在 AI 大语言模型的激烈竞争中，DeepSeek 脱颖而出，以其强大的自然语言处理能力、出色的代码生成效果和流畅的多轮对话表现，成为众多 AI 爱好者和开发者的心头好。但用户在线使用时频繁遭遇到服务器繁忙的问题，而本地部署能有效解决这一困扰。接下来，让我们一起来探究DeepSeek如何进行本地部署，对比网络版又有什么差别。
本地版本和网络版本的优缺点对比
| 优缺点 | 本地版本 | 网络版本 |
|---|---|---|
| 优点 | 1. 数据隐私有保障，所有数据在本地处理，避免泄露，如企业处理机密文件更安全2. 响应速度快，不依赖网络，在网络不佳或无网络时也能流畅使用3. 灵活可定制，用户可根据硬件性能调整参数，开发者能优化模型满足个性化需求 | 1. 便捷易用，通过浏览器或应用程序即可访问，无需复杂安装配置，普通用户易上手2. 无需硬件升级，只要有网络，无论设备配置高低都能使用 |
| 缺点 | 1. 硬件成本高，显卡需 GTX 1060（6GB）及以上等较高配置，可能需投入资金升级硬件2. 技术门槛不低，部署涉及环境配置和模型调试，新手操作困难 | 1. 受网络限制，网络不稳定或拥堵时会出现加载缓慢、连接中断等问题，影响效率2. 数据隐私存在隐患，数据上传云端处理，有隐私泄露风险 |
可以看得出DeepSeek 的本地版本和网络版各有优劣。如果你对数据隐私、离线使用和定制化有较高要求，且有一定的硬件和技术支持，那么本地部署更适合你；如果你希望快速使用、操作简单，且对数据隐私和定制化要求不高，网络版则是不错的选择。
DeepSeek本地部署的安装教程
准备工作：确保设备满足硬件要求，显卡GTX 1060 ( 6GB ) 及以上，推荐RTX 3060及以上；内存容量为8GB，推荐16GB及更高，C盘剩余存储空间20GB，推荐使用Nvme固态硬盘。
首先，前往Ollama官网中下载对应系统的程序。（ Ollama 是一款开源的大语言模型本地部署工具，官网地址：https://ollama.com）
接着，在上方的搜索框中搜索到DeepSeek-r1。根据用户电脑配置去选择模型精度，随后复制右侧的代码。（以1.5b模型精度为例，代码则是ollama run deepseek-r1:1.5b）
DeepSeek模型有多个版本：1.5b、7b、8b、14b、32b、70b、671b，版本越高对GPU要求越高。不同模型精度适配不同的配置，详情可看下图：
| 模型版本 | 显卡配置 |
|---|---|
| 1.5 B | 非必需，若需 GPU 加速可选 4GB 显存的如 GTX 1650 |
| 7B | 推荐 8GB + 显存，如 RTX 3070/4060 |
| 8B | 推荐 8GB + 显存，略高于 7B 版本需求，如 RTX 3070/4060 也可满足基本需求 |
| 14B | 16GB + 显存，如 RTX 4090 或 A5000 |
| 32B | 24GB + 显存，如 A100 40GB 或双卡 RTX 3090 |
| 70B | 32GB + 显存或多卡并行方案，如 2x A100 80GB 或 4x RTX 4090 |
| 671B | 多节点分布式训练，如 8x A100/H100 或 AMD MI300X（192G，8 块） |
然后，按下“Win+R”打开运行窗口，输入“cmd”打开终端，可先输入“ollama -v”命令查看Ollama程序是否已经安装好。
确认好已安装好程序后，再粘贴刚复制的命令，回车即可开始下载模型。
（注：不同的模型，大小不同，下载的时间也不同，后续若想卸载模型，只需将命令中的run改成rm即可）
部分用户可能会遇到模型下载速度缓慢的情况，此时有个小技巧，只需按下“Ctrl+C”停止下载，再粘贴上方的命令即可重新下载，且保持已下载的进度条。
部署安装完成后，即可在本地运行进行使用DeepSeek。
一些用户可能会觉得没有UI，使用起来不太方便，想要像网络版一样在浏览器上使用，可以下载一个名为Pageassist的浏览器插件。
以Edge浏览器为例，找到右上角选择扩展-管理扩展，开启左侧的“开发人员模式”，把刚下载的插件拖入其中，在弹出的窗口中，点击“添加扩展”。
此时，点击插件图标，选择下载好的模型，即可开始使用。
最后，再点击右上角的设置，将语言设置和语音识别语言都设置为中文即可。
至此，DeepSeek的本地部署安装已经顺利完成，拥有了DeepSeek本地部署环境后，我们可以在享受其强大功能的同时，获得更好的数据隐私保护和使用体验。希望这篇教程能帮助大家顺利完成本地部署，开启属于自己的 AI 探索之旅！
如何学习大模型 AI ？
由于新岗位的生产效率，要优于被取代岗位的生产效率，所以实际上整个社会的生产效率是提升的。
但是具体到个人，只能说是：
“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。
这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。
我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。
我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。
这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】
第一阶段（10天）：初阶应用
该阶段让大家对大模型 AI有一个最前沿的认识，对大模型 AI 的理解超过 95% 的人，可以在相关讨论时发表高级、不跟风、又接地气的见解，别人只会和 AI 聊天，而你能调教 AI，并能用代码将大模型和业务衔接。
- 大模型 AI 能干什么？
- 大模型是怎样获得「智能」的？
- 用好 AI 的核心心法
- 大模型应用业务架构
- 大模型应用技术架构
- 代码示例：向 GPT-3.5 灌入新知识
- 提示工程的意义和核心思想
- Prompt 典型构成
- 指令调优方法论
- 思维链和思维树
- Prompt 攻击和防范
- …
第二阶段（30天）：高阶应用
该阶段我们正式进入大模型 AI 进阶实战学习，学会构造私有知识库，扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架，抓住最新的技术进展，适合 Python 和 JavaScript 程序员。
- 为什么要做 RAG
- 搭建一个简单的 ChatPDF
- 检索的基础概念
- 什么是向量表示（Embeddings）
- 向量数据库与向量检索
- 基于向量检索的 RAG
- 搭建 RAG 系统的扩展知识
- 混合检索与 RAG-Fusion 简介
- 向量模型本地部署
- …
第三阶段（30天）：模型训练
恭喜你，如果学到这里，你基本可以找到一份大模型 AI相关的工作，自己也能训练 GPT 了！通过微调，训练自己的垂直大模型，能独立训练开源多模态大模型，掌握更多技术方案。
到此为止，大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗？
- 为什么要做 RAG
- 什么是模型
- 什么是模型训练
- 求解器 & 损失函数简介
- 小实验2：手写一个简单的神经网络并训练它
- 什么是训练/预训练/微调/轻量化微调
- Transformer结构简介
- 轻量化微调
- 实验数据集的构建
- …
第四阶段（20天）：商业闭环
对全球大模型从性能、吞吐量、成本等方面有一定的认知，可以在云端和本地等多种环境下部署大模型，找到适合自己的项目/创业方向，做一名被 AI 武装的产品经理。
- 硬件选型
- 带你了解全球大模型
- 使用国产大模型服务
- 搭建 OpenAI 代理
- 热身：基于阿里云 PAI 部署 Stable Diffusion
- 在本地计算机运行大模型
- 大模型的私有化部署
- 基于 vLLM 部署大模型
- 案例：如何优雅地在阿里云私有部署开源大模型
- 部署一套开源 LLM 项目
- 内容安全
- 互联网信息服务算法备案
- …
学习是一个过程，只要学习就会有挑战。天道酬勤，你越努力，就会成为越优秀的自己。
如果你能在15天内完成所有的任务，那你堪称天才。然而，如果你能完成 60-70% 的内容，你就已经开始具备成为一名大模型 AI 的正确特征了。
这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】
评论(0)