科技 类型
可以朗读 语音朗读
93千字 字数
2025-05-01 发行日期
展开全部

主编推荐语

本书深入剖析DeepSeek的核心技术，介绍了提示词的原理与高级应用。

内容简介

本书对DeepSeek的模型架构、训练框架，以及MoE优化、MLA、思维链、GRPO算法、奖励模型等技术细节进行了探讨。此外，本书对DeepSeek给人工智能行业格局带来的影响及DeepSeek的开源贡献进行了分析，对大模型的发展趋势进行了展望。

目录

  • 版权信息
  • 内容简介
  • 前言
  • 第1章　技惊四座的DeepSeek
  • 1.1　石破天惊的产品发布
  • 1.2　DeepSeek-V3和DeepSeek-R1可以做什么
  • 1.3　DeepSeek-V3的技术突破与创新
  • 1.3.1　架构创新
  • 1.3.2　训练优化
  • 1.3.3　推理与部署优化
  • 1.3.4　效果的全面提升
  • 1.4　DeepSeek-R系列的技术突破与创新
  • 1.4.1　DeepSeek-R1-Zero的技术突破与创新
  • 1.4.2　DeepSeek-R1的技术突破与创新
  • 1.4.3　推理能力的提升
  • 1.5　DeepSeek发布的模型家族
  • 1.5.1　通用语言大模型
  • 1.5.2　多模态大模型
  • 1.5.3　代码大模型
  • 1.5.4　数学推理大模型
  • 1.5.5　混合专家模型
  • 1.5.6　MoE专用微调模型
  • 1.5.7　基于LLaMA架构的模型
  • 第2章　提示词的原理与应用
  • 2.1　推理模型与通用模型
  • 2.2　提示工程
  • 2.2.1　提示词的类型
  • 2.2.2　提示词的基本元素
  • 2.2.3　有效的提示词
  • 2.2.4　正确地表达需求
  • 2.3　提示词高级技巧：提示词链
  • 2.3.1　提示词链的设计过程
  • 2.3.2　提示词链的应用案例
  • 第3章　DeepSeek-V3技术剖析
  • 3.1　DeepSeek的模型架构
  • 3.1.1　MoE的起源与发展
  • 3.1.2　DeepSeek-V3的MoE优化
  • 3.1.3　DeepSeek-V3的MoE架构的优势
  • 3.1.4　DeepSeek-V3的MLA
  • 3.1.5　DeepSeek-V3的MTP
  • 3.2　DeepSeek的训练框架
  • 3.2.1　常见的并行策略
  • 3.2.2　DeepSeek的并行策略
  • 3.2.3　DeepSeek的FP8混合精度训练
  • 3.3　DeepSeek的推理阶段优化
  • 3.3.1　PD分离架构
  • 3.3.2　DeepSeek的预填充阶段优化
  • 3.3.3　DeepSeek的解码阶段优化
  • 3.4　DeepSeek的后训练优化
  • 3.5　小结
  • 第4章　DeepSeek-R1技术剖析
  • 4.1　预备知识
  • 4.1.1　思维链
  • 4.1.2　有监督微调
  • 4.1.3　强化学习
  • 4.2　DeepSeek对训练推理模型的探索
  • 4.3　DeepSeek-R1-Zero的训练
  • 4.3.1　GRPO算法
  • 4.3.2　奖励模型
  • 4.4　DeepSeek-R1的训练
  • 4.4.1　阶段一训练
  • 4.4.2　阶段二训练
  • 4.4.3　推理能力的蒸馏
  • 4.5　小结
  • 第5章　DeepSeek的影响与成功启示
  • 5.1　DeepSeek对AI格局的影响
  • 5.1.1　打破硬件依赖的迷思
  • 5.1.2　对英伟达CUDA护城河的冲击
  • 5.1.3　对大模型技术路线的重新思考
  • 5.1.4　投资风向的改变
  • 5.1.5　对商业模式的冲击
  • 5.1.6　对创新文化的冲击
  • 5.1.7　对地缘政治的冲击
  • 5.2　DeepSeek的成功启示
  • 5.2.1　领导者的技术直觉
  • 5.2.2　长期主义
  • 5.2.3　极致的工程优化
  • 5.2.4　对资源的高效利用
  • 5.2.5　团队的创新文化
  • 第6章　DeepSeek开源技术剖析
  • 6.1　DeepSeek的“开源周”
  • 6.2　FlashMLA：减少显存消耗
  • 6.2.1　项目特点
  • 6.2.2　应用场景
  • 6.2.3　技术剖析
  • 6.2.4　影响与展望
  • 6.3　DeepEP：通信系统的优化
  • 6.3.1　项目特点
  • 6.3.2　应用场景
  • 6.3.3　技术剖析
  • 6.3.4　影响与展望
  • 6.4　DeepGEMM：让矩阵乘法起飞
  • 6.4.1　项目特点
  • 6.4.2　应用场景
  • 6.4.3　技术剖析
  • 6.4.4　影响与展望
  • 6.5　DualPipe与EPLB：集群并行计算优化
  • 6.5.1　项目特点
  • 6.5.2　技术剖析
  • 6.5.3　影响与展望
  • 6.6　3FS：为AI加速
  • 6.6.1　项目特点
  • 6.6.2　应用场景
  • 6.6.3　技术剖析
  • 6.6.4　影响与展望
  • 第7章　大模型未来发展展望
  • 7.1　MoE的未来
  • 7.1.1　专家数量与规模的优化
  • 7.1.2　MoE分布式训练工具进一步完善
  • 7.1.3　门控算法的改进
  • 7.1.4　跨领域应用与融合
  • 7.2　MLA的未来
  • 7.3　大模型训练方法的发展趋势
  • 7.3.1　三阶段训练法的普及
  • 7.3.2　混合精度训练的推广
  • 7.3.3　并行策略的优化
  • 7.4　推理部署的发展趋势
  • 7.4.1　PD分离模式的普及
  • 7.4.2　集群化推理的优化与推理加速技术研究
  • 7.5　GPU硬件的未来发展
  • 7.5.1　软硬件协同升级
  • 7.5.2　存储与通信能力的优化
  • 7.5.3　低精度计算的支持
  • 7.5.4　异构计算的支持
  • 7.6　从LLaMA 4看推理模型的发展
  • 7.6.1　LLaMA 4简介
  • 7.6.2　LLaMA 4的核心技术细节
展开全部

评分及书评

尚无评分
目前还没人评分

出版方

电子工业出版社

电子工业出版社成立于1982年10月，是国务院独资、工信部直属的中央级科技与教育出版社，是专业的信息技术知识集成和服务提供商。经过三十多年的建设与发展，已成为一家以科技和教育出版、期刊、网络、行业支撑服务、数字出版、软件研发、软科学研究、职业培训和教育为核心业务的现代知识服务集团。出版物内容涵盖了电子信息技术的各个分支及工业技术、经济管理、科普与少儿、社科人文等领域，综合出版能力位居全国出版行业前列。