首页
学习
活动
专区
圈层
工具
发布
首页
学习
活动
专区
圈层
工具
MCP广场
社区首页 >专栏 >最全本地部署 DeepSeek R1 教程(适用于 Mac、Windows、Linux)

最全本地部署 DeepSeek R1 教程(适用于 Mac、Windows、Linux)

作者头像
IT运维技术圈
发布于 2025-02-05 07:17:20
发布于 2025-02-05 07:17:20
40.8K4162
代码可运行
举报
文章被收录于专栏:IT运维技术圈IT运维技术圈
运行总次数:162
代码可运行

大家好,波哥又来给大家推荐好东西啦!

欢迎大家在评论区留言评论自己想了解的工具、方向或职业等互联网相关内容,点赞和推荐多的,波哥会优先安排解答!

一、DeepSeek R1 简介

DeepSeek R1 是一款开源 AI 模型,其性能可与 OpenAI 的 GPT-4 和 Claude 3.5 Sonnet 等顶级模型媲美,尤其在数学、编程和推理等任务上表现出色。最重要的是,它是免费、私密的,可以在本地硬件上离线运行。

DeepSeek R1 提供多个参数规模的版本,从轻量级的 1.5B 参数模型到高性能的 70B 版本。它基于 Qwen 7B 架构的精简优化版本,既保持强大性能,又具备更高的计算效率。

其主要亮点包括:- 完全开源,可自由使用。- 支持本地运行,无需依赖云服务器。- 数据完全可控,确保隐私安全。

二、为什么选择本地部署?

本地运行 AI 模型有以下优势:

  • 隐私保障:所有数据均存储在本地,避免敏感信息泄露。
  • 零额外成本:DeepSeek R1 免费运行,无需订阅或额外费用。
  • 完全控制:可以进行微调和本地优化,无需外部依赖。

三、硬件要求

四、安装步骤

步骤 1:安装 Ollama

Ollama 是一款本地 AI 运行工具,可帮助用户轻松运行 DeepSeek R1。

  • 下载地址:https://ollama.com/download
  • 安装完成后,Ollama 提供了在终端直接运行 AI 模型的功能。

步骤 2:下载 DeepSeek R1 模型

在终端中运行以下命令,根据你的硬件选择合适的模型:

代码语言:javascript
代码运行次数:0
运行
AI代码解释
复制
# 下载 1.5B 版本(适用于 CPU 及低配 GPU)
ollama run deepseek-r1:1.5b

# 下载 8B 版本
ollama run deepseek-r1:8b

# 下载 14B 版本
ollama run deepseek-r1:14b

# 下载 32B 版本
ollama run deepseek-r1:32b

# 下载 70B 版本(最高性能)
ollama run deepseek-r1:70b

如果你不确定选择哪个版本,可以运行默认指令:

代码语言:javascript
代码运行次数:0
运行
AI代码解释
复制
ollama run deepseek-r1

默认情况下,该指令会下载 7B 版本。

模型下载速度取决于网络状况,可能需要几分钟到几十分钟不等。

步骤 3:安装 Chatbox(可选)

为了获得更好的交互体验,可以安装 Chatbox 作为 GUI 界面。

  • 下载地址:https://chatboxai.app/en#
  • 安装完成后,进行以下配置:
    • 在“配置 API 模型”选项中选择 Ollama API。
    • 设置 API 主机为:http://127.0.0.1:11434
    • 选择 DeepSeek R1 作为默认模型。
    • 保存设置。

五、功能演示

成功安装后,你可以测试 DeepSeek R1 的能力。例如,让它生成一个用 Python 编写的贪吃蛇游戏代码。

输入 Prompt:

代码语言:javascript
代码运行次数:0
运行
AI代码解释
复制
帮我用python写个贪吃蛇的游戏

示例代码(优化修正版本):

代码语言:javascript
代码运行次数:0
运行
AI代码解释
复制
import turtle

import time

import random



# 窗口设置

window = turtle.Screen()

window.title("贪吃蛇 by Python")

window.bgcolor("black")

window.setup(width=600, height=600)

window.tracer(0)  # 关闭自动刷新



# 蛇头

snake_head = turtle.Turtle()

snake_head.speed(0)

snake_head.shape("square")

snake_head.color("white")

snake_head.penup()

snake_head.goto(0, 0)

snake_head.direction = "stop"



# 食物

food = turtle.Turtle()

food.speed(0)

food.shape("circle")

food.color("red")

food.penup()

food.goto(0, 100)



segments = []  # 蛇身体段

score = 0  # 得分



# 得分显示

pen = turtle.Turtle()

pen.speed(0)

pen.color("white")

pen.penup()

pen.hideturtle()

pen.goto(0, 260)

pen.write("得分: 0", align="center", font=("Arial", 24, "normal"))



# 移动函数

def move():

    if snake_head.direction == "up":

        y = snake_head.ycor()

        snake_head.sety(y + 20)

    if snake_head.direction == "down":

        y = snake_head.ycor()

        snake_head.sety(y - 20)

    if snake_head.direction == "left":

        x = snake_head.xcor()

        snake_head.setx(x - 20)

    if snake_head.direction == "right":

        x = snake_head.xcor()

        snake_head.setx(x + 20)



# 方向控制函数

def go_up():

    if snake_head.direction != "down":

        snake_head.direction = "up"



def go_down():

    if snake_head.direction != "up":

        snake_head.direction = "down"



def go_left():

    if snake_head.direction != "right":

        snake_head.direction = "left"



def go_right():

    if snake_head.direction != "left":

        snake_head.direction = "right"



# 键盘绑定

window.listen()

window.onkeypress(go_up, "w")

window.onkeypress(go_down, "s")

window.onkeypress(go_left, "a")

window.onkeypress(go_right, "d")



# 碰撞检测

def check_collision():

    # 边界检测

    if snake_head.xcor() > 290 or snake_head.xcor() < -290:

        return True

    if snake_head.ycor() > 290 or snake_head.ycor() < -290:

        return True

    # 身体碰撞检测

    for segment in segments:

        if snake_head.distance(segment) < 20:

            return True

    return False



# 主游戏循环

while True:

    window.update()



    # 检查是否吃到食物

    if snake_head.distance(food) < 20:

        # 移动食物到随机位置

        x = random.randint(-290, 290)

        y = random.randint(-290, 290)

        food.goto(x, y)



        # 增加身体段

        new_segment = turtle.Turtle()

        new_segment.speed(0)

        new_segment.shape("square")

        new_segment.color("grey")

        new_segment.penup()

        segments.append(new_segment)



        # 增加得分

        score += 10

        pen.clear()

        pen.write(f"得分: {score}", align="center", font=("Arial", 24, "normal"))



    # 移动身体段(从后往前)

    for index in range(len(segments)-1, 0, -1):

        x = segments[index-1].xcor()

        y = segments[index-1].ycor()

        segments[index].goto(x, y)



    # 移动第一个身体段到头部位置

    if len(segments) > 0:

        x = snake_head.xcor()

        y = snake_head.ycor()

        segments[0].goto(x, y)



    move()



    # 碰撞检测

    if check_collision():

        time.sleep(1)

        snake_head.goto(0, 0)

        snake_head.direction = "stop"

        # 隐藏身体段

        for segment in segments:

            segment.goto(1000, 1000)

        segments.clear()

        score = 0

        pen.clear()

        pen.write(f"得分: {score}", align="center", font=("Arial", 24, "normal"))


    time.sleep(0.1)

运行这个程序前需要确保:

1. 已安装 Python 环境

2. 需要安装 `turtle` 模块(通常 Python 标准库自带)

操作说明:

- W键:向上移动

- S键:向下移动

- A键:向左移动

- D键:向右移动

- 吃到红色食物会增长身体并加分

- 撞到墙壁或自己身体会游戏重置

游戏特点:

1. 简单的图形界面

2. 分数统计功能

3. 碰撞检测

4. 蛇身自动增长机制

5. 游戏失败重置功能

你可以根据需求进一步添加以下功能:

- 添加开始/暂停按钮

- 增加难度等级

- 记录最高分

- 添加音效

- 设计更复杂的关卡

六、总结

通过本教程,你已经成功在本地部署了 DeepSeek R1,无论你是 AI 爱好者、开发者,还是仅仅对本地 AI 感兴趣,都可以尝试运行并训练自己的专属 AI 资料库。

借助 Ollama 和 Chatbox 等工具,本地运行 AI 变得更加简单和高效。现在就开始探索吧!

本文参与 腾讯云自媒体同步曝光计划,分享自微信公众号。
原始发表:2025-02-05,如有侵权请联系 cloudcommunity@tencent.com 删除

本文分享自 IT运维技术圈 微信公众号,前往查看

如有侵权,请联系 cloudcommunity@tencent.com 删除。

本文参与 腾讯云自媒体同步曝光计划  ,欢迎热爱写作的你一起参与!

评论
登录后参与评论
4 条评论
热度
最新
您好,请问如果电脑只有CPU,那么就不能部署1.5B以上的吗
您好,请问如果电脑只有CPU,那么就不能部署1.5B以上的吗
33点赞举报
尽量不做小马拉火车的事情,不过可以试试.
尽量不做小马拉火车的事情,不过可以试试.
回复回复点赞举报
能部署,但是没办法用,按标准来比较好
能部署,但是没办法用,按标准来比较好
回复回复点赞举报
查看全部3条回复
推荐阅读
编辑精选文章
换一批
基于Ollama的DeepSeek R1本地部署全流程指南:从零到推理实战
在人工智能技术快速发展的今天,本地化部署大型语言模型(LLM)已成为开发者与研究人员的重要需求。本文将详细介绍如何通过Ollama框架实现DeepSeek R1模型的本地部署,涵盖从硬件选型到推理实战的全流程,并提供针对不同场景的优化方案。
Towserliu
2025/02/06
11.4K0
基于Ollama的DeepSeek R1本地部署全流程指南:从零到推理实战
完整的671B MoE DeepSeek R1怎么塞进本地化部署?详尽教程大放送!
本文的作者是李锡涵(Xihan Li)。他是伦敦大学学院(UCL)计算机系博士研究生,谷歌开发者专家,主要研究方向为学习优化,在 NeurIPS、ICLR、AAMAS、CIKM 等会议发表过学术论文,Circuit Transformer 作者,图书《简明的 TensorFlow 2》(https://tf.wiki)作者。
机器之心
2025/02/03
3.2K0
完整的671B MoE DeepSeek R1怎么塞进本地化部署?详尽教程大放送!
本地测试 DeepSeek R1 用于 RAG 与 Ollama 和 Kibana
最近大家都在讨论DeepSeek R1,这是中国幻方推出的新大型语言模型。新闻中充满了对这个具备链式推理能力且权重公开的LLM对行业影响的猜测。对那些好奇尝试这个新模型与 RAG 以及 Elasticsearch 向量数据库的功能的人来说,这里有一个快速教程,教你如何使用本地推理来使用 DeepSeek R1。在此过程中,我们将使用 Elastic 的 Playground 功能,并发现 Deepseek R1 对 RAG 的一些优缺点。
点火三周
2025/02/04
8361
本地测试 DeepSeek R1 用于 RAG 与 Ollama 和 Kibana
从零到一:腾讯云 AI 代码助手 + DeepSeek 写一个浏览器插件
这个实现方案完全使用矢量图形绘制,不依赖任何图片素材,核心游戏逻辑与UI组件分离,便于维护和扩展。游戏控制逻辑完整包含开始/暂停/重置功能,并实现了经典贪吃蛇的所有核心机制。
全栈若城
2025/02/28
1830
从零到一:腾讯云 AI 代码助手 + DeepSeek 写一个浏览器插件
星辰秘典:探索Python项目的神秘力量——贪吃蛇
前言:你好,欢迎来到我的博客。我是一个热爱编程的人,特别喜欢用Python这门语言来创造一些有趣的图形项目。在这篇博客中,我将和你分享一些我用Python写的小的图形项目,包括它们的原理,代码和效果。我希望你能从中学到一些有用的知识,也能感受到编程的乐趣。如果你对我的项目有任何问题或建议,欢迎在评论区留言,我会尽快回复你。让我们开始吧!
命运之光
2024/03/20
1650
星辰秘典:探索Python项目的神秘力量——贪吃蛇
Python练手项目实例汇总(附源码)
今天给大家分享几个有趣的Python练手项目实例,希望对Python初学者有帮助哈~
奈何缘浅wyj
2021/01/27
3.6K0
Python练手项目实例汇总(附源码)
DeepSeek R1 Zero中文复现教程来了!
项目代码可见:unlock-deepseek/Datawhale-R1(https://github.com/datawhalechina/unlock-deepseek),欢迎关注和 star!
Datawhale
2025/02/07
3K1
DeepSeek R1 Zero中文复现教程来了!
全网最全面的python的讲解,讲的无可挑剔《记得收藏》
5、文本处理:python提供的re模块能支持正则表达式,还提供SGML,XML分析模块,许多程序员利用python进行XML程序的开发。
苏州程序大白
2021/08/13
1.1K0
全网最全面的python的讲解,讲的无可挑剔《记得收藏》
DeepSeek重磅更新!让它写个贪吃蛇试试
这次R1-0528更新主要在语义精准性,复杂逻辑推理,长文本处理稳定性方面做了优化。
大风写全栈
2025/06/09
1460
DeepSeek重磅更新!让它写个贪吃蛇试试
【零门槛教程】3分钟使用腾讯云Lighthouse轻量应用服务器部署DeepSeek R1模型
在人工智能技术爆发式发展的今天,DeepSeek凭借其强大的自然语言处理能力成为开发者新宠。本文将手把手教学如何使用腾讯云Lighthouse轻量应用服务器部署DeepSeek。
宁子
2025/03/21
2530
【零门槛教程】3分钟使用腾讯云Lighthouse轻量应用服务器部署DeepSeek R1模型
使用 Python 和 Pygame 制作游戏:第六章到第八章
贪吃虫是 Nibbles 的克隆。玩家开始控制一个不断在屏幕上移动的短蠕虫。玩家无法停止或减慢蠕虫,但他们可以控制它转向的方向。红苹果随机出现在屏幕上,玩家必须移动蠕虫以使其吃掉苹果。每次蠕虫吃掉一个苹果,蠕虫就会增长一个段,并且新的苹果会随机出现在屏幕上。如果蠕虫撞到自己或屏幕边缘,游戏就结束了。
ApacheCN_飞龙
2024/01/15
8960
使用 Python 和 Pygame 制作游戏:第六章到第八章
递归的递归之书:第五章到第九章
分而治之算法是将大问题分解为更小的子问题,然后将这些子问题分解为更小的问题,直到变得微不足道。这种方法使递归成为一种理想的技术:递归情况将问题分解为自相似的子问题,基本情况发生在子问题被减少到微不足道的大小时。这种方法的一个好处是这些问题可以并行处理,允许多个中央处理单元(CPU)核心或计算机处理它们。
ApacheCN_飞龙
2024/01/11
5410
递归的递归之书:第五章到第九章
计算机视觉学术速递[7.16]
【1】 STAR: Sparse Transformer-based Action Recognition 标题:STAR:基于稀疏Transformer的动作识别
公众号-arXiv每日学术速递
2021/07/27
1.6K0
脑语言v0.5.8 2500令【单字编程】
注:这是脑语言v0.5.8版的2500个单字(也称为“令”与“一令”),通过【单字编程】(并不仅是中文编程,而是混合英文关键字,但以单字为主的命名)也许是英文不太好时又希望能写代码的其中一种方式。
脑语言
2022/07/11
3.9K0
脑语言v0.5.8 2500令【单字编程】
相关推荐
基于Ollama的DeepSeek R1本地部署全流程指南:从零到推理实战
更多 >
领券
问题归档专栏文章快讯文章归档关键词归档开发者手册归档开发者手册 Section 归档
本文部分代码块支持一键运行,欢迎体验
本文部分代码块支持一键运行,欢迎体验