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

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。

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。

国内网络环境下LLaMA-Factory部署：AI智能体研发之路-模型训练篇（一）：大模型训练框架LLaMA-Factory在国内网络环境下的安装、部署及使用_llama训练框架-CSDN博客

SFT训练启动代码：

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！