向AI转型的程序员都关注公众号 机器学习AI算法工程
前言
自从 DeepSeek 发布后，对 AI 行业产生了巨大的影响，以 OpenAI、Google 为首的国际科技集团为之震惊，它的出现标志着全球AI竞争进入新阶段。从以往单纯的技术比拼转向效率、生态与战略的综合较量。其影响已超越企业层面，涉及地缘政治、产业政策与全球技术治理，它彻底改变“美国主导创新、中国跟随应用”的传统格局，形成多极化的技术权力分布。
DeepSeek 的开源性彻底打破了 OpenAI 等公司通过 API 接口调用，依赖 token 计费的单一规则。因为 DeepSeek 是一个开源的产品，任何人都可通过 GitHub 等途径下载它的核心源代码，这种开源方案有点类似当年的 Android / 鸿蒙发展策略。任何人都可以为 DeepSeek 开发某项额外的功能，为DeepSeek 的茁壮成长贡献自己的一份力量。
它包括了 DeepSeek R1 / DeepSeek V3 / DeepSeek Coder V2 / DeepSeek VL / DeepSeek V2 / DeepSeek Coder / DeepSeek Math / DeepSeek LLM 等多个不同的模型，以适应不同领域的应用。私人开发者可以下载 DeepSeek R1 检心框架进行调试，如果企业调用 DeepSeek 的 API 接口，也需要按 token 收费，然而费用不到 ChatGDP 的十分之一，对企业来说是相当有良心。DeepSeek 的 R1 模型支持本地化部署，用户可以在企业服务器内单独部署自己的 DeepSeek 模型，以适应各自的领域需求。
废话不多说，下面为大家介绍 DeepSeek R1 的本地化部署流程。
一、运行环境要求
1. 硬件配置
-
独立显卡（推荐 NVIDIA 1060 以上 GPU显存 ≥ 6GB）
-
CPU、内存及存储需满足模型参数规模（如1.5B/7B/14B模型对应不同配置）
进入 DeepSeek 的官网 https://www.deepseek.com/，点激 DeepSeek R1 的模型连接，可以进入 GitHub 的源代码页面。里面可看到 DeepSeek R1 包含了多个不同大小的模型，每个模型需要使用的资源不一样。一般情况下建议使用 1.5B 的轻量级模型，GPU 在 6G~8G 可以尝试使用 7B 的平衡型模型。
显卡要求可参考下表
2. 依赖工具
- Ollama 或 HFD 部署工具及模型库
- Docker、Python等基础环境
常用下载模型的方法主要有两种，一是通过 Ollama，二是通过 HuggingFace。虽然 HuggingFace 的镜像比较丰富全面，但由于在2023年底，HuggingFace 的官网已经彻底被封，想要下载镜像需要使用 https://hf-mirror.com 里面的 HFD 工具通过命令执行，对新手来说相对不太友好，所以本文就选择相对轻量级的 Ollama 工具进行安装。
二、安装步骤
1. 安装 Ollama
首先到 Ollama 官网 https://www.ollama.com 下载 ollama，可以选择 Windows、Linux、masOS 三个不同的版本
下载后点激安装，默认安装路径在 C:\Users\username\AppData\Local\Programs\Ollama 下
安装完成后，打开 Windows 的环境变量，修改用户变量中的 Path 值，加入 Ollama 的路径
C:\Users\username\AppData\Local\Programs\Ollama
完成设置后，点激 Ollama.exe 按钮，然后在命令提示符中输入 ollama -v，见到 ollama 版本号代表安装成功。
也打开浏览器，输入Ollama 运行地址 “http://127.0.0.1:11434”
看到 “Ollama is running” 字样证明 Ollama 已经正常运行。
2. 下载 deepseek v1 模型
ollama 的命令与 docker 有点类似，输入命令 ollama pull deepseek-r1:7b 系统开始下载模型 deepseek v1:7b
最后看到 success 代表下载成功
此时输入命令 ollama ls 可以查看已下载的模型
3. 运行模型
输入命令 “ollama run deepseek-r1:7b” 启动模型
成功启动后就可以尝试输入问题让 deepseek 回答。
按下 CTRL+D 可以退出当前对话
若要查看当前运行的模型，可以输入 ollama ps
若要停止模式运行，可输入 ollama stop deepseek-r1:7b。
停止后再输入 ollama ps，可以知道停止命令是否成功
三、可视化部署
DeepSeek R1 不仅可以通过命令执行，还可通过插件进行可视化部署，布置出与官网应用类似的应用场景。
首先选择浏览器的扩展按键，填入 Page Assist 进行搜索，安装插件。
完成安装后，若要选择中文版可点激右上角设置按钮，在language中选择 “简体中文”
在命令提示符输入 ollama run deepseek-r1:7b ，确定 deepseek 模型已经正常运行后， 在 Ollama URL 处填入默认的运行地址 http://127.0.0.1:11434
回到首页，在选项中可以查到系统中正在运行的模型，选择你要有的模型类别
此时，你已经可以在本机尽情享受 DeepSeek 给你带来的乐趣。
本章小结
前面已经介绍了 DeepSeek R1 本地化部署流程，本地化部署不仅能保障数据安全，更能通过灵活定制实现业务场景的高效适配，为企业智能化转型提供可靠的技术底座。DeepSeek 模型从环境准备、模型加载到 RAG 功能集成，每一个环节都体现了大模型与企业私有化场景深度融合的技术潜力。接下来一连几章将会为大家介绍基于大模型 RAG 的核心开发，敬请留意。
机器学习算法AI大数据技术
搜索公众号添加： datanlp
长按图片，识别二维码
阅读过本文的人还看了以下文章：
整理开源的中文大语言模型，以规模较小、可私有化部署、训练成本较低的模型为主
基于40万表格数据集TableBank，用MaskRCNN做表格检测
《深度学习入门：基于Python的理论与实现》高清中文PDF+源码
2019最新《PyTorch自然语言处理》英、中文版PDF+源码
《21个项目玩转深度学习：基于TensorFlow的实践详解》完整版PDF+附书代码
PyTorch深度学习快速实战入门《pytorch-handbook》
【下载】豆瓣评分8.1,《机器学习实战:基于Scikit-Learn和TensorFlow》
李沐大神开源《动手学深度学习》，加州伯克利深度学习（2019春）教材
【Keras】完整实现‘交通标志’分类、‘票据’分类两个项目，让你掌握深度学习图像分类
如何利用全新的决策树集成级联结构gcForest做特征工程并打分？
Machine Learning Yearning 中文翻译稿
斯坦福CS230官方指南：CNN、RNN及使用技巧速查（打印收藏）
中科院Kaggle全球文本匹配竞赛华人第1名团队-深度学习与特征工程
不断更新资源
深度学习、机器学习、数据分析、python
搜索公众号添加： datayx