数字化转型网（Professionalism Achieves Leadership 专业造就领导者）人工智能专题
一、FP8 低精度训练：混合训练框架和精细量化策略
1、混合精度训练框架
在 DeepSeek-V3 的训练中，对于占据大量计算量的 GEMM（通用矩阵乘法）操作，采用 FP8 精度执行，FP8 数据类型具有较低的内存占用和更快的计算速度，所以可以显著提升计算效率、降低显存开销；同时为了确保训练的稳定性，对于少数对精度要求比较高的关键操作，如嵌入模块（将输入 Token 转换为向量表示）、注意力操作等，仍保持高精度（BF16/FP32）计算。
2、精细量化策略
FP8 虽然在训练速度和显存占用方面优势明显，但是由于需要采取措施对训练数据、模型参数、中间激活值进行量化操作，容易在训练过程中出现因量化误差导致的模型发散等问题，影响训练稳定性和模型性能，DeepSeek-V3 在训练过程中采用了分块量化、块级量化、高精度累加三种精细量化策略解决这个问题。
a)分块量化：数据划分粒度相对较细，将数据划分为多个小块，然后对每个小块分别进行量化操作，这种方式能更精细地适应数据的局部特征，减少量化误差。
b)块级量化：数据划分粒度相对较粗，对更大的块进行统一量化处理，这种方式更关注数据的整体特征和分布情况，通过对较大块的数据采用相同的量化参数进行量化，可以简化量化计算过程，降低计算复杂度。
c)高精度累加：在一些关键计算步骤中，虽然中间计算过程使用了 FP8 精度以提高计算效率，但在进行累加等操作时，会将 FP8 数据转换为更高精度的数据类型（BF16/FP32）进行累加，然后再根据需要转换回 FP8 精度进行后续计算，这种机制可以有效控制量化误差的积累。
二、选择重计算：间隔重计算和选择性重计算优化
1、基本概念
在训练过程中，需要占用大量的显存来存储模型参数、中间结果等数据，当模型参数规模较大或者训练数据量较多时，可能会出现显存不够用的情况；所以业界会采用重计算优化方法，即在前向传播时不保存上述的中间结果数据，而是在反向传播需要的时候重新计算它们，大大减少中间结果所占用的显存空间。
2、实现方案
比较粗暴的实现方案是完全重计算，这种方案因为计算量较大，会大幅增加训练全过程时间，所以业界一直在探索更为高效的选择重计算方案，DeepSeek-V3 在训练过程中主要应用了间隔重计算和选择性重计算两种优化手段。
a)间隔重计算：即“隔一层重计算一次” ，在反向传播中对一半层的输入输出进行重计算，另一半层按照传统方式保存中间结果数据。
b)选择性重计算：大模型每一层的计算，通常由类似 RMSkernel 的计算强度较弱的部分（包含平方、求和、开方等计算操作，用于稳定训练过程、加速模型收敛）和计算强度较强的 GEMM 矩阵乘法部分组成，他们虽然都会产生中间结果，但是计算成本差异较大；通常 RMSkernel 的计算时间占比小、但单位计算的显存占用大，而GEMM的计算时间占比大、但单位计算的显存占用小；所以选择性重计算方法重点是针对 RMSkernel 相关的部分算子进行重计算，获得最大的性价比。
三、EMA显存优化：异步处理与显存卸载优化
1、基本概念
EMA是指数移动平均（Exponential Moving Average），它对于模型训练过程中每一步更新得到的参数，计算指数加权平均值，得到一组新的参数，用于监测训练方向，避免噪声对于模型参数更新的影响，以得到更加稳定、泛化能力更强的参数；由于EMA需要额外维护一组参数，所以会占用一定的显存空间。
2、实现方案
DeepSeek-V3 在训练过程中采用了异步处理和显存卸载方法，优化了EMA的显存占用。
a)异步处理：由于EMA的计算过程并不需要训练过程中实时产生的数据，所以可以独立于前向传播和反向传播而开展，DeepSeek采用异步处理方式，让EMA计算过程与训练过程并行开展。
b)显存卸载：基于上述异步处理的基础，可以将EMA计算从GPU显存卸载至CPU，即在每一轮训练结束后，将模型参数传递给CPU，在 CPU 上计算 EMA 参数，然后将更新后的 EMA 参数存储在 CPU 内存中，减少GPU的显存占用。
四、头尾参数共享：embedding 层和 lm_head 层共享参数的优化策略
1、基本概念
embedding层位于模型首端，核心作用是把离散的 Token 转换为连续的向量表示，实现这一转换依靠的是一个可学习的权重矩阵，其大小为 vocab_size * hidden_size（词表大小 * 每个 Token 对应的嵌入向量的维度）；lm_head 层位于模型的末端，将模型输出的嵌入向量重新映射回 Token 的概率分布，以便计算损失函数，其实现方式同样是依赖一个大小为 vocab_size * hidden_size 的权重矩阵。
2、实现方案
头尾参数共享，指的是让 embedding 层和 lm_head 层使用同一个权重矩阵，这种优化方案由于减少了参数存储量，与之相关的梯度、优化器状态和参数备份等占用的显存也会相应减少，且共用的权重矩阵有助于模型学习到更稳定和通用的 Token 表示，从而提高模型的性能和泛化能力。
声明：本文来自Zero417，版权归作者所有。文章内容仅代表作者独立观点，不代表数字化转型网立场，转载目的在于传递更多信息。如有侵权，请联系我们。
