幫助中心 | 我的帳號 | 關於我們
進階搜尋
car

同類熱銷排行榜

最近瀏覽的商品

DeepSeek大模型實戰指南(架構部署與應用基於V4版本)

  • 作者：編者:周濤//王卓//朱萬林|責編:耍利娜
  • 出版社：化學工業
  • ISBN：9787122513441
  • 出版日期：2026/10/01
  • 裝幀：平裝
  • 頁數：312
人民幣：RMB 99 元      售價：元
放入購物車
加入收藏夾
內容大鋼
    本書系統闡述了DeepSeek大模型架構、部署及應用實戰的相關內容。從人工智慧和大模型的基礎理論出發，深入剖析了DeepSeek的底層技術，如Transformer架構、混合專家、動態任務分配、稀疏激活、歸一化、專家並行、注意力計算優化及雙向流水線並行等關鍵技術，並詳細介紹了模型訓練、優化和推理的前沿方法。書中不僅展示了DeepSeek在多模態模型和推理系統中的技術優勢，還提供了豐富的實戰案例，涵蓋了從本地部署到雲端應用，再到API接入以及與辦公軟體、開發工具和Web交互系統的無縫集成。通過理論解析與實踐演示，讀者將獲得從模型設計到實際應用全流程的詳細指導。
    本書非常適合人工智慧領域的技術開發者、系統架構師，以及初探大模型應用的愛好者學習，也可用作高等院校相關專業的教材及參考書。
作者介紹
編者:周濤//王卓//朱萬林|責編:耍利娜
目錄
第1章  人工智慧和DeepSeek概述
  1.1  人工智慧
    1.1.1  什麼是人工智慧
    1.1.2  人工智慧的起源與發展歷程
  1.2  大模型
    1.2.1  大模型的原理和作用
    1.2.2  大模型的興起與現狀
    1.2.3  主流大模型介紹
  1.3  DeepSeek
    1.3.1  DeepSeek簡介
    1.3.2  DeepSeek對人工智慧市場的影響
    1.3.3  DeepSeek的產品
    1.3.4  DeepSeek的應用場景
    1.3.5  DeepSeek與其他模型的技術對比
第2章  DeepSeek底層架構技術
  2.1  Transformer架構技術
    2.1.1  Transformer簡介
    2.1.2  Transformer的核心組件
    2.1.3  多頭注意力機制
    2.1.4  多頭潛在注意力
  2.2  動態任務分配
    2.2.1  動態任務分配的特點和原理
    2.2.2  動態任務分配的應用場景
  2.3  稀疏激活機制
    2.3.1  稀疏激活機制簡介
    2.3.2  稀疏激活機制的實現方式
    2.3.3  稀疏激活機制的應用領域
  2.4  混合專家架構技術
    2.4.1  混合專家架構簡介
    2.4.2  MoE的特點
    2.4.3  MoE的應用
    2.4.4  DeepSeek中的MoE
  2.5  歸一化技術
    2.5.1  歸一化技術的必要性
    2.5.2  LayerNorm技術
    2.5.3  RMSNorm技術
  2.6  模型訓練與優化技術
    2.6.1  多令牌預測（MTP）技術
    2.6.2  高效並行策略
    2.6.3  混合精度訓練與量化策略
    2.6.4  EMA顯存優化
    2.6.5  頭尾參數共享
第3章  DeepSeekMoE架構
  3.1  DeepSeekMoE架構簡介
    3.1.1  背景
    3.1.2  DeepSeekMoE架構策略
    3.1.3  DeepSeekMoE與傳統MoE架構的區別
  3.2  DeepSeekMoE架構詳解
    3.2.1  細粒度專家細分
    3.2.2  共享專家隔離

    3.2.3  負載平衡
  3.3  DeepSeekMoE的微調
    3.3.1  DeepSeekMoE微調技術介紹
    3.3.2  ZeRO優化
    3.3.3  具體實現
  3.4  性能評估
    3.4.1  訓練數據和分詞
    3.4.2  硬體基礎設施
    3.4.3  設置超參數
    3.4.4  評估基準
    3.4.5  評估結果
    3.4.6  和稠密模型的對比
    3.4.7  DeepSeekMoE 2B模型測試
  3.5  消融研究
    3.5.1  消融研究介紹
    3.5.2  消融研究在大模型中的應用
    3.5.3  DeepSeekMoE的消融研究
  3.6  DeepSeekMoE 16B測試
    3.6.1  訓練數據和分詞
    3.6.2  設置超參數
    3.6.3  評估基準
  3.7  DeepSeekMoE 16B的對齊
    3.7.1  測試設置
    3.7.2  評估結果
第4章  DeepSeek推理模型架構
  4.1  背景
  4.2  DeepSeek-R1模型簡介
    4.2.1  DeepSeek-R1模型演進
    4.2.2  DeepSeek-R1模型的基本架構
    4.2.3  訓練方案
    4.2.4  開源信息
  4.3  推理模型的相關技術
    4.3.1  混合專家（MoE）架構
    4.3.2  多頭潛在注意力
    4.3.3  強化學習
  4.4  DeepSeek-R1-Zero訓練方案
    4.4.1  強化學習演算法
    4.4.2  獎勵建模
    4.4.3  訓練模板
    4.4.4  DeepSeek-R1-Zero的自我進化過程
    4.4.5  在DeepSeek-R1-Zero的「頓悟時刻」
    4.4.6  DeepSeek-R1-Zero性能測試
  4.5  DeepSeek-R1訓練方案
    4.5.1  冷啟動
    4.5.2  推理導向的強化學習
    4.5.3  拒絕採樣和監督微調
    4.5.4  全場景強化學習
  4.6  蒸餾處理
    4.6.1  AI大模型中的蒸餾處理
    4.6.2  基礎模型的選擇與蒸餾過程

    4.6.3  模型蒸餾的技術原理
    4.6.4  評估蒸餾模型
第5章  條件記憶與稀疏大語言模型：Engram
  5.1  大模型稀疏化的背景與動機
  5.2  從「計算」到「記憶」：條件記憶範式的提出
  5.3  Engram模塊的整體架構設計
  5.4  基於哈希的稀疏N-gram檢索機制
  5.5  上下文感知的記憶門控與融合機制
  5.6  Engram與多分支Transformer架構的集成
  5.7  系統層設計：計算與存儲的解耦
  5.8  稀疏容量分配與縮放規律
第6章  DeepEP高效專家並行通信庫
  6.1  背景
  6.2  模塊介紹
  6.3  Python介面層
    6.3.1  輔助工具
    6.3.2  專家並行通信管理
  6.4  C++綁定層
    6.4.1  分發與合併配置
    6.4.2  緩衝區和共享內存管理
    6.4.3  DeepEP多設備專家並行通信與調度
  6.5  核心通信實現層
    6.5.1  基礎配置與工具文件
    6.5.2  通用輔助工具和底層GPU原語
    6.5.3  API介面與啟動文件
    6.5.4  設備和計算內核
    6.5.5  跨節點通信
    6.5.6  GPU調度布局計算
    6.5.7  運行時管理
  6.6  測試模塊
    6.6.1  低延遲模式通信測試
    6.6.2  單節點多GPU環境測試
    6.6.3  跨節點專家並行內核測試
第7章  FlashMLA注意力計算內核庫
  7.1  背景
  7.2  功能模塊
  7.3  Python介面層
  7.4  核心CUDA實現
    7.4.1  公共參數與基礎結構
    7.4.2  C++介面封裝層
    7.4.3  Kernel工具層
    7.4.4  GPU解碼與調度工具層
  7.5  測試驗證模塊
    7.5.1  性能測試
    7.5.2  正確性驗證
第8章  DualPipe雙向流水線並行演算法
  8.1  背景
  8.2  DualPipe原理介紹
    8.2.1  細粒度執行單元拆分
    8.2.2  Forward-Backward成對重排機制

    8.2.3  雙向流水線調度策略
    8.2.4  內存與資源代價分析
    8.2.5  規模擴展特性
  8.3  源碼分析
    8.3.1  輔助工具函數
    8.3.2  通信基礎工具
    8.3.3  DualPipe基礎版雙管道流水線並行
    8.3.4  DualPipe改進版流水線並行
    8.3.5  DualPipe版測試
    8.3.6  DualPipeV版測試
第9章  DeepSeek-V4模型架構
  9.1  DeepSeek-V4基礎
    9.1.1  DeepSeek-V4設計背景與目標
    9.1.2  系統級優化與研究動機
    9.1.3  與V3架構的繼承關係
  9.2  模型架構
    9.2.1  整體架構
    9.2.2  繼承自DeepSeek-V3的設計基礎
    9.2.3  流形約束超連接結構（mHC）
    9.2.4  Hybrid Attention機制（CSA與HCA）
    9.2.5  Muon優化器機制
  9.3  通用基礎設施
    9.3.1  專家並行中的計算-通信重疊優化
    9.3.2  TileLang高效內核開發機制
    9.3.3  高性能確定性Kernel庫設計
    9.3.4  FP4量化感知訓練機制
    9.3.5  訓練框架設計
    9.3.6  推理框架設計
  9.4  預訓練
    9.4.1  數據構建方法
    9.4.2  預訓練配置
    9.4.3  評估體系
  9.5  后訓練
    9.5.1  專家模型訓練（Specialist Training）
    9.5.2  On-Policy蒸餾機制
    9.5.3  RL與OPD基礎設施
    9.5.4  標準基準測試
    9.5.5  真實任務表現
第10章  DeepSeek模型部署
  10.1  Ollama本地部署
    10.1.1  安裝Ollama
    10.1.2  DeepSeek模型的安裝與配置
  10.2  LM Studio本地可視化部署
    10.2.1  LM Studio的特點與安裝
    10.2.2  安裝並配置DeepSeek模型
    10.2.3  LM Studio API
  10.3  Chatbox本地部署
    10.3.1  Chatbox簡介
    10.3.2  Chatbox+ Ollama的本地部署
  10.4  使用騰訊雲部署DeepSeek

    10.4.1  創建DeepSeek應用
    10.4.2  通過TokenHub體驗DeepSeek-V4模型
  10.5  華為昇騰部署和訓練DeepSeek-V4
    10.5.1  華為昇騰一鍵部署DeepSeek-V4
    10.5.2  華為昇騰訓練DeepSeek-V4
第11章  DeepSeek接入實戰
  11.1  DeepSeek API基礎知識
    11.1.1  DeepSeek API簡介
    11.1.2  DeepSeek API基本教程
    11.1.3  基於DeepSeek API的對話程序
  11.2  DeepSeek的基本接入實戰
    11.2.1  接入Chatbox
    11.2.2  NextChat接入實戰
  11.3  將DeepSeek接入到Office
    11.3.1  OfficeAI簡介
    11.3.2  將DeepSeek接入Word
    11.3.3  將DeepSeek接入Excel
  11.4  將DeepSeek接入VS Code
    11.4.1  Continue基礎
    11.4.2  接入DeepSeek
    11.4.3  調用DeepSeek生成代碼
    11.4.4  DeepSeek代碼智能生成和補全
第12章  基於DeepSeek的Web聊天交互系統
  12.1  項目背景
  12.2  項目概況
  12.3  配置文件和基礎工具函數
  12.4  組件
  12.5  調試運行

  • 商品搜索：
  • | 高級搜索
首頁│ 新手上路│ 客服中心│ 關於我們│ 聯絡我們│ Top↑│
Copyrightc 1999~2008 美商天龍國際圖書股份有限公司 臺灣分公司. All rights reserved.
營業地址:臺北市中正區重慶南路一段103號1F 105號1F-2F
讀者服務部電話：02-2381-2033 02-2381-1863　時間：週一-週五 10:00-17:00
　服務信箱：bookuu@69book.com 客戶、意見信箱:cs@69book.com
ICP證：浙B2-20060032