一. 弁言
对于最近大火的 DeepSeek，我只能说天时地利人和，在 2024 年初，在工作的时候接触过 DeepSeek LLM，有发展潜力，但在代码和数学范畴，还是 GPT， Kimi，智谱清言等大模子性能更好，社会上也都押宝在大厂大投资累计起来的模子上，不成想 2025 年让 DeepSeek 这匹黑马闯了出来。（以我自己的立场来看，DeepSeek 影响这么大是由于突破了某些骗人的虚假泡泡，纯个人观点）
最近大火的是 DeepSeek 发布的两个参数为 660B 的 DeepSeek-R1-Zero 和 DeepSeek-R1，其中 R1 在几天前也开源了。
- R1-Zero 基于 DeepSeek-V3-Base，纯粹通过 RL（强化学习）练习，无 STF（监督微调）。
- R1 则基于 R1-Zero，先使用少量人工标注的高质量数据举行冷启动微调，然后再举行 RL。
（DeepSeek-R1 蒸馏出六个小模子，参数从小到大分别为 1.5B、7B、8B、14B、32B 以及 70B，这六个模子完全开源。感兴趣的可以点击地址下载模子玩一玩: https://huggingface.co/deepseek-ai?continueFlag=f18057c998f54575cb0608a591c993fb）
本日简朴先容一下 DeepSeek-V3 的核心架构: DeepSeekMoE，那么必要先理解一下混合专家模子 MoE（Mixture of Experts）。
二. 混合专家模子（Mixture of Experts, MoE）
在深度学习里，想让模子变得更强，往往就得让它变得更大、更复杂。但这样一来，盘算资源的需求就会蹭蹭往上涨。混合专家模子（MoE）通过引入希奇盘算，以及根据任务动态分配资源的机制，高效的解决了在有限的盘算资源下最大化模子性能这一问题。
混合专家模子（MoE）是一种基于 Transformer 架构的模子，重要由希奇MoE层和门控网络/路由机制（Router）两个核心组件构成。
1. 希奇 MoE 层
- 替换传统 FFN : 在 Transformer 架构中，希奇 MoE 层通常用于替换尺度的前馈神经网络（FFN）层。传统 FFN 必要处理所有输入类型，而 MoE 通太过工协作的专家网络实现更高效的盘算。
- 专家网络布局:
- 每个专家（Expert）是一个独立的子网络，通常为轻量级 FFN（参数更少），专注于特定输入特性或任务。图1中表现两组专家体系，每组4个FFN专家（FFN 1-4）。
- 专家可以是分层或嵌套布局（如多层 MoE），相互独立，可以并行盘算，进一步加强表达本领。
2. 门控网络/路由机制（Router）
- 路由策略（Router）:
- 输入隐藏状态通过路由模块（如线性层或留意力机制）生成专家权重（图1中的 p 值），选择当前输入最相关的少数专家。
- 例如: 对输入 h_t，路由输出权重向量，仅激活权重最高的专家。
- 动态盘算:
- 每次前向流传仅激活部分专家（如1-4个），其余专家处于"关闭"状态，大幅低落盘算量。
- 这种希奇性使得模子参数规模能够扩展至万亿级别，而实际盘算量仅呈线性增长。
- 最终输出 = 选中的 FFN 专家的输出 × 门控值（图1中虚线表现的值）
3. MoE层完整工作流程:
Input Token → Router评估 → 专家选择 → 专家处理 → 门控加权 → Output
举个例子，假设有一个 MoE 模子，用于文本分类，模子中有三个专家:
专家1: 善于处理科技类文本
专家2: 善于处理体育类文本
专家3: 善于处理娱乐类文本
输入文本："苹果公司发布了最新的iPhone 15"
分词结果：["苹果公司", "发布", "最新", "的", "iPhone", "15"]
Token向量：[T1, T2, T3, T4, T5, T6] # 每个Ti是d维向量
# 拿两个 token 举例，其他 token 同理（假设都路由到专家权重最高的专家i中）
For token "苹果公司" (T1):
专家1: 0.8
专家2: 0.1
专家3: 0.1 → 选择Top-1专家（专家1）
For token "iPhone" (T5):
专家1: 0.9
专家2: 0.05
专家3: 0.05 → 选择Top-1专家（专家1）
# 专家处理
专家1处理T1 → E1(T1) = [0.9, 0.2, ...] # 输出d维向量
专家2处理T2 → E1(T2) = [0.3, 0.8, ...]
...
专家1处理T5 → E1(T5) = [0.95, 0.1, ...]
# 门控机制，对每个 token 举行加权组合
最终表现 = ∑(门控权重 * 专家输出)
所有token处理后得到：
[0.8*E1(T1), 0.7*E1(T2), 0.6*E1(T3), 0.5*E1(T4), 0.9*E1(T5), 0.8*E1(T6)]
# 通过 Transformer 层整合上下文
上下文表现 = Transformer(MoE_output)
# 池化得到句子表现
句子向量 = MeanPooling(上下文表现)
# 最终分类
分类得分 = LinearLayer(句子向量) → [科技类: 0.92, 体育类: 0.05, 娱乐类: 0.03]
三. DeepSeek-V3 的核心架构: DeepSeekMoE
DeepSeekMoE 不仅继续了 MoE 架构的诸多优势，更在多个关键环节举行了巧妙的改进，实现了服从与性能的完善平衡，为大规模模子的高效练习与推理开辟了新的门路。
1. DeepSeekMoE 的根本架构：在 Transformer 和 MoE 机制上的创新升级
- 细粒度专家划分: 每个 MoE 层包含 1 个共享专家和 256 个路由专家，每个 token 激活 8 个路由专家。这种设计让共享专家处理通用特性，路由专家处理具体任务，提升了模子机动性和服从。
- 希奇激活机制: 每个 token 只激活少数专家，低落了盘算开销，同时让模子能机动处理差别类型输入，尤其得当必要高度专业化知识的场景。
2. 动态负载均衡
传统 MoE 中，负载（某些专家大概会由于处理过多的 token 而负载过高）不均衡会导致资源浪费甚至路由瓦解。DeepSeekMoE 的解决方案如下：
- 动态偏置调解: 在练习中，体系监控专家负载，自动调解偏置项：负载高的专家低落偏置，负载低的专家增长偏置，从而实现自然负载均衡。
- 无辅助损失优势: 不引入额外损失函数，避免对模子性能的负面影响，同时有效防止路由瓦解。
3. 序列级负载均衡
传统 MoE 关注全局（数据集级）和局部（Batch 级）负载均衡，而 DeepSeekMoE 首创序列级均衡。
- 序列级平衡损失: 在练习中，体系监控专家负载，自动调解偏置项: 负载高的专家低落偏置，负载低的专家增长偏置，从而实现自然负载均衡。
- 极小化平衡因子: 不引入额外损失函数，避免对模子性能的负面影响，同时有效防止路由瓦解。
4. 节点级负载均衡
- 限定路由节点: 每个 token 最多发送到 4 个节点，节点亲和度通过专家节点的汗青协作服从动态盘算，选择亲和度高的节点，优先选择通讯耽误低、缓存命中率高的节点，减少跨节点通讯的开销。
5. 推理保障机制
传统 MoE 推理中，负载不均衡大概导致 token 被扬弃。DeepSeekMoE 的解决方法如下:
- 冗余专家摆设: 在推理阶段，高负载专家冗余摆设在差别 GPU 上，平衡 GPU 负载。
- 动态负载迁移: 动态选择激活专家，进一步优化推理服从，确保推理过程完整。
四. 总结
实践结果：在671B总参数目下实现单 token 仅激活3.7%参数，推理速度提升2.1倍，练习资本低落67%。
以上纯个人总结及观点, 如有错误, 还请大佬们指教
免责声明：如果侵犯了您的权益，请联系站长，我们会及时删除侵权内容，谢谢合作！更多信息从访问主页：qidao123.com:ToB企服之家，中国第一个企服评测及商务社交产业平台。 |
