07 - DeepSeek R1 架构详解¶
⚠️ 时效性说明：本章涉及前沿模型/价格/榜单等信息，可能随版本快速变化；请以论文原文、官方发布页和 API 文档为准。
内容说明：本文档基于 DeepSeek-R1 论文（ arXiv:2501.12948 ， 2025 年 1 月发布）和相关公开技术资料编写，介绍 DeepSeek R1 的架构要点、训练流程和推理特性。代码示例仅用于说明相关技术原理，不代表官方实现，也不应视为逐行复现。
📖 章节概述¶
本章介绍 DeepSeek R1 的模型架构、训练流程和推理特性。 DeepSeek R1 基于 DeepSeek-V3 基座模型，通过强化学习训练获得强大的推理能力。
🎯 学习目标¶
完成本章后，你将能够：
- 理解 DeepSeek R1 的公开架构要点（ MoE + MLA ）
- 掌握 GRPO 强化学习训练流程
- 了解论文报告的推理行为如何在 RL 训练中出现
- 理解蒸馏技术在小模型推理中的应用
1. DeepSeek R1 概述¶
1.1 什么是 DeepSeek R1¶
DeepSeek R1 （ 2025 年 1 月发布）是一个通过强化学习获得推理能力的开源大语言模型：
核心事实： - 架构：基于 DeepSeek-V3 ，采用 MoE （混合专家）+ MLA （多头潜在注意力） - 参数量： 671B 总参数，每 token 激活 37B - 上下文： 128K tokens - 开源协议：官方仓库公开为 MIT License - 注意： R1 是纯文本模型，不是多模态模型
训练流程（教学化概括）： 1. DeepSeek-V3-Base 基座模型 2. 冷启动数据 SFT （少量高质量 CoT 数据） 3. GRPO 强化学习训练（论文报告该阶段出现更长推理、自检等行为） 4. 拒绝采样 + SFT （改善输出格式与可读性） 5. 二次 RL 训练（对齐人类偏好）
1.2 模型架构（基于 DeepSeek-V3 ）¶
Text Only
DeepSeek R1 的公开架构要点（基于 DeepSeek-V3 基座）
├── Multi-Head Latent Attention (MLA)
│ ├── 低秩键值压缩（减少 KV Cache）
│ ├── 解耦旋转位置编码 (RoPE)
│ └── 推理时显著节省显存
├── DeepSeekMoE
│ ├── 细粒度专家划分（每层 256 个路由专家 + 1 个共享专家）
│ ├── Top-8 路由策略
│ └── Auxiliary-loss-free 负载均衡与路由约束
└── 训练创新
├── GRPO（Group Relative Policy Optimization）
├── 去掉单独的 Critic / Value 模型
├── 奖励通常来自规则或可验证信号
└── 论文报告 RL 后出现更强的推理行为（非硬编码推理模块）
2. 模型架构¶
2.1 混合专家（ MoE ）架构¶
DeepSeek-V3 采用细粒度的混合专家架构，每层包含 256 个路由专家和 1 个共享专家，使用 Top-8 路由策略。
Python
import torch
import torch.nn as nn
import torch.nn.functional as F
class MoEExpert(nn.Module): # 继承nn.Module定义网络层
"""
混合专家网络中的单个专家
"""
def __init__(self, input_dim, hidden_dim, output_dim):
super().__init__() # super()调用父类方法
self.fc1 = nn.Linear(input_dim, hidden_dim)
self.fc2 = nn.Linear(hidden_dim, output_dim)
self.activation = nn.GELU()
def forward(self, x):
x = self.fc1(x)
x = self.activation(x)
x = self.fc2(x)
return x
class MoELayer(nn.Module):
"""
混合专家层
"""
def __init__(self, input_dim, hidden_dim, output_dim, num_experts=8, top_k=2):
super().__init__()
self.num_experts = num_experts
self.top_k = top_k
# 门控网络
self.gate = nn.Linear(input_dim, num_experts)
# 专家网络
self.experts = nn.ModuleList([
MoEExpert(input_dim, hidden_dim, output_dim)
for _ in range(num_experts)
])
def forward(self, x):
"""
前向传播
Args:
x: 输入张量 [batch_size, seq_len, input_dim]
"""
batch_size, seq_len, input_dim = x.shape
# 门控选择
gate_logits = self.gate(x) # [batch_size, seq_len, num_experts]
gate_probs = F.softmax(gate_logits, dim=-1) # F.xxx PyTorch函数式API
# 选择top-k专家
top_k_probs, top_k_indices = torch.topk(gate_probs, self.top_k, dim=-1)
# 归一化top-k概率
top_k_probs = top_k_probs / top_k_probs.sum(dim=-1, keepdim=True)
# 初始化输出（注意使用output_dim，即专家输出维度）
output_dim = self.experts[0].fc2.out_features
output = torch.zeros(batch_size, seq_len, output_dim, device=x.device)
# 应用选定的专家
for k in range(self.top_k):
# 获取当前k的专家索引和概率
expert_idx = top_k_indices[:, :, k] # [batch_size, seq_len]
expert_prob = top_k_probs[:, :, k:k+1] # [batch_size, seq_len, 1]
# 对每个专家计算
for expert_id in range(self.num_experts):
# 找到使用该expert_id的样本
mask = (expert_idx == expert_id)
if mask.any(): # any()任一为True则返回True
# 获取使用该专家的输入
expert_input = x[mask]
# 通过专家网络
expert_output = self.experts[expert_id](expert_input)
# 加权累加到输出
output[mask] += expert_output * expert_prob[mask]
return output
# 使用示例
# moe_layer = MoELayer(input_dim=768, hidden_dim=2048, output_dim=768, num_experts=8, top_k=2)
# x = torch.randn(32, 128, 768)
# output = moe_layer(x)
2.2 多头潜在注意力（ MLA ）¶
MLA （ Multi-Head Latent Attention ）是 DeepSeek-V3 的核心创新之一，通过低秩键值压缩显著减少 KV Cache 的显存占用。
Python
import torch
import torch.nn as nn
import torch.nn.functional as F
import math
class MultiHeadLatentAttention(nn.Module):
"""
多头潜在注意力（MLA）
MLA 通过低秩键值压缩减少 KV Cache 的显存占用
"""
def __init__(self, embed_dim, num_heads, latent_dim=64):
super().__init__()
self.embed_dim = embed_dim
self.num_heads = num_heads
self.head_dim = embed_dim // num_heads
self.latent_dim = latent_dim
# Q 的投影
self.q_proj = nn.Linear(embed_dim, embed_dim)
# KV 的低秩压缩（下投影共享，上投影分开）
self.kv_down_proj = nn.Linear(embed_dim, latent_dim)
self.k_up_proj = nn.Linear(latent_dim, embed_dim) # K 的上投影
self.v_up_proj = nn.Linear(latent_dim, embed_dim) # V 的上投影
# 输出投影
self.out_proj = nn.Linear(embed_dim, embed_dim)
def forward(self, x, mask=None):
"""
前向传播
Args:
x: 输入张量 [batch_size, seq_len, embed_dim]
mask: 注意力掩码 [batch_size, seq_len]
"""
batch_size, seq_len, _ = x.shape
# 计算 Q
Q = self.q_proj(x).view(batch_size, seq_len, self.num_heads, self.head_dim).transpose(1, 2) # 重塑张量形状
# 计算 KV 的低秩表示（共享下投影，分开上投影）
# MLA低秩压缩：先下投影到latent_dim节省KV Cache，再上投影恢复原始维度
kv_compressed = self.kv_down_proj(x) # [batch_size, seq_len, latent_dim]
k = self.k_up_proj(kv_compressed) # [batch_size, seq_len, embed_dim]
v = self.v_up_proj(kv_compressed) # [batch_size, seq_len, embed_dim]
# view将(B,S,d_model)拆为(B,S,heads,d_k)，transpose(1,2)得(B,heads,S,d_k)多头并行格式
K = k.view(batch_size, seq_len, self.num_heads, self.head_dim).transpose(1, 2)
V = v.view(batch_size, seq_len, self.num_heads, self.head_dim).transpose(1, 2)
# 计算注意力分数
scores = torch.matmul(Q, K.transpose(-2, -1)) / math.sqrt(self.head_dim)
# 应用掩码
if mask is not None:
scores = scores.masked_fill(mask.unsqueeze(1).unsqueeze(1) == 0, float('-inf')) # unsqueeze增加一个维度
# 计算注意力权重
attn_weights = F.softmax(scores, dim=-1)
# 计算输出
output = torch.matmul(attn_weights, V)
output = output.transpose(1, 2).contiguous().view(batch_size, seq_len, self.embed_dim)
# 输出投影
output = self.out_proj(output)
return output
# 使用示例
# mla = MultiHeadLatentAttention(embed_dim=768, num_heads=12, latent_dim=64)
# x = torch.randn(32, 128, 768)
# output = mla(x)
2.3 旋转位置编码（ RoPE ）¶
Python
import torch
import torch.nn as nn
import math
class RotaryPositionalEmbedding(nn.Module):
"""
旋转位置编码（RoPE）
"""
def __init__(self, embed_dim, max_seq_len=8192):
super().__init__()
self.embed_dim = embed_dim
self.max_seq_len = max_seq_len
# 计算频率
inv_freq = 1.0 / (10000 ** (torch.arange(0, embed_dim, 2).float() / embed_dim))
self.register_buffer('inv_freq', inv_freq)
def forward(self, x, seq_len=None):
"""
计算旋转位置编码
Args:
x: 输入张量 [batch_size, seq_len, embed_dim]
seq_len: 序列长度
"""
if seq_len is None:
seq_len = x.size(1)
# 生成位置索引
positions = torch.arange(seq_len, device=x.device).float()
# 计算角度
# RoPE角度计算：unsqueeze(-1)和unsqueeze(0)将1D向量广播相乘得(S,d/2)矩阵
angles = positions.unsqueeze(-1) * self.inv_freq.unsqueeze(0) # [seq_len, embed_dim/2]
# 创建旋转矩阵
# 两次unsqueeze(0)扩展为(1,1,S,d/2)以广播匹配(B,heads,S,d_k)的Q/K张量
angles = angles.unsqueeze(0).unsqueeze(0) # [1, 1, seq_len, embed_dim/2]
cos_angles = torch.cos(angles)
sin_angles = torch.sin(angles)
return cos_angles, sin_angles
def apply_rotary_pos_emb(q, k, cos_angles, sin_angles):
"""
应用旋转位置编码到Q和K
Args:
q: 查询张量 [batch_size, num_heads, seq_len, head_dim]
k: 键张量 [batch_size, num_heads, seq_len, head_dim]
cos_angles: 余弦角度 [1, 1, seq_len, head_dim/2]
sin_angles: 正弦角度 [1, 1, seq_len, head_dim/2]
"""
# 分离实部和虚部
q_real, q_imag = q[..., ::2], q[..., 1::2]
k_real, k_imag = k[..., ::2], k[..., 1::2]
# 应用旋转
q_rot_real = q_real * cos_angles - q_imag * sin_angles
q_rot_imag = q_real * sin_angles + q_imag * cos_angles
k_rot_real = k_real * cos_angles - k_imag * sin_angles
k_rot_imag = k_real * sin_angles + k_imag * cos_angles
# 合并
q_rot = torch.stack([q_rot_real, q_rot_imag], dim=-1).flatten(-2) # torch.stack沿新维度拼接张量
k_rot = torch.stack([k_rot_real, k_rot_imag], dim=-1).flatten(-2)
return q_rot, k_rot
# 使用示例
# rope = RotaryPositionalEmbedding(embed_dim=768)
# x = torch.randn(32, 128, 768)
# cos_angles, sin_angles = rope(x)
3. GRPO 强化学习训练¶
3.1 GRPO 算法原理¶
GRPO （ Group Relative Policy Optimization ）是 DeepSeek R1 使用的强化学习算法，它是对传统 PPO （ Proximal Policy Optimization ）的改进。
核心特点： - 无需 Value Model： GRPO 去掉了 PPO 中的价值模型，减少了计算开销 - Group Sampling：对每个问题采样多个输出，计算平均奖励作为基线 - 相对优势：使用相对于组内平均奖励的优势，而不是绝对优势 - 奖励信号仍然存在：只是不再额外训练 Critic / Value 模型；奖励可以来自规则、校验器或其他可验证信号
说明：下面的代码只演示 GRPO 的核心思路，便于理解组内采样、相对优势和策略更新；它不是 DeepSeek R1 官方训练代码，也没有覆盖分布式训练、真实 log-prob 计算和工程优化细节。
Python
import torch
import torch.nn as nn
import torch.nn.functional as F
class GRPOPolicy(nn.Module):
"""
GRPO 策略网络
"""
def __init__(self, config):
super().__init__()
self.config = config
# 词嵌入
self.embeddings = nn.Embedding(config.vocab_size, config.hidden_size)
# Transformer层
# 注意：PyTorch 2.1+ 中 TransformerEncoderLayer 的 dropout 和 activation 参数
# 推荐通过 activation 参数传入 'gelu' 或使用自定义激活函数
# 如需更灵活的配置，建议使用 nn.TransformerEncoderLayer.from_config() 方法
self.layers = nn.ModuleList([
nn.TransformerEncoderLayer(
d_model=config.hidden_size,
nhead=config.num_attention_heads,
dim_feedforward=config.intermediate_size,
dropout=0.1, # PyTorch 2.0+ 仍支持此参数
activation='gelu',
batch_first=True # PyTorch 1.12+ 推荐使用 batch_first=True
)
for _ in range(config.num_hidden_layers)
])
# 最终层归一化
self.ln_f = nn.LayerNorm(config.hidden_size)
# 语言模型头
self.lm_head = nn.Linear(config.hidden_size, config.vocab_size, bias=False)
def forward(self, input_ids, attention_mask=None):
"""
前向传播
"""
batch_size, seq_len = input_ids.shape
# 词嵌入
hidden_states = self.embeddings(input_ids)
# 通过Transformer层
for layer in self.layers:
hidden_states = layer(
hidden_states.transpose(0, 1),
src_key_padding_mask=~attention_mask.bool() if attention_mask is not None else None
).transpose(0, 1)
# 最终层归一化
hidden_states = self.ln_f(hidden_states)
# 语言模型头
logits = self.lm_head(hidden_states)
return logits
class GRPOTrainer:
"""
GRPO 训练器
"""
def __init__(self, policy_model, reference_model, reward_model, config):
self.policy_model = policy_model
self.reference_model = reference_model
self.reward_model = reward_model
self.config = config
self.optimizer = torch.optim.AdamW(
policy_model.parameters(),
lr=config.learning_rate,
betas=(0.9, 0.999)
)
def compute_advantages(self, rewards):
"""
计算优势（相对于组内平均奖励）
Args:
rewards: 奖励张量 [batch_size, group_size]
"""
# 计算组内平均奖励
mean_rewards = rewards.mean(dim=-1, keepdim=True) # [batch_size, 1]
# 计算优势（相对于平均）
advantages = rewards - mean_rewards # [batch_size, group_size]
# 归一化优势
advantages = (advantages - advantages.mean()) / (advantages.std() + 1e-8)
return advantages
def compute_policy_loss(self, policy_logits, ref_logits, advantages, attention_mask):
"""
计算策略损失
Args:
policy_logits: 策略模型的输出 [batch_size, seq_len, vocab_size]
ref_logits: 参考模型的输出 [batch_size, seq_len, vocab_size]
advantages: 优势 [batch_size, group_size]
attention_mask: 注意力掩码 [batch_size, seq_len]
"""
# 计算策略概率
policy_log_probs = F.log_softmax(policy_logits, dim=-1)
ref_log_probs = F.log_softmax(ref_logits, dim=-1)
# 计算重要性比率
ratio = torch.exp(policy_log_probs - ref_log_probs)
# 应用 GRPO 裁剪
clipped_ratio = torch.clamp(ratio, 1 - self.config.clip_ratio, 1 + self.config.clip_ratio)
# 计算损失
policy_loss = -torch.min(
ratio * advantages.unsqueeze(-1).unsqueeze(-1),
clipped_ratio * advantages.unsqueeze(-1).unsqueeze(-1)
)
# 应用掩码
if attention_mask is not None:
policy_loss = policy_loss * attention_mask.unsqueeze(-1)
policy_loss = policy_loss.sum() / attention_mask.sum()
return policy_loss
def train_step(self, questions, group_size=16):
"""
训练步骤
Args:
questions: 问题列表
group_size: 每个问题的采样组大小
"""
total_loss = 0
num_batches = 0
for question in questions:
# 对每个问题采样多个输出
outputs = []
rewards = []
for _ in range(group_size):
# 从策略模型采样输出
output = self.sample_output(question)
outputs.append(output)
# 计算奖励
reward = self.reward_model(question, output)
rewards.append(reward)
# 转换为张量
rewards = torch.tensor(rewards)
# 计算优势
advantages = self.compute_advantages(rewards)
# 计算策略损失（简化：使用平均优势加权的负对数概率）
# 实际 GRPO 会对每个 sample 计算 policy/ref log-prob 并裁剪
avg_advantage = advantages.mean()
policy_loss = -avg_advantage # 简化的策略梯度
# 反向传播
self.optimizer.zero_grad() # 清零梯度
policy_loss.backward() # 反向传播计算梯度
self.optimizer.step() # 更新参数
total_loss += policy_loss.item() # 将单元素张量转为Python数值
num_batches += 1
return total_loss / num_batches
def sample_output(self, question):
"""
从策略模型采样输出
Args:
question: 输入问题
"""
# 这里简化实现，实际需要更复杂的采样逻辑
input_ids = self.tokenize(question)
attention_mask = torch.ones_like(input_ids)
with torch.no_grad(): # 禁用梯度计算，节省内存
logits = self.policy_model(input_ids, attention_mask)
# 采样输出
output_ids = torch.multinomial(F.softmax(logits[:, -1, :], dim=-1), num_samples=1)
return output_ids
def tokenize(self, text):
"""
简化的分词函数
"""
# 这里简化实现，实际需要使用真实的 tokenizer
return torch.randint(0, 100000, (1, 128))
# 使用示例
# config = type('Config', (), {
# 'vocab_size': 100000,
# 'hidden_size': 768,
# 'num_hidden_layers': 12,
# 'num_attention_heads': 12,
# 'intermediate_size': 2048,
# 'learning_rate': 3e-6,
# 'clip_ratio': 10.0
# })()
#
# policy_model = GRPOPolicy(config)
# reference_model = GRPOPolicy(config)
# reward_model = lambda q, o: torch.randn(1) # 简化的奖励函数
#
# trainer = GRPOTrainer(policy_model, reference_model, reward_model, config)
# loss = trainer.train_step(["What is 2+2?"], group_size=16)
3.2 推理能力的涌现¶
论文报告显示，在基于可验证奖励的 RL 训练过程中，模型逐步出现了更长的推理链、自检和回溯修正等行为。更稳妥的表述是：这些推理行为是在训练中被观察到的现象，而不是额外硬编码的显式推理模块。
论文中报告到的现象： 1. 初始阶段：模型开始生成较短的推理步骤 2. 中间阶段：推理链逐渐变长，出现更多自检式文本 3. 后期阶段：在数学、代码等可验证任务上表现进一步提升
学习时应注意： - 这里的“涌现”是对训练现象的概括，不宜理解为一个精确、可保证复现的阈值事件 - 推理行为是否出现、出现得多强，与数据、奖励设计、采样策略和训练稳定性都有关 - 教学上可以把它理解为：RL 训练并没有显式加一个“推理模块”，而是在原有语言模型上强化了某类行为模式
Python
class RewardModel:
"""
示意性的奖励函数（基于规则/可验证信号）
"""
def __init__(self):
self.rules = {
'format': self.check_format,
'correctness': self.check_correctness,
'consistency': self.check_consistency
}
def __call__(self, question, output): # __call__使实例可像函数一样调用
"""
计算总奖励
"""
total_reward = 0
for rule_name, rule_func in self.rules.items():
reward = rule_func(question, output)
total_reward += reward
return total_reward
def check_format(self, question, output):
"""
检查输出格式
"""
# 这里只是示例：检查是否有特定格式标记
if '<think>' in output and '</think>' in output:
return 1.0
return 0.0
def check_correctness(self, question, output):
"""
检查答案正确性
"""
# 这里简化实现，实际任务中通常应由可验证答案或外部校验器提供信号
return torch.randn(1).item()
def check_consistency(self, question, output):
"""
检查推理一致性
"""
# 检查推理步骤是否合理
# 这里简化实现
return torch.randn(1).item()
# 使用示例
# reward_model = RewardModel()
# question = "What is 2+2?"
# output = "<think>Let me think about this...\n2+2=4</think>\nThe answer is 4."
# reward = reward_model(question, output)
4. 完整的 DeepSeek R1 模型¶
Python
import torch
import torch.nn as nn
from transformers import PreTrainedModel, PretrainedConfig
class DeepSeekR1Config(PretrainedConfig):
"""
DeepSeek R1配置
"""
def __init__(
self,
vocab_size=100000,
max_position_embeddings=128000,
hidden_size=768,
num_hidden_layers=32,
num_attention_heads=12,
intermediate_size=2048,
num_experts=256,
top_k_experts=8,
latent_dim=64,
**kwargs # *args接收任意位置参数，**kwargs接收任意关键字参数
):
super().__init__(**kwargs)
self.vocab_size = vocab_size
self.max_position_embeddings = max_position_embeddings
self.hidden_size = hidden_size
self.num_hidden_layers = num_hidden_layers
self.num_attention_heads = num_attention_heads
self.intermediate_size = intermediate_size
self.num_experts = num_experts
self.top_k_experts = top_k_experts
self.latent_dim = latent_dim
class DeepSeekR1Model(PreTrainedModel):
"""
DeepSeek R1模型（基于DeepSeek-V3架构）
注意：这是一个简化的实现，用于说明架构原理。
实际的 DeepSeek R1 使用更复杂的实现和优化。
"""
config_class = DeepSeekR1Config
def __init__(self, config):
super().__init__(config)
self.config = config
# 词嵌入
self.embeddings = nn.Embedding(config.vocab_size, config.hidden_size)
# 旋转位置编码
self.rope = RotaryPositionalEmbedding(config.hidden_size, config.max_position_embeddings)
# Transformer层
self.layers = nn.ModuleList([
DeepSeekR1Layer(config)
for _ in range(config.num_hidden_layers)
])
# 最终层归一化
self.ln_f = nn.LayerNorm(config.hidden_size)
# 语言模型头
self.lm_head = nn.Linear(config.hidden_size, config.vocab_size, bias=False)
# 初始化权重
self.apply(self._init_weights)
def _init_weights(self, module):
"""
初始化权重
"""
if isinstance(module, nn.Linear): # isinstance检查类型
nn.init.normal_(module.weight, mean=0.0, std=0.02)
if module.bias is not None:
nn.init.zeros_(module.bias)
elif isinstance(module, nn.Embedding):
nn.init.normal_(module.weight, mean=0.0, std=0.02)
elif isinstance(module, nn.LayerNorm):
nn.init.ones_(module.weight)
nn.init.zeros_(module.bias)
def forward(self, input_ids, attention_mask=None):
"""
前向传播
"""
batch_size, seq_len = input_ids.shape
# 词嵌入
hidden_states = self.embeddings(input_ids)
# 位置编码
cos_angles, sin_angles = self.rope(hidden_states, seq_len)
# 通过Transformer层
all_hidden_states = []
for layer in self.layers:
hidden_states = layer(hidden_states, cos_angles, sin_angles, attention_mask)
all_hidden_states.append(hidden_states)
# 最终层归一化
hidden_states = self.ln_f(hidden_states)
# 语言模型头
logits = self.lm_head(hidden_states)
return {
"logits": logits,
"hidden_states": all_hidden_states
}
class DeepSeekR1Layer(nn.Module):
"""
DeepSeek R1层
"""
def __init__(self, config):
super().__init__()
self.config = config
# 多头潜在注意力（MLA）
self.attention = MultiHeadLatentAttention(
config.hidden_size,
config.num_attention_heads,
config.latent_dim
)
# 前馈网络（MoE）
self.moe = MoELayer(
config.hidden_size,
config.intermediate_size,
config.hidden_size,
config.num_experts,
config.top_k_experts
)
# 层归一化
self.norm1 = nn.LayerNorm(config.hidden_size)
self.norm2 = nn.LayerNorm(config.hidden_size)
def forward(self, x, cos_angles, sin_angles, attention_mask=None):
"""
前向传播
"""
# 注意力
residual = x
x = self.norm1(x)
attn_output = self.attention(x, attention_mask)
x = residual + attn_output
# 前馈网络（MoE）
residual = x
x = self.norm2(x)
moe_output = self.moe(x)
x = residual + moe_output
return x
# 使用示例
# config = DeepSeekR1Config(
# vocab_size=100000,
# hidden_size=768,
# num_hidden_layers=12,
# num_attention_heads=12
# )
# model = DeepSeekR1Model(config)
# input_ids = torch.randint(0, 100000, (32, 128))
# outputs = model(input_ids)
5. 练习题¶
基础练习¶
- 实现简单的 MoE 层
Python
# 练习: 实现一个简单的MoE层
class SimpleMoE(nn.Module):
def __init__(self, input_dim, hidden_dim, num_experts):
# 你的代码
pass
def forward(self, x):
# 你的代码
pass
- 实现多头潜在注意力
Python
# 练习: 实现一个简单的MLA
class SimpleMLA(nn.Module):
def __init__(self, embed_dim, num_heads, latent_dim):
# 你的代码
pass
def forward(self, x):
# 你的代码
pass
进阶练习¶
- 实现 GRPO 训练器
Python
# 练习: 实现一个GRPO训练器
class GRPOTrainer:
def __init__(self, policy_model, reference_model, reward_model):
# 你的代码
pass
def compute_advantages(self, rewards):
# 你的代码
pass
def train_step(self, questions, group_size):
# 你的代码
pass
- 实现奖励模型
Python
# 练习: 实现一个奖励模型
class RewardModel:
def __init__(self):
# 你的代码
pass
def __call__(self, question, output):
# 你的代码
pass
项目练习¶
- 创建完整的推理优化模型
- 实现 MoE 架构
- 添加 MLA 注意力
- 实现 GRPO 训练
6. 最佳实践¶
✅ 推荐做法¶
- 理解架构原理
- 深入理解 MoE 机制
- 掌握 MLA 注意力
-
理解 GRPO 算法
-
优化推理性能
- 使用批处理
- 优化注意力计算
-
减少内存访问
-
监控训练过程
- 追踪奖励变化
- 监控推理质量
- 评估模型性能
❌ 避免做法¶
- 盲目使用复杂架构
- 根据任务选择架构
- 考虑计算资源
-
评估实际收益
-
忽略训练稳定性
- 监控梯度
- 调整学习率
-
使用合适的裁剪
-
缺乏实验验证
- 在多个任务上测试
- 对比不同算法
- 记录实验结果
7. 总结¶
本章介绍了 DeepSeek R1 的核心技术与学习框架：
- 混合专家（ MoE ）: 高效的专家网络
- 多头潜在注意力（ MLA ）: 低秩键值压缩
- 旋转位置编码: RoPE 位置编码
- GRPO 强化学习: 去掉单独的 Critic / Value 模型，用组内相对奖励更新策略
- 奖励信号: 在推理任务中更常见的是规则或可验证反馈
这些技术共同构成了公开资料中描述的 DeepSeek R1 推理能力来源。若需要论文级细节，应继续对照官方论文和仓库说明阅读。
8. 下一步¶
继续学习08-推理优化技术，深入了解推理优化的具体技术。
最后更新日期： 2026-03-26