湖南大学的 DeepSeek 教程来了！（PDF免费下载）

我们之前已经分享了 清华大学 和 北京大学 出品的 DeepSeek 系列教程。今天接着分享一份湖南大学出品的 PDF，内容围绕着：我们该如何看待DeepSeek——what, how, why, and next？

如果你对 DeepSeek 是什么 ， 能用它干什么 ，以及它 背后的原理 都有所了解，不防看看这份 PDF 介绍的 下一步要关注什么 。

这里我们仍然会从四个方面简要介绍一下这份 PDF： DeepSeek是什么 ， 能用DeepSeek干什么 ， DeepSeek背后的原理 ，以及 下一步要关注什么 。

DeepSeek是什么？

PDF 首先提到了 ChatGPT 引爆了全球人工智能的热潮，它是一个 生成式人工智能（AIGC） 和 大语言模型（LLM 或大模型） ，通过 Transformer 这种特殊的神经网络结构来实现 文字接龙 。而 DeepSeek-R1 更像是一个 “推理模型” 。

推理模型 的关键在于它不仅仅是直接给出答案，而是能够像人类一样进行一步一步的 推导（Reasoning） 。这意味着 DeepSeek-R1 在 数学、代码和逻辑 等领域展现出更强的优势。PDF认为，DeepSeek R1是 首个展示思维链过程的推理模型 。

DeepSeek R1还具有以下几个重要的特点：

• 价格非常有竞争力，甚至提供了网页聊天免费的功能，降低了使用门槛。

能用DeepSeek干什么？

第二部分介绍了 DeepSeek 的各种应用场景，并强调掌握使用AI的 思维方法 。它通过一些案例展示了 DeepSeek 在不同领域的潜力：

• 写书：例如，提供编译原理书稿的案例片段.
• 信息梳理：例如，对比整理不同AI模型的收费情况。通过DS-R1+联网搜索

总的来说，DeepSeek可以帮助我们处理各种文字相关的任务，提高效率，但我们需要了解它的能力边界，并掌握正确的使用方法。

DeepSeek背后的原理是什么？

第三部分简要介绍了DeepSeek背后的技术原理，核心是 Transformer 。

Transformer 是一种特殊的 神经网络 ，现在几乎所有典型的大模型都采用这种结构. 它可以将输入的 文本（token）编码成向量（Embedding） ，然后通过 注意力机制（Attention） 计算不同token之间的关系，理解每个token在上下文中的含义。接着，通过 多层感知机（MLP） 进一步理解每个token自身的含义。这个 Attention和MLP的过程会重复多次 ，最终通过 解码（Unembedding） 将向量还原成预测的下一个token并输出. 这个过程就像模型在学习“文字接龙”.

模型通过 “训练” 来学习这种能力，也就是将 海量的训练数据知识内嵌到模型中 . 训练过程需要调整模型中 大量的参数 . 数据和参数的规模越大，LLM就越强大 . DeepSeek R1/V3就拥有 6710亿参数 . 此外，为了让模型更好地服务于人类，还需要进行 后训练对齐 ，例如 监督式微调（SFT） 和 强化学习（RL） ，以提高模型的可靠性.

简单来说，DeepSeek 等大模型的核心技术是 Transformer 神经网络，它们通过学习大量的文本数据，掌握了预测和生成文字的能力，并且模型越大、训练数据越多，性能就越好。