課程背景
隨著人工智能技術的快速發展，智能助手（如DeepSeek-V3）在多模態理解、個性化交互、知識推理等領域的應用日益廣泛。DeepSeek-V3作為深度求索公司推出的第三代智能助手，憑借其先進的核心技術（如大規模預訓練、多模態理解、上下文感知等），在智能客服、內容創作、教育、醫療等領域展現了強大的潛力。
然而，要將DeepSeek-V3的能力充分發揮并應用于實際業務場景，不僅需要深入理解其核心技術原理，還需要掌握本地部署和微調的方法，以滿足特定領域或企業的定制化需求。為此，本課程旨在幫助學員系統學習DeepSeek-V3的核心技術原理，并通過實操掌握本地部署和微調的技能，從而提升在實際項目中的應用能力。
課程收益
1. 深刻理解DeepSeek-V3的核心技術原理
· 掌握DeepSeek-V3的架構設計、多模態理解、上下文感知、知識圖譜等核心技術。
· 掌握大規模預訓練模型（如Transformer）的工作原理及其在DeepSeek-V3中的應用。
2. 掌握DeepSeek-V3的本地部署方法
· 學習如何搭建適合DeepSeek-V3運行的本地環境（包括硬件配置、依賴庫安裝等）。
· 掌握DeepSeek-V3的本地部署流程，包括模型加載、服務啟動和接口調用。
· 掌握如何優化部署性能，以支持高并發和低延遲的應用場景。
3. 學會DeepSeek-V3的微調與定制化
· 掌握如何利用領域數據對DeepSeek-V3進行微調，以提升其在特定任務中的表現。
· 學習微調過程中的關鍵技術，包括數據預處理、模型訓練、參數調優等。
4. 提升實際項目中的應用能力
· 通過實戰案例，學習如何將DeepSeek-V3應用于智能客服、內容生成、知識問答等場景。
課程時間 2天
課程大綱
第一天課程：DeepSeek-V3/R1核心技術架構和訓練過程
上午課程
第一部分 DeepSeek-V3的架構創新：訓練GPU和成本均低，但效果卓越
1.1 V3風靡海內外的關鍵因素：訓練成本極低、引領前沿創新
1.1.1 V3訓練成本：所用的GPU訓練資源僅為Llama 3.1 405B的差不多1/14
1.1.2 在國內也能引領世界級前沿
1.2 模型架構：MLA、負載均衡的MoE、Multi-Token預測
1.2.1 多頭潛在注意力
1.2.2. 無輔助損失的負載平衡 DeepSeekMoE
1.2.3 多token預測：Multi-Token Prediction顯著加快模型的解碼速度
第二部分 DeepSeek-V3基礎設施層面的創新：FP8 訓練等
2.1 訓練框架(含GPU的內部結構示意圖)
2.1.1 雙管道DualPipe與計算-通信重疊
2.1.2 跨節點全對全通信的高效實現：通過PXT連接CUDA和底層GPU硬件
2.1.3. 極致內存節省與最小開銷
2.2 FP8訓練：雖算的快 但精度不夠，故需提高精度
2.2.1 混合精度框架
2.2.2. 通過量化和乘法提高精度
2.2.2 低精度存儲和通信：降低內存和通信開銷
2.3 推理與部署
2.3.1 預填充
2.3.2 解碼
2.4 硬件設計建議
下午課程
第三部分 DeepSeek-V3的預訓練與后訓練
3.1 預訓練
3.1.1 數據構建：提高數學、編程、多語言樣本，最終14.8T語料
3.1.2 超參數
3.1.3 長上下文擴展
3.1.4 評估與討論
3.2 訓練后處理：透露了大半后來引爆全球的R1正式版訓練流程
3.2.1 監督微調
3.2.2 強化學習：涉及獎勵模型和GRPO
3.2.3 評估與討論：關于DeepSeek-R1提煉與多token預測
第四部分 DeepSeek R1：如何通過純RL訓練大模型的推理能力
4.1 提出背景與相關工作
4.1.1 R1-Zero的提出背景：無需人類數據，從零實現自我迭代
4.1.2 R1的提出背景：解決Zero可讀性差等問題
4.2 DeepSeek-R1-Zero：規則驅動的大規模RL訓練，無冷啟動、無SFT
4.2.1 RL算法GRPO：不需要critic
4.2.2 規則獎勵建模(準確率獎勵 + 格式獎勵)：不用訓練專門的獎勵模型RM
4.2.3 訓練模板：通過prompt讓Zero啟動深度思考的推理模式
4.2.4 Zero的性能、自我進化過程和頓悟時刻
4.3 DeepSeek-R1：先冷啟動數據SFT 再RL，之后再SFT 再RL
4.3.1 階段一 冷啟動(主要關注推理)：通過R1-Zero生成數千條長CoT數據
4.3.2 階段二 面向推理的GRPO RL：類似Zero的規則獎勵，但增加語言一致性獎勵
4.3.3 階段三 V3上的的兩輪SFT(結合rejection sampling)：涉及80w通用層面的推理和非推理數據
4.3.4 階段四 所有場景的RL：提高有用性和無害性，且混合規則獎勵和偏好獎勵
4.4 蒸餾：賦予小模型推理能力
4.5 一些經驗總結：成功和失敗的經驗分析總結
第二天課程：DeepSeek本地部署和微調案例實操
上午課程
第五部分 本地部署準備工作：各個版本、推理框架、硬件資源
5.1 DeepSeek-R1的多個版本：加上2個原裝671B的，總計8個參數版本
5.2 主流的大模型推理框架：分為PC端和Android端
5.3 不同參數的模型所要求的硬件
5.4 蒸餾版和滿血版的兩類部署
第六部分 通過Ollama、vLLM本地部署DeepSeek-R1蒸餾版：支持聯網搜索及知識庫問答
6.1 基于Ollama和各類插件構建智能對話：終端、open-webui(支持聯網)、Chatbox
6.1.1 Ollama下的終端命令行交互
6.1.2 Ollama下的open-webui交互：基于docker安裝，且支持聯網搜索
6.1.3 基于Ollama + ChatBox部署deepseek-r1:7b
6.2 基于Ollama和Page Assist/AnythingLLM構建本地知識庫問答系統
6.2.1 基于Ollama + Page Assist搭建本地知識庫問答系統：且支持聯網搜索
6.2.2 基于Ollama + AnythingLLM搭建本地知識庫問答
6.3 通過vLLM推理deepseek-r1
6.3.1 基于vLLM的命令行交互——R1-Distill-Llama-8B
6.3.2 基于vllm + open WebUi 部署r1 7b
6.4 本地手機端部署DeepSeek-R1蒸餾Llama/Qwen后的版本
下午課程
第七部分 無蒸餾前提下本地部署R1 or R1-Zero 671B滿血版
7.1 折中路徑：無蒸餾但量化部署Deepseek-R1 671B滿血版
7.1.1 本地CPU上運行 Deepseek-R1 的完整的硬件 + 軟件設置
7.1.2 GPU上跑無蒸餾但量化的Deepseek-R1 671B滿血版
7.2 企業級部署：無蒸餾不量化部署Deepseek-R1 671B滿血版
專利和文獻：
深度學習國際發明專利
1) 基于深度學習的圖像檢索方法及裝置，專利公開公告號：CN107368614A。專利類型：發明公布。發明人：周紅偉;李凱;任偉;李慶;郭奇杰;周楊;劉川郁
2) Simulation model and droplet ejection performance of a thermal-bubble microejector，Hongwei Zhou，A.M.Gué，Sensors and Actuators B: Chemical Volume 145，Issue 1，4 March 2010，Pages 311-319
3)Simulation Bubble Nucleation and Bubble Growth of a Thermal Bubble Microejector,Hongwei Zhou，A.M.Gué，Excerpt from the Proceedings of the COMSOL Conference 2009 Mila
