AI智能体研发-模型篇（二）：DeepSeek-V2-Chat 训练与推理实战

一、引言

5月6日私募基金幻方发布DeepSeek-V2，千亿级模型，每百万Tokens仅需1元-2元。5月15日，字节发布白菜价的豆包大模型，5月21日阿里、百度相机大幅下调甚至免费开放自家商用模型接口，大模型价格战正式打响。而被誉为大模型价格屠夫的“DeepSeek-V2”到底是怎么个事儿，是否可以进行训练和推理，今天我们来展开讲一讲。

二、模型简介

2.1 DeepSeek V2模型概述

DeepSeek V2（Moe）是一个基于专家网络（MoE）的大语言模型，是DeepSeek LLM（dense）的升级版本。

• 主要特点：训练经济、推理高效。
• 模型尺寸：236B，其中激活参数21B。
• 上下文长度：128K
• 相较于他的前一代DeepSeek LLM（67B），节省了42.5%的训练成本，减少了93.3%的KV缓存，最大生成吞吐量提升至5.76倍。

• 采用8.1万亿个token的多样化高质量预料预训练，在进行全面的预训练之后，进行监督微调（SFT）以及强化学习（RL），充分发挥模型性能。
• 官方于5月16日发布了可消费级显卡部署的lite版模型：DeepSeek-V2-Lite，总参数16B，激活函数2.4B，上下文长度32K，降低用户私有化部署成本。

• 中文评测集效果对比（官方发布，仅供参考）：

• 各大厂商价格战之前的商用接口价格对比（2024.5.6）

就是因为这么一张价格对比表，开启了国产大模型价格之战，“砸我饭碗，都别吃了！”

2.2 DeepSeek V2模型架构

DeepSeek-V2针对attention机制和MoE网络进行创新，保证经济的训练和高效的推理：

• 对于注意力，设计了MLA（多头潜在注意力），它利用低秩键值联合压缩来消除推理时键值缓存的瓶颈，从而支持高效的推理。
• 对于前馈网络（FFN），采用 DeepSeekMoE 架构，这是一种高性能 MoE 架构，能够以更低的成本训练更强大的模型。

模型结构配置（configuration_deepseek.py），这里对涉及网络结构的每个参数进行中文说明。

代码语言：javascript

from transformers.configuration_utils import PretrainedConfig
from transformers.utils import logging

logger = logging.get_logger(__name__)

DEEPSEEK_PRETRAINED_CONFIG_ARCHIVE_MAP = {}
class DeepseekV2Config(PretrainedConfig):

    model_type = "deepseek_v2"
    keys_to_ignore_at_inference = ["past_key_values"]

    def __init__(
        self,
        vocab_size=102400,#深度模型词汇量，默认102400
        hidden_size=4096,#隐层的维度，默认4096
        intermediate_size=11008,#MLP的维度，默认11008
        moe_intermediate_size = 1407,#MOE的维度，默认1407
        num_hidden_layers=30,#在transformer decoder中隐层的数量，默认30
        num_attention_heads=32,#在transformer decoder中每个多头注意力层的头数，默认32
        num_key_value_heads=32,
        #用于实现分组查询注意力的 key_value 头的数量
        #如果`num_key_value_heads=num_attention_heads`，模型将使用多头注意力（MHA），
        #如果`num_key_value_heads=1 时，模型将使用多查询注意 (MQA)，否则将使用 GQA。
        #当将多头检查点转换为 GQA 检查点，应构造每个组键和值头。意思是meanpooling该组内的所有original heads
        #详细说明见(https://arxiv.org/pdf/2305.13245.pdf)
        #默认num_key_value_heads=num_attention_heads
        n_shared_experts = None,#moe共享专家数，为None代表dense model稠密模型
        n_routed_experts = None,#moe路由专家数，为None代表dense model稠密模型
        ep_size = 1,
        routed_scaling_factor = 1.0,#路由专家的缩放因子，
        kv_lora_rank = 512,
        q_lora_rank = 1536,
        qk_rope_head_dim = 64,
        v_head_dim = 128,
        qk_nope_head_dim = 128,
        topk_method = 'gready',#moe网络中路由门控的topk选择方法，默认为贪心算法
        n_group = None,#路由专家的组数，默认为None不分组
        topk_group = None,#每个token选中的组数（对于每个 token，确保选中的专家仅在 `topk_group` 组内）
        num_experts_per_tok = None,#选定专家的数量，无表示密集模型
        moe_layer_freq = 1,#MoE 层的频率：每“moe_layer_freq - 1”密集层有一个专家层
        first_k_dense_replace = 0,#浅层中的密集层数（embed->dense->dense->...->dense->moe->moe...->lm_head）。
        norm_topk_prob = False,#是否标准化已路由专家的权重。
        scoring_func = 'softmax',#计算专家权重的方法，默认softmax
        aux_loss_alpha = 0.001,#辅助损失系数。
        seq_aux = True,#是否计算每个单独样本的辅助损失。
        hidden_act="silu",#decoder中非线性激活函数，默认为silu
        max_position_embeddings=2048,#该模型可能用到的最大序列长度，默认为2048，这个参数直接影响模型上下文长度。如果太短，在应用中设置较长的system prompt会让对话被截断。
        initializer_range=0.02,#用于初始化所有权重矩阵的 truncated_normal_initializer 的标准差
        rms_norm_eps=1e-6,#均方根归一化层使用的 epsilon，用于处理浮点数比较时的误差或精度问题，通常是个很小的值。
        use_cache=True,模型是否应该返回最后的key value注意力的值（并非所有模型都使用）。仅当 `config.is_decoder=True` 才有意义
        pad_token_id=None,#填充的token id
        bos_token_id=100000,#token流开始的id，默认为100000
        eos_token_id=100001,#token流结束的id，默认为100001
        pretraining_tp=1,#实验性功能。预训练期间使用的张量并行度等级。此值是确保预训练结果的精确再现性是必要的。
        tie_word_embeddings=False,#是否绑定词嵌入
        rope_theta=10000.0,#RoPE 嵌入的基期，默认为10000
        rope_scaling=None,#包含 RoPE 嵌入的缩放配置的字典。目前支持两种缩放策略：线性和动态。它们的缩放因子必须是大于 1 的浮点数。预期格式为`{"type": 策略名称，"factor": 缩放因子}`。使用此标志时，不要更新`max_position_embeddings` 达到预期的新最大值。
        attention_bias=False,#在自注意力期间是否在查询、键、值和输出投影层中使用偏差，默认False
        attention_dropout=0.0,#注意力概率的丢失率。
        **kwargs,
    ):
        self.vocab_size = vocab_size
        self.max_position_embeddings = max_position_embeddings
        self.hidden_size = hidden_size
        self.intermediate_size = intermediate_size
        self.moe_intermediate_size = moe_intermediate_size
        self.num_hidden_layers = num_hidden_layers
        self.num_attention_heads = num_attention_heads
        self.n_shared_experts = n_shared_experts
        self.n_routed_experts = n_routed_experts
        self.ep_size = ep_size
        self.routed_scaling_factor = routed_scaling_factor
        self.kv_lora_rank = kv_lora_rank
        self.q_lora_rank = q_lora_rank
        self.qk_rope_head_dim = qk_rope_head_dim
        self.v_head_dim = v_head_dim
        self.qk_nope_head_dim = qk_nope_head_dim
        self.topk_method = topk_method
        self.n_group = n_group
        self.topk_group = topk_group
        self.num_experts_per_tok = num_experts_per_tok
        self.moe_layer_freq = moe_layer_freq
        self.first_k_dense_replace = first_k_dense_replace
        self.norm_topk_prob = norm_topk_prob
        self.scoring_func = scoring_func
        self.aux_loss_alpha = aux_loss_alpha
        self.seq_aux = seq_aux
        # for backward compatibility
        if num_key_value_heads is None:
            num_key_value_heads = num_attention_heads

        self.num_key_value_heads = num_key_value_heads
        self.hidden_act = hidden_act
        self.initializer_range = initializer_range
        self.rms_norm_eps = rms_norm_eps
        self.pretraining_tp = pretraining_tp
        self.use_cache = use_cache
        self.rope_theta = rope_theta
        self.rope_scaling = rope_scaling
        self.attention_bias = attention_bias
        self.attention_dropout = attention_dropout

        super().__init__(
            pad_token_id=pad_token_id,
            bos_token_id=bos_token_id,
            eos_token_id=eos_token_id,
            tie_word_embeddings=tie_word_embeddings,
            **kwargs,
        )

• vocab_size=102400,#词库大小，默认102400，作为参考qwen-72B为152064
• hidden_size=4096,#隐层的维度，默认4096
• intermediate_size=11008,#MLP的维度，默认11008
• moe_intermediate_size = 1407,#MOE的维度，默认1407
• num_hidden_layers=30,#在transformer decoder中隐层的数量，默认30
• num_attention_heads=32,#在transformer decoder中每个多头注意力层的头数，默认32，作为参考，qwen-72B为80，baichuan2-13B为40
• num_key_value_heads=32,
• #用于实现分组查询注意力的 key_value 头的数量
• #如果num_key_value_heads=num_attention_heads，模型将使用多头注意力（MHA），
• #如果`num_key_value_heads=1 时，模型将使用多查询注意 (MQA)，否则将使用 GQA。
• #当将多头检查点转换为 GQA 检查点，应构造每个组键和值头。意思是meanpooling该组内的所有original heads
• #详细说明见(https://arxiv.org/pdf/2305.13245.pdf)
• #默认num_key_value_heads=num_attention_heads
• n_shared_experts = None,#moe共享专家数，为None代表dense model稠密模型
• n_routed_experts = None,#moe路由专家数，为None代表dense model稠密模型
• ep_size = 1,
• routed_scaling_factor = 1.0,#路由专家的缩放因子，
• kv_lora_rank = 512,kv lora矩阵的秩，默认为512
• q_lora_rank = 1536,q lora矩阵的秩，默认为1536
• qk_rope_head_dim = 64,qk rope矩阵头维度，默认为64
• v_head_dim = 128,v矩阵头维度，默认为128
• qk_nope_head_dim = 128,qk nope矩阵头维度，默认为128
• topk_method = ‘gready’,#moe网络中路由门控的topk选择方法，默认为贪心算法
• n_group = None,#路由专家的组数，默认为None不分组
• topk_group = None,#每个token选中的组数（对于每个 token，确保选中的专家仅在 topk_group 组内）
• num_experts_per_tok = None,#选定专家的数量，无表示密集模型
• moe_layer_freq = 1,#MoE 层的频率：每“moe_layer_freq - 1”密集层有一个专家层
• first_k_dense_replace = 0,#浅层中的密集层数（embed->dense->dense->…->dense->moe->moe…->lm_head）。
• norm_topk_prob = False,#是否标准化已路由专家的权重。
• scoring_func = ‘softmax’,#计算专家权重的方法，默认softmax
• aux_loss_alpha = 0.001,#辅助损失系数。
• seq_aux = True,#是否计算每个单独样本的辅助损失。
• hidden_act=“silu”,#decoder中非线性激活函数，默认为silu
• max_position_embeddings=2048,#该模型可能用到的最大序列长度，默认为2048，这个参数直接影响模型上下文长度。如果太短，在应用中设置较长的system prompt会让对话被截断。
• initializer_range=0.02,#用于初始化所有权重矩阵的 truncated_normal_initializer 的标准差
• rms_norm_eps=1e-6,#均方根归一化层使用的 epsilon，用于处理浮点数比较时的误差或精度问题，通常是个很小的值。
• use_cache=True,模型是否应该返回最后的key value注意力的值（并非所有模型都使用）。仅当 config.is_decoder=True 才有意义
• pad_token_id=None,#填充的token id
• bos_token_id=100000,#token流开始的id，默认为100000
• eos_token_id=100001,#token流结束的id，默认为100001
• pretraining_tp=1,#实验性功能。预训练期间使用的张量并行度等级。此值是确保预训练结果的精确再现性是必要的。
• tie_word_embeddings=False,#是否绑定词嵌入
• rope_theta=10000.0,#ROPE旋转位置编码里theta的空间，qwen-72B为1000000。ROPE是一种位置编码算法，通过优化的矩阵乘法方式为Q/K引入位置信息，使得token能够在Attention计算中感知到相对位置信息。
• rope_scaling=None,#包含 RoPE 嵌入的缩放配置的字典。目前支持两种缩放策略：线性和动态。它们的缩放因子必须是大于 1 的浮点数。预期格式为{"type": 策略名称，"factor": 缩放因子}。使用此标志时，不要更新max_position_embeddings 达到预期的新最大值。
• attention_bias=False,#在自注意力期间是否在查询、键、值和输出投影层中使用偏差，默认False
• attention_dropout=0.0,#注意力概率的丢失率。

Tips：

之前在做深度学习推荐系统****的时候，也经常接触到attention机制和MoE专家网络这两个模型网络，采用attention机制学习item或user序列的潜在关系，采用MoE专家网络做推荐系统中多场景/多目标网络的主模型，较为知名的有MMoE网络和PLE网络，通过共享多个专家网络，提升模型的多场景/多目标的关联学习能力。

三、训练与推理

3.1 DeepSeek V2模型训练

由于机器资源限制，这里基于QLoRA指令微调（SFT）DeepSeek V2的lite版（DeepSeek-V2-Lite-Chat），使用之前文章介绍的LLaMA-Factory框架。

SFT训练启动代码：

代码语言：javascript

CUDA_VISIBLE_DEVICES=1 llamafactory-cli train \
    --stage sft \
    --do_train True \
    --model_name_or_path deepseek-ai/deepseek-moe-16b-chat \
    --finetuning_type lora \
    --quantization_bit 4 \
    --template deepseek \
    --flash_attn auto \
    --dataset_dir data \
    --dataset oaast_sft_zh \
    --cutoff_len 4096 \
    --learning_rate 5e-05 \
    --num_train_epochs 5.0 \
    --max_samples 100000 \
    --per_device_train_batch_size 2 \
    --gradient_accumulation_steps 8 \
    --lr_scheduler_type cosine \
    --max_grad_norm 1.0 \
    --logging_steps 5 \
    --save_steps 100 \
    --warmup_steps 0 \
    --optim adamw_torch \
    --packing False \
    --report_to none \
    --output_dir saves/DeepSeek-MoE-16B-Chat/lora/train_2024-05-23-deepseek-v2 \
    --fp16 True \
    --lora_rank 16 \
    --lora_alpha 16 \
    --lora_dropout 0 \
    --lora_target q_proj,v_proj \
    --plot_loss True

其中：

• quantization_bit = 4 ，int4量化，sft根据惯例fp16训练大概需要模型尺寸2的GPU，int4需要模型尺寸0.75的GPU，这里是16B，int4大概需要16*0.75=12G的GPU资源，如果fp16需要32G，对于V100显卡，单卡32G基本很难启动。
• template = deepseek，template采用deepseek的，LLaMA Factory框架针对当下国内外主流模型都进行了template适配，训练和推理记得设置。
• cutoff_len = 4096，上下文长度这里先设置4096，对于agent开发，特别是较长的system prompt，这里一定要尽量大，至少要4096。
• per_device_train_batch_size = 2，每个设备训练的batich size，这里设置为2，不要太大
• gradient_accumulation_steps = 8，

启动后，webui、docker logs或者save目录中的running_logs日志文件可以查看日志状态。

deepseek v2的SFT微调训练启动后要加载很久，需要确保服务器资源充足，并且要有足够的耐心。

对于以上参数，5轮迭代需要7小时12分钟，耐心等待叭。

训练完毕后，可以看到loss明显收敛，各位可以通过调整自己的数据样本集训练私有化模型。

3.2 DeepSeek V2模型推理

这里采用LLaMA Factory WebUI的chat部分进行模型推理测试，由于资源限制智能采用int4量化后进行推理测试，大概占用了12G显存。框架支持RoPE插值方法，可以配置线性插值和动态插值，以及支持flashattn2加速和unsloth加速。

从对话效果来看，int4的模型还是存在一定幻觉，比如问“你支持工具调用嘛”，模型回答“支持工具调用，但不具备调用工具的能力”。逻辑上产生错误。

但在个人实际工作中，官方完整版的deepseek-v2-chat（236B）还是非常好用的，对于agent的开发，回复效果上强于gpt3.5，回复速度上快于gpt4.0。接入dify平台上直接就可以使用，由于采用OpenAI兼容的API规范，配置和使用过程都很流畅。最重要的是，真便宜！测试用了6万token才花费了0.07元！

四、总结

本文首先针对deepseek-v2-chat这个大模型价格屠夫的模型特点和技术架构进行介绍，之后以LLaMA-factory为训练和推理框架，进行SFT微调训练和推理测试。

deepseek-v2-chat巧妙的将attention注意力机制和MoE网络架构与大模型相结合，通过模型算法与架构的升级，提升了推理和训练效率，最终呈现的就是成本的优化和商业市场价值的转化。是一个典型的通过技术创新直接创造商业价值的案例。

如何系统的去学习大模型LLM ？

大模型时代，火爆出圈的LLM大模型让程序员们开始重新评估自己的本领。 “AI会取代那些行业？”“谁的饭碗又将不保了？”等问题热议不断。

事实上，抢你饭碗的不是AI，而是会利用AI的人。

继科大讯飞、阿里、华为等巨头公司发布AI产品后，很多中小企业也陆续进场！超高年薪，挖掘AI大模型人才！ 如今大厂老板们，也更倾向于会AI的人，普通程序员，还有应对的机会吗？

与其焦虑……

不如成为「掌握AI工具的技术人」，毕竟AI时代，谁先尝试，谁就能占得先机！

但是LLM相关的内容很多，现在网上的老课程老教材关于LLM又太少。所以现在小白入门就只能靠自学，学习成本和门槛很高。

针对所有自学遇到困难的同学们，我帮大家系统梳理大模型学习脉络，将这份 LLM大模型资料 分享出来：包括LLM大模型书籍、640套大模型行业报告、LLM大模型学习视频、LLM大模型学习路线、开源大模型学习教程等, 😝有需要的小伙伴，可以 扫描下方二维码领取🆓↓↓↓

👉CSDN大礼包🎁：全网最全《LLM大模型入门+进阶学习资源包》免费分享（安全链接，放心点击）👈

​

一、LLM大模型经典书籍

AI大模型已经成为了当今科技领域的一大热点，那以下这些大模型书籍就是非常不错的学习资源。

二、640套LLM大模型报告合集

这套包含640份报告的合集，涵盖了大模型的理论研究、技术实现、行业应用等多个方面。无论您是科研人员、工程师，还是对AI大模型感兴趣的爱好者，这套报告合集都将为您提供宝贵的信息和启示。(几乎涵盖所有行业)

三、LLM大模型系列视频教程

四、LLM大模型开源教程（LLaLA/Meta/chatglm/chatgpt）

LLM大模型学习路线 ↓

阶段1：AI大模型时代的基础理解

• 目标：了解AI大模型的基本概念、发展历程和核心原理。

• 内容：

  • L1.1 人工智能简述与大模型起源
  • L1.2 大模型与通用人工智能
  • L1.3 GPT模型的发展历程
  • L1.4 模型工程
  • L1.4.1 知识大模型
  • L1.4.2 生产大模型
  • L1.4.3 模型工程方法论
  • L1.4.4 模型工程实践
  • L1.5 GPT应用案例

阶段2：AI大模型API应用开发工程

• 目标：掌握AI大模型API的使用和开发，以及相关的编程技能。

• 内容：

  • L2.1 API接口
  • L2.1.1 OpenAI API接口
  • L2.1.2 Python接口接入
  • L2.1.3 BOT工具类框架
  • L2.1.4 代码示例
  • L2.2 Prompt框架
  • L2.3 流水线工程
  • L2.4 总结与展望

阶段3：AI大模型应用架构实践

• 目标：深入理解AI大模型的应用架构，并能够进行私有化部署。

• 内容：

  • L3.1 Agent模型框架
  • L3.2 MetaGPT
  • L3.3 ChatGLM
  • L3.4 LLAMA
  • L3.5 其他大模型介绍

阶段4：AI大模型私有化部署

• 目标：掌握多种AI大模型的私有化部署，包括多模态和特定领域模型。

• 内容：

  • L4.1 模型私有化部署概述
  • L4.2 模型私有化部署的关键技术
  • L4.3 模型私有化部署的实施步骤
  • L4.4 模型私有化部署的应用场景

这份 LLM大模型资料 包括LLM大模型书籍、640套大模型行业报告、LLM大模型学习视频、LLM大模型学习路线、开源大模型学习教程等, 😝有需要的小伙伴，可以 扫描下方二维码领取🆓↓↓↓

👉CSDN大礼包🎁：全网最全《LLM大模型入门+进阶学习资源包》免费分享（安全链接，放心点击）👈

​