mirror of
https://github.com/deepseek-ai/DeepSeek-V3.git
synced 2025-02-23 14:18:57 -05:00
99 lines
4.0 KiB
Markdown
99 lines
4.0 KiB
Markdown
# DeepSeek-V3 Ağırlık Dosyası Dokümantasyonu
|
||
|
||
## `config.json` İçindeki Yeni Alanlar
|
||
|
||
- **model_type**: Model türünü belirtir, bu sürümde `deepseek_v3` olarak güncellenmiştir.
|
||
- **num_nextn_predict_layers**: Çoklu Token Tahmin (MTP) Modüllerinin sayısını belirtir. Açık kaynaklı V3 ağırlıkları **1 MTP Modülü** içerir.
|
||
- **quantization_config**: FP8 kuantizasyonu için yapılandırmayı tanımlar.
|
||
|
||
---
|
||
|
||
## Ağırlık Yapısı Genel Bakış
|
||
|
||
DeepSeek-V3 ağırlık dosyası iki ana bileşenden oluşur: **Ana Model Ağırlıkları** ve **MTP Modülleri**.
|
||
|
||
### 1. Ana Model Ağırlıkları
|
||
|
||
- **Bileşenler**:
|
||
- Giriş/çıkış gömme katmanları ve toplam 61 Transformer gizli katmanı.
|
||
- **Parametre Sayısı**:
|
||
- Toplam parametreler: **671B**
|
||
- Aktivasyon parametreleri: **36.7B** (0.9B Gömme ve 0.9B Çıkış Kafası dahil).
|
||
|
||
#### Yapısal Detaylar
|
||
|
||
- **Gömme Katmanı**:
|
||
- `model.embed_tokens.weight`
|
||
- **Transformer Gizli Katmanları**:
|
||
- `model.layers.0` - `model.layers.60`, toplamda `num_hidden_layers` katman.
|
||
- **Çıkış Katmanı**:
|
||
- `model.norm.weight`
|
||
- `lm_head.weight`
|
||
|
||
### 2. Çoklu Token Tahmin (MTP) Modülleri
|
||
|
||
- **Bileşenler**:
|
||
- `num_nextn_predict_layers` alanı tarafından tanımlanan ek MTP Modülleri. Bu modelde değer **1** olarak ayarlanmıştır.
|
||
- **Parametre Sayısı**:
|
||
- **11.5B benzersiz parametre**, (paylaşılan 0.9B Gömme ve 0.9B Çıkış Kafası hariç).
|
||
- Aktivasyon parametreleri: **2.4B** (paylaşılan 0.9B Gömme ve 0.9B Çıkış Kafası dahil).
|
||
|
||
#### Yapısal Detaylar
|
||
|
||
- **embed_tokens**: **Ana Model ağırlıklarının Gömme katmanı ile parametreleri paylaşır**.
|
||
- **enorm & hnorm**: Spekülatif kod çözme için gerekli olan RMSNorm parametreleri.
|
||
- **eh_proj**: Norm sonuçları üzerinde boyut indirgeme projeksiyon parametreleri.
|
||
- **Ek Transformer Gizli Katmanı**:
|
||
- `model.layers.61.self_attn & mlp` (Ana Model gizli katmanlarıyla aynı yapıdadır).
|
||
- **shared_head**: **Ana Model ağırlıklarının Çıkış Kafası ile parametreleri paylaşır**.
|
||
|
||
---
|
||
|
||
### Yükleme Kuralları
|
||
|
||
- **Ana Model Ağırlıkları**: `config.json` içindeki `num_hidden_layers` parametresi kullanılarak yüklenir.
|
||
- **MTP Modülleri**: `num_nextn_predict_layers` parametresi ile yüklenir ve katman kimlikleri Ana Model gizli katmanlarından hemen sonra eklenir. Örneğin:
|
||
- Eğer `num_hidden_layers = 61` ve `num_nextn_predict_layers = 1` ise, MTP Modülünün katman kimliği `61` olur.
|
||
|
||
---
|
||
|
||
## FP8 Ağırlık Dokümantasyonu
|
||
|
||
DeepSeek-V3, 128x128 blok ölçeklendirmesiyle FP8 ağırlık formatını yerel olarak destekler.
|
||
|
||
### FP8 Yapılandırması
|
||
|
||
FP8 ağırlık dosyası, kuantizasyon yöntemini tanımlayan bir `quantization_config` alanı içerir. Örnek yapılandırma aşağıda verilmiştir:
|
||
|
||
```json
|
||
"quantization_config": {
|
||
"activation_scheme": "dynamic",
|
||
"fmt": "e4m3",
|
||
"quant_method": "fp8",
|
||
"weight_block_size": [128, 128]
|
||
}
|
||
```
|
||
|
||
- **Kuantizasyon Formatı**:
|
||
- Format türü: `fp8` ve `e4m3` (karşılığı `torch.float8_e4m3fn`).
|
||
- Ağırlık blok boyutu: `128x128`.
|
||
- **Aktivasyon Kuantizasyon Şeması**:
|
||
- Dinamik aktivasyon kuantizasyonu kullanır (`dynamic`).
|
||
|
||
### De-kuantizasyon Yöntemi
|
||
|
||
FP8 ağırlık dosyası, her ağırlık bloğu için de-kuantizasyon ölçeğini depolayan `weight_scale_inv` alanını içerir.
|
||
|
||
- **Depolama Formatı**: `float32 Tensor`, ağırlık verileriyle birlikte saklanır.
|
||
- **De-kuantizasyon Formülü**:
|
||
- Ağırlık bloğu 128’e hizalanmamışsa, önce 128’e sıfır dolgu yapılır, ardından ölçek hesaplanır. Kuantizasyondan sonra dolgu kısmı kaldırılır.
|
||
- De-kuantizasyon işlemi şu şekilde gerçekleştirilir: `(128x128 ağırlık bloğu) * weight_scale_inv`.
|
||
|
||
FP8 ağırlıklarının de-kuantizasyonu sayesinde, çalışma zamanı işlemleri **token başına 128 kanal granülerliği** ile çevrimiçi kuantizasyona olanak tanır.
|
||
|
||
---
|
||
```
|
||
Bu çeviri, hem teknik doğruluğu hem de Markdown uyumluluğunu koruyarak çevrilmiştir.
|
||
@can-deliktas
|
||
```
|