，表示需要跨 NUMA、PCIe 交换芯片，距离最远；
1.2 GPU 训练集群组网：IDC GPU fabircGPU node 互联架构： 计算网络GPU 网卡直连到置顶交换机（leaf），leaf 通过 full-mesh 连接到 spine，形成跨主机 GPU 计算网络。 - 这个网络的目的是 GPU 与其他 node 的 GPU 交换数据；
- 每个 GPU 和自己的网卡之间通过 PCIe 交换芯片连接：GPU <--> PCIe Switch <--> NIC。
存储网络直连 CPU 的两张网卡，连接到另一张网络里，主要作用是读写数据，以及 SSH 管理等等。 RoCE vs. InfiniBand不管是计算网络还是存储网络，都需要 RDMA 才能实现 AI 所需的高性能。RDMA 目前有两种选择： - RoCEv2：公有云卖的 8 卡 GPU 主机基本都是这种网络，比如 CX6 8*100Gbps 配置；在性能达标的前提下，（相对）便宜；
- InfiniBand (IB)：同等网卡带宽下，性能比 RoCEv2 好 20% 以上，但是价格贵一倍。
1.3 数据链路带宽瓶颈分析单机 8 卡 A100 GPU 主机带宽瓶颈分析 几个关键链路带宽都标在图上了， 3 典型 8*H100/8*H800 主机GPU Board Form Factor 分为两种类型： 3.1 H100 芯片 layout下面是一片 H100 GPU 芯片的内部结构： 单片 H100 GPU 内部逻辑布局。Image source: [3] - 4nm 工艺；
- 最下面一排是 18 根 Gen4 NVLink；双向总带宽 18 lanes * 50GB/s/lane = 900GB/s；
- 中间蓝色的是 L2 cache；
- 左右两侧是 HBM 芯片，即显存；
3.2 主机内硬件拓扑跟 A100 8 卡机结构大致类似，区别： 3.3 组网与 A100 也类似，只是标配改成了 400Gbps 的 CX7 网卡， 否则网络带宽与 PCIe Switch 和 NVLink/NVSwitch 之间的差距更大了。 4 典型 4*L40S/8*L40S 主机L40S 是今年（2023）即将上市的新一代“性价比款”多功能 GPU，对标 A100。 除了不适合训练基座大模型之外（后面会看到为什么），官方的宣传里它几乎什么都能干。 价格的话，目前第三方服务器厂商给到的口头报价都是 A100 的 8 折左右。 4.1 L40S vs A100 配置及特点对比L40S 最大的特点之一是 time-to-market 时间短，也就是从订货到拿到货周期比 A100/A800/H800 快很多。 这里面技术和非技术原因都有，比如： - 不存在被美国禁售的功能（根据 2023.10 的新规定，已经禁售了），比如 FP64 和 NVLink 都干掉了；
- 使用 GDDR6 显存，不依赖 HBM 产能（及先进封装）；
价格便宜也有几方面原因，后面会详细介绍： - 大头可能来自 GPU 本身价格降低：因为去掉了一些模块和功能，或者用便宜的产品替代；
- 整机成本也有节省：例如去掉了一层 PCIe Gen4 Swtich；不过相比于 4x/8x GPU，整机的其他部分都可以说送的了；
4.2 L40S 与 A100 性能对比下面是一个官方标称性能对比： 具体场景的性能对比网上也有很多官方资料，这里就不列举了。简单来， - 性能 1.2x ~ 2x（看具体场景）。
- 功耗：两台 L40S 和单台 A100 差不多
需要注意，L40S 主机官方推荐的是单机 4 卡而不是 8 卡（后面会介绍为什么）， 所以对比一般是用 两台 4*L40S vs 单台 8*A100。另外，很多场景的性能提升有个 大前提：网络需要是 200Gbps RoCE 或 IB 网络，接下来介绍为什么。 4.3 L40S 攒机推荐架构：2-2-4相比于 A100 的 2-2-4-6-8-8 架构， 官方推荐的 L40S GPU 主机是 2-2-4 架构，一台机器物理拓扑如下： 推荐单机 4 卡 L40S GPU 主机拓扑 最明显的变化是去掉了 CPU 和 GPU 之间的 PCIe Switch 芯片， 网卡和 GPU 都是直连 CPU 上自带的 PCIe Gen4 x16（64GB/s）， - 2 片 CPU（NUMA）
- 2 张双口 CX7 网卡（每张网卡 2*200Gbps）
- 4 片 L40S GPU
- 另外，存储网卡只配 1 张（双口），直连在任意一片 CPU 上
这样每片 GPU 平均 200Gbps 网络带宽。 不推荐架构：2-2-8单机 8 卡 L40S GPU 主机拓扑，来自 NVIDIA L40S 官方推介材料 如图，跟单机 4 卡相比，单机 8 卡需要引入两片 PCIe Gen5 Switch 芯片： - 说是现在PCIe Gen5 Switch 单片价格 1w 刀（不知真假），一台机器需要 2 片；价格不划算；
- PCIe switch 只有一家在生产，产能受限，周期很长；
- 平摊到每片 GPU 的网络带宽减半；
4.4 组网官方建议 4 卡机型，搭配 200Gbps RoCE/IB 组网。 4.5 数据链路带宽瓶颈分析单机 4 卡 L40S GPU 主机带宽瓶颈分析 以同 CPU 下面的两种 L40S 为例，这里面有两条链路可选： 第二种方式看着长了很多，但官方说其实比方式一还要快很多（这里还每太搞懂，CPU 那里是怎么处理的？）—— 前提是网卡和交换机配到位：200Gbps RoCE/IB 网络。在这种网络架构下（网络带宽充足）， - 任何两片 GPU 的通信带宽和延迟都是一样的，是否在一台机器内或一片 CPU 下面并不重要，集群可以横向扩展（scaling up，compared with scaling in）；
- GPU 机器成本降低；但其实对于那些对网络带宽要求没那么高的业务来说，是把 NVLINK 的成本转嫁给了网络，这时候必须要组建 200Gbps 网络，否则发挥不出 L40S 多卡训练的性能。
如果是方式二，同主机内 GPU 卡间的带宽瓶颈在网卡速度。即使网络是推荐的 2*CX7 配置， - L40S： 200Gbps（网卡单向线速）
- A100： 300GB/s（NVLINK3 单向） == 12x200Gbps
- A800： 200GB/s（NVLINK3 单向） == 8x200Gbps
可以看到，L40S 卡间带宽还是比 A100 NVLINK 慢了 12 倍， 比 A800 NVLink 慢了 8 倍，所以不适合数据密集交互的基础大模型训练。 4.6 测试注意事项如上，即便只测试单机 4 卡 L40S 机器，也需要搭配 200Gbps 交换机，否则卡间性能发挥不出来。 5 典型 8*H20 GPU 服务器（2024 更新）H20 是 2023 年发布，2024 年正式开始交付的 GPU。面向中国大陆市场，填补 A800/L40S 等等被禁之后的产品空缺。 5.1 显存：8*96GB$ nvidia-smi+---------------------------------------------------------------------------------------+| NVIDIA-SMI 535.161.03 Driver Version: 535.161.03 CUDA Version: 12.2 ||-----------------------------------------+----------------------+----------------------+| GPU Name Persistence-M | Bus-Id Disp.A | Volatile Uncorr. ECC || Fan Temp Perf Pwr:Usage/Cap | Memory-Usage | GPU-Util Compute M. || | | MIG M. ||=========================================+======================+======================|| 0 NVIDIA H20 On | 00000000:04:00.0 Off | 0 || N/A 24C P0 72W / 500W | 0MiB / 97871MiB | 0% Default || | | Disabled |+-----------------------------------------+----------------------+----------------------+| 1 NVIDIA H20 On | 00000000:23:00.0 Off | 0 || N/A 24C P0 71W / 500W | 0MiB / 97871MiB | 0% Default || | | Disabled |+-----------------------------------------+----------------------+----------------------+...+-----------------------------------------+----------------------+----------------------+| 7 NVIDIA H20 On | 00000000:E4:00.0 Off | 0 || N/A 24C P0 72W / 500W | 0MiB / 97871MiB | 0% Default || | | Disabled |+-----------------------------------------+----------------------+----------------------+
GPU 最大功耗 8*500W。 5.2 卡间互联：NVLINK x18 lanes = 900GB/s$ nvidia-smi topo -m GPU0 GPU1 GPU2 GPU3 GPU4 GPU5 GPU6 GPU7 NIC0 NIC1 CPU Affinity NUMA Affinity GPU NUMA IDGPU0 X NV18 NV18 NV18 NV18 NV18 NV18 NV18 SYS SYS 0-95,192-287 0 N/AGPU1 NV18 X NV18 NV18 NV18 NV18 NV18 NV18 SYS SYS 0-95,192-287 0 N/AGPU2 NV18 NV18 X NV18 NV18 NV18 NV18 NV18 SYS SYS 0-95,192-287 0 N/AGPU3 NV18 NV18 NV18 X NV18 NV18 NV18 NV18 SYS SYS 0-95,192-287 0 N/AGPU4 NV18 NV18 NV18 NV18 X NV18 NV18 NV18 NODE NODE 96-191,288-383 1 N/AGPU5 NV18 NV18 NV18 NV18 NV18 X NV18 NV18 NODE NODE 96-191,288-383 1 N/AGPU6 NV18 NV18 NV18 NV18 NV18 NV18 X NV18 PHB PHB 96-191,288-383 1 N/AGPU7 NV18 NV18 NV18 NV18 NV18 NV18 NV18 X NODE NODE 96-191,288-383 1 N/ANIC0 SYS SYS SYS SYS NODE NODE PHB NODE X PIXNIC1 SYS SYS SYS SYS NODE NODE PHB NODE PIX X
可以看到双向 18 lanes * 50GB/s/lane= 900GB/s（单向 450GB/s）。 作为对比，8*A800 NVLINK 是 8 lanes，见前面章节。 5.3 网络这个看各服务器厂商怎么配了。下面是国内某家的 PCIe 和网卡信息： $ lspci00:00.0 Host bridge: Advanced Micro Devices, Inc. [AMD] Device 14a4 (rev 01)c0:00.2 IOMMU: Advanced Micro Devices, Inc. [AMD] Device 149e (rev 01)c0:01.1 PCI bridge: Advanced Micro Devices, Inc. [AMD] Device 14ab (rev 01)c1:00.0 PCI bridge: Broadcom / LSI PEX890xx PCIe Gen 5 Switch (rev b0) # <-- PCIe Gen5c2:00.0 PCI bridge: Broadcom / LSI PEX890xx PCIe Gen 5 Switch (rev b0)c3:00.0 3D controller: NVIDIA Corporation Device 2329 (rev a1)c6:00.0 Ethernet controller: Mellanox Technologies MT2894 Family [ConnectX-6 Lx] # <-- Mellanox CX6c6:00.1 Ethernet controller: Mellanox Technologies MT2894 Family [ConnectX-6 Lx]...
RDMA： $ ibstatCA 'mlx5_0' CA type: MT4127 Number of ports: 1 Port 1: State: Down Physical state: Disabled Rate: 40 Base lid: 0 LMC: 0 SM lid: 0 Capability mask: 0x00010000 Link layer: EthernetCA 'mlx5_1' CA type: MT4127 Number of ports: 1 Port 1: State: Down Physical state: Disabled Rate: 40 Base lid: 0 LMC: 0 SM lid: 0 Capability mask: 0x00010000 Link layer: Ethernet
5.4 训练性能：8*H20 vs 8*A800单机 8 卡训练性能（实测数据，但大家用的模型、框架、数据集等可能各不相同，因此这里的结果仅供参考）： GPU Node (NVLINK interconnect) Throughput
8*A800-80GB ~30 samples/sec
8*H20-96GB ~21 samples/sec 相比 A800，H20 纸面算力阉割了一半左右 [6]，但在 NVLINK/cache 等地方补了一下，所以实际性能（只）下降了 1/3。 参考资料
| 
发表于 2025-7-12 14:11:17
