DeepSeek 本地部署详细教程，小白也能轻松搞定！

随着最近 deepseek 的爆火，很多大佬都开始了在本地进行 deepseek 的部署操作，并且离线也可以使用，这里的话我就一步一步带你们部署本地的 deepseek, 说实话这个人工智能的实力不亚于 open ai 的 gpt

安装 ollama

• 我们需要先安装 ollama，安装地址 ollama, 我们直接点击下载，我们在下载的时候尽量使用我们的谷歌浏览器，有魔法的最好带上魔法，不然安装的时候可能会出问题，如果你有我的好友的话可以私信我把 exe 文件发你

• 选择对应的版本进行下载，这里我的实例是 Windows

• 这里我们就显示下载好了，软件还怪大的，745MB

• 我们找到我们下载那好的 exe 文件双击进行安装

• 直接点击这里的 install 进行软件的安装，等待几分钟即可

• 如何判断我们的 ollama 如何安装完毕呢？我们直接 win+R 输入 cmd 调出命令行进入到命令模式，输入命令 ollama -v 查看是否安装成功，输入完命令出现了版本号的话就说明你安装成功了

部署 DeepSeek R1 模型

接下来我们进行部署 DeepSeek R1 模型的操作

• 我们依旧打开 Ollama 的官网, 然后我们可以看见我们左上角有一个 Models 的选项，我们点击下

• 然后第一个就是 deepseek R1 的模型，我们再次进行点击操作

• 这里的话有很多模型，我们可以根据自己电脑的显卡配置进行选择相应的版本

• 下面是我总结的一个模型参数大小对应的显卡配置，为了更加方便的给大家进行演示操作，这里的话我选择这个 7B 模型

模型	参数 (B)	VRAM 要求 (GB)	推荐 GPU
DeepSeek - R1 - Zero	671B	~1,342 GB	多 GPU 配置 （例如，NVIDIA A100 80GB x16）
DeepSeek - R1	671B	~1,342 GB	多 GPU 配置 （例如，NVIDIA A100 80GB x16）
DeepSeek - R1 - Distill - Qwen 1.5B	1.5B	~0.75 GB	NVIDIA RTX 3060 12GB 或更高
DeepSeek - R1 - Distill - Qwen 7B	7B	~3.5 GB	NVIDIA RTX 3060 12GB 或更高
DeepSeek - R1 - Distill - Llama 8B	8B	~4 GB	NVIDIA RTX 3060 12GB 或更高
DeepSeek - R1 - Distill - Qwen 14B	14B	~7 GB	NVIDIA RTX 3060 12GB 或更高
DeepSeek - R1 - Distill - Qwen 32B	32B	~16 GB	NVIDIA RTX 4090 24GB
DeepSeek - R1 - Distill - Llama 70B	70B	~35 GB	多 GPU 配置 （例如，NVIDIA RTX 4090 x2）

• 我们直接选择 7B 这个模型，然后右边有一个对应的命令，我们直接复制

• 回到我们的命令模式，我们直接 win+R 输入 cmd 调出命令行进入到命令模式，然后粘贴我们刚刚复制的命令
• 等待片刻进行下载就行了，这里的话我等了一上午才下好的，有点小慢说实话，这个下载的话好像默认是在 c 盘里面下载的，如果你想在 D 盘下载的话你去 D 盘创建一个仓库，如果当你看到这里的话已经下好了的话，那么你可以等这个下载完成之后输入命令进行卸载操作，然后再去 D 盘仓库打开命令模式再进行安装就会直接在你的 D 盘进行下载了，这个卸载的命令的话后面会说的哈

• 如果你的下载速度很慢的话，你可以 CTRL+C 先退出这个命令，然后再输入命令重新进行下载，还是会从上次的下载进度继续下载的，我这里重新下载了，可以发现速度快了些了

• 我这里也是重复下载了很多遍了，因为这个网速时快时慢，很难受

• 这里的话我们就下载好了，出现了一个 success，那么我们就可以直接进行对话了，如果想退出对话的话，我们可以输入/bye 来退出对话

• 这里我们让他帮我们写一个冒泡排序，可以发现很智能嘞，我们可以输入命令

• 但是我们现在想重新进入到对话的话，我们可以输入命令 ollama list 重新查看我们已经下载好了的模型，那么我们可以发现这里的 R1 7B 是我们刚刚下载好的模型

• 我们将这个模型的名字复制下来，然后回到命令行输入 ollama run deepseek-r1:latest 我们就能重新进入到对话了，这里我们简单进行对话下，可以发现效果还是挺 ok 的

• 那么到这里的话我们 ollama 安装 deepseek 的模型就搞定啦，但是呢？我们每次都需要调用命令行就很不方便，那么我们能不能搞一个聊天的界面，和 QQ 微信一样呢？这里我的回答是可以的，这个就是在可视化的界面使用本地的模型
• 这里我们教你们如何卸载我们本地的模型
• 我们这里的话输入了 olloma list 可以看到我们下载的模型，然后将我们的 R1 模型名称进行复制，然后输入命令 ollama rm deepseek-r1:latest 然后就可以将我们本地的删除了

安装 chatbox

• 我们打开 chat 的官网进行下载操作，我们直接点击免费下载就行了，当然了你如果不想下载的话可以私信我哦，我直接发你这样更快

• 我们双击安装包，点击下一步

• 选择好我们对应的文件夹进行安装操作，安装目录的话我们可以自行进行设置，尽量放在 D 盘，不要放在 C 盘

• 这里我们安装好了之后我们运行这个软件，我们选择这个使用自己的 API Key 或本地模型

• 选择这个 chatbox AI

• 我们在模型设置这里选择 Ollama API，然后这个域名的话我们是可以不用改的

• 然后这个模型这里就会显示我们上面下载好了的 deepseek 的模型，然后保存就行了

• 然后我们就可以在这个可视化的界面进行聊天了，可以发现反应的速度很快，回答的话也很智能，那么到这里的话我们本地部署的 R1 就可以使用了

好的！以下是使用冒泡排序算法对一个整数数组进行排序的 Python 实现：

def bubble_sort(arr):
    n = len(arr)
    for i in range(n-1):
        # 如果已经有序，提前退出
        already_sorted = True
        for j in range(n - 1 - i):
            if arr[j] > arr[j+1]:
                # 交换元素位置
                arr[j], arr[j+1] = arr[j+1], arr[j]
                already_sorted = False
        if already_sorted:
            break

# 示例数组
arr = [5, 4, 3, 2, 1]

bubble_sort(arr)

print("排序后：", arr)

代码解释：

1. 函数定义：bubble_sort(arr)接受一个整数数组 arr 作为输入。
2. 外层循环：for i in range(n-1)，其中 n 是数组的长度。这个循环控制整个数组的大致范围。
3. 提前退出优化：already_sorted = True，如果在某一趟排序中没有发生交换，则说明数组已经有序，提前退出。
4. 内层循环：for j in range(n - 1 - i)，用于比较相邻的元素，并进行交换。
5. 交换条件：if arr[j] > arr[j+1]，如果当前元素大于下一个元素，则交换它们的位置。
6. 示例数组：arr = [5, 4, 3, 2, 1]，用于测试排序算法。
7. 调用函数并打印结果：对数组 arr 调用 bubble_sort() 函数，并打印排序后的结果。

运行这段代码后，输出将是：

排序后： [1, 2, 3, 4, 5]

冒泡排序的时间复杂度为 O(n²)，适用于小规模数据的排序。

这里其实是可以自定义模型的，但是这里我就不过多进行叙述了，因为我们上面这个就够用了。 这个自定义的话就是你让这个 deepseek 带入一个角色，你让他是一个医生，然后他就会以医生的视角回答你所询问的问题

那么在平常的代码问题，我们对可以询问我们本地部署的这个 deepseek，十分方便呢

感觉这个 deepseek 的话对图片的分析还是差点意思