【如果笔记对你有帮助，欢迎关注&点赞&收藏，收到正反馈会加快更新！谢谢支持！】

目录

一、DeepSeek-V3 技术介绍

二、混合专家模型（MoE）

三、大模型训练精度

DeepSeek-V3技术报告：

一、DeepSeek-V3 技术介绍

• 目标：提高模型性能，降低训练和推理成本（储存和时间）
• 改进点：
  • FP8 混合精度训练（降低储存，提高速度）【大模型训练精度解释见第二节⬇️】
  • 混合专家(MoE) 方法（提高模型性能）【MoE 解释见第三节⬇️】
  • 使用多头潜在注意力机制(MLA) （减少缓存）
  • 多Token预测 (MTP) （提高模型性能）
• Architecture (Transformer 架构)：
  
• 核心要点1: 多头潜在注意力机制 Multi-Head Latent Attention (MLA) 
  • Low-rank低秩压缩：将Key和Value压缩到低维潜空间(latent space)
• 核心要点2: DeepSeekMoE
  • Routed专家 & Shared专家 【最终被激活8个专家】
    • Routed专家(256个)：常规负责不同领域的专家（由Router选择）
    • Shared专家(1个)：每个输入都会处理
  • 负载均衡(load balance)实现
    • 什么是负载均衡：合理分配输入数据到各个专家模型中，以确保每个专家的计算负载大致相等
    • 无辅助损失策略(auxiliary-loss-free) ：动态调整专家的偏置项来实现，无损失函数
• 核心要点3：多Token预测 (MTP)
  • k个串行模型：主模型 + MTP模块 * (k-1) 
     
  • 预测过程：输入 → 主模型预测下一token(k=1) → 输入+ token(k=1) 【拼接】→ MTP模块预测再下一token (k=1) → 输入+ token(k=1) + token(k=2) 【拼接】→ MTP模块 → ……
• 核心要点4： 混合精度训练
  • 大部分计算用 FP8 精度，关键计算保持原始精度（BF16 或 FP16)

二、混合专家模型（MoE）

• 理解：由多个“专家”模型组成，每个“专家”负责其特定领域；由“门控网络“来控制哪个“专家”来回答问题
• 实现：
  • 输入数据  → GateNet【分配专家模型（概率权重）】→ 选中的专家模型输出结果 → 加权结果输出
• GateNet的分配依据？ 根据输入划分（类似分类）

三、大模型训练精度

• 精度介绍：
  • 浮点数(flaot)：双精度（FP64）、单精度（FP32）、半精度（FP16）
    【如FP64为8个字节，共64位】
  • BF精度：通常指BF16（为深度学习优化的16位浮点数格式）
•  神经网络模型默认：单精度（FP32）；大模型训练常用：半精度（FP16）；DeepSeek-V3使用：FP8混合精度
• 使用小精度存在的问题
  • 数据溢出：如FP16的有效数据范围比FP32小，计算梯度时容易下溢
  • 舍入误差：很小的反向梯度会被舍弃，如0.00000xx

DeepSeek-V3技术报告：

DeepSeek-V3/DeepSeek_V3.pdf at main · deepseek-ai/DeepSeek-V3 · GitHub