本地部署 DeepSeek R1(最新)【从下载、安装、使用和调用一条龙服务】

article/2025/6/29 9:42:50

文章目录

  • 一、安装 Ollama
    • 1.1 下载
    • 1.2 安装
  • 二、下载 DeepSeek 模型
  • 三、使用 DeepSeek
    • 3.1 在命令行环境中使用
    • 3.2 在第三方软件中使用

一、安装 Ollama

1.1 下载

官方网址:Ollama

官网下载很慢,甚至出现了下载完显示 无法下载,需要授权

在这里插入图片描述

目前有两个解决方式:

  1. 复制下载链接,使用迅雷进行下载【右键点击正在下载文件,然后点击复制下载链接】
    在这里插入图片描述

  2. 使用已经下载好的文件,这里分享一下我已经下载好的文件:attachment; filename=OllamaSetup.exe【如果没有会员,下载速度和官网半斤八两就是了】

1.2 安装

  1. 打开下载好的安装程序
    在这里插入图片描述
  2. 点击 Install,等待安装
    在这里插入图片描述
  3. 安装完成后,可以验证一下,是否安装成功,打开命令行【win + R,输入 cmd】,输入 ollama 如果出现下面信息,则安装成功!
    在这里插入图片描述

二、下载 DeepSeek 模型

  1. 访问官网:Ollama ,点击 Models ,在点击 deepseek-r1
    在这里插入图片描述
  2. 在下载之前最好先配置一下环境变量,ollama 默认是下载在 C 盘的,如果要换盘,则需要添加环境变量。
    • 在搜索框中搜索 环境变量,并点击。
      在这里插入图片描述
    • 在 高级 模块,点击 环境变量
      在这里插入图片描述
    • 在 系统变量 模块,点击 新建
      在这里插入图片描述
    • 变量名必须为 OLLAMA_MODELS,变量值可以选择其他盘的一个文件夹【就是你想指定的下载位置】,输入完点击 确定 。
      【配置完重启一下 ollama 】
      【这个变量只能控制模型的下载位置,不能控制 ollama 的下载位置,就算先添加变量,ollama 还是安装在 C 盘,有点蠢的设计】
      在这里插入图片描述
  3. 对于自己的私人电脑,后几个模型就不用考虑了,电脑一般带不动。
    【一般来说,deepseek-r1:xb 中,x 数字越大,模型能力就越强,需要的资源就越大】
    【一个简单的判断方法就是,看显卡的显存和 Size 进行比较,一般 Size 小于等于显存是比较好的】
    【当然实际也可以安装超过显存的,只要内存+显存大于等于 Size 就行,就是可能速度比较慢】【没有显卡那就只能靠内存了】
    在这里插入图片描述
  4. 选择好要下载模型,点击进入到对应模型界面,复制 模型下载指令【我这里选择的是 14 b,记得要安装自己电脑的配置选择】
    在这里插入图片描述
  5. 将复制的命令输入到 cmd 中【 win + R,输入 cmd ,即可打开 cmd 界面】,等待下载
    在这里插入图片描述
  6. 出现 success 一般就表示安装成功了!
    在这里插入图片描述
  7. 可以 Ctrl + d 退出使用,然后输入 ollama list ,可以查看自己已经下载的模型。
    在这里插入图片描述

三、使用 DeepSeek

3.1 在命令行环境中使用

  1. 打开命令行【win + R ,输入 cmd】,输入命令 ollama run deepseek-r1:14b
    【如果是其他模型,改一下参数,比如如果是 8b,则输入命令 ollama run deepseek-r1:8b
    在这里插入图片描述
  2. 输入你的问题
    【简单问题,一般就直接回答出来了,如 ① 所示】
    【复杂问题,就需要进行思考,然后回答,如 ② 所示】
    在这里插入图片描述

3.2 在第三方软件中使用

【可以在第三方软件中接入 API ,例如:Chatbox AI】
【如果想在其他第三方软件中使用,具体可以查看官方的 API 接口文档:Ollama API】

  1. 访问官网:Chatbox AI,下载 Chatbox AI ,
    在这里插入图片描述
  2. 打开下载好的安装程序,点击 下一步
    在这里插入图片描述
  3. 修改 安装位置,点击 安装 ,等待安装完成
    在这里插入图片描述
  4. 点击 完成 ,顺便打开 Chatbox
    在这里插入图片描述
  5. 点击 选用自己的 API Key 或者本地模型
    在这里插入图片描述
  6. 选择 Ollama API
    在这里插入图片描述
  7. 输入 API 地址,点击 获取
    在这里插入图片描述
  8. 选择自己安装的模型,点击 + 号即可
    在这里插入图片描述
  9. 点击新对话
    在这里插入图片描述
  10. 就可以进行正常使用
    在这里插入图片描述

http://www.hkcw.cn/article/dFwyqfaetO.shtml

相关文章

数据治理的演变与AI趋势

知识星球:数据书局。打算通过知识星球将这些年积累的知识分享出来,让各位在数据治理、数据分析的路上少走弯路,另外星球也方便动态更新最近的资料,提供各位一起讨论数据的小圈子 1.数据治理的演变 1.1.摘要 数据治理是指组织管…

Fullstack 面试复习笔记:操作系统 / 网络 / HTTP / 设计模式梳理

Fullstack 面试复习笔记:操作系统 / 网络 / HTTP / 设计模式梳理 面试周期就是要根据JD调整准备内容(挠头),最近会混合复习针对全栈这块的内容,目前是根据受伤的JD,优先选择一些基础的操作系统、Java、Nod…

【MIMO稳定裕度】基于数据驱动的多输入多输出系统稳定裕度分析

最近一直在忙着写论文,只能说要写一篇高水平论文确实不容易,要一直反复来回修改调整,要求比较高,所以没太有时间和精力写博客,这两天结束了初稿,又正好是假期,出来冒个泡。 本次分享的主题是&am…

Python 训练营打卡 Day 33-神经网络

简单神经网络的流程 1.数据预处理(归一化、转换成张量) 2.模型的定义 继承nn.Module类 定义每一个层 定义前向传播流程 3.定义损失函数和优化器 4.定义训练过程 5.可视化loss过程 预处理补充: 分类任务中,若标签是整…

TDengine 的 AI 应用实战——电力需求预测

作者: derekchen Demo数据集准备 我们使用公开的UTSD数据集里面的电力需求数据,作为预测算法的数据来源,基于历史数据预测未来若干小时的电力需求。数据集的采集频次为30分钟,单位与时间戳未提供。为了方便演示,按…

【03】完整开发腾讯云播放器SDK的UniApp官方UTS插件——优雅草上架插件市场-卓伊凡

【03】完整开发腾讯云播放器SDK的UniApp官方UTS插件——优雅草上架插件市场-卓伊凡 一、项目背景与转型原因 1.1 原定计划的变更 本系列教程最初规划是开发即构美颜SDK的UTS插件,但由于甲方公司内部战略调整,原项目被迫中止。考虑到: 技术…

(aaai2024) Omni-Kernel Network for Image Restoration

代码:https://github.com/c-yn/OKNet 研究动机:作者认为Transformer模型计算复杂度太高,因此提出了 omni-kernel module (OKM),可以有效的学习局部到全局的特征表示。该模块包括:全局、大分支、…

useMemo useCallback 自定义hook

useMemo & useCallback & 自定义hook useMemo 仅当依赖项发生变化的时候,才去重新计算;其他状态变化时则不去做不必要的计算。 useCallback 缓存函数。但是使用注意📢 ,useCallback没有特别明显的优化。 *合适的场景——父…

android binder(二)应用层编程实例

一、binder驱动浅析 从上图看出,binder的通讯主要涉及三个步骤。 在 Binder Server 端定义好服务,然后向 ServiceManager 注册服务在 Binder Client 中向 ServiceManager 获取到服务发起远程调用,调用 Binder Server 中定义好的服务 整个流…

GESP2024年3月认证C++二级( 第三部分编程题(2)小杨的日字矩阵)

参考程序&#xff1a; #include <iostream> using namespace std;int main() {int n;cin >> n; // 读入奇数 n// 外层循环控制每一行for (int i 0; i < n; i) {// 内层循环控制每一列for (int j 0; j < n; j) {char ch;// 如果当前列是最左或最右&#x…

BUUCTF[ACTF2020 新生赛]Exec 1题解

BUUCTF[ACTF2020 新生赛]Exec 1题解 分析解题过程总结: 分析 先分析题目&#xff1a;exc()是一个内部调用shell命令的函数&#xff0c;同样的函数还有system(), 创建靶机&#xff0c;打开网址&#xff0c;是一个和PING相关的网页&#xff0c;查看源代码&#xff0c;没有提示&a…

NX869NX874美光固态颗粒NX877NX883

NX869NX874美光固态颗粒NX877NX883 美光固态硬盘颗粒技术解析与市场展望 近年来&#xff0c;固态硬盘&#xff08;SSD&#xff09;市场呈现出蓬勃发展的态势&#xff0c;而作为核心组件的存储颗粒&#xff0c;其技术进展与市场动态自然吸引了众多关注。在众多品牌中&#xff…

CodeTop100 Day20

58、翻转字符串中的数字 class Solution {public String reverseWords(String s) {s s.trim(); int j s.length() - 1, i j;StringBuilder res new StringBuilder();while (i > 0) {while (i > 0 && s.charAt(i) ! ) i--…

重温经典算法——快速排序

版权声明 本文原创作者&#xff1a;谷哥的小弟作者博客地址&#xff1a;http://blog.csdn.net/lfdfhl 基本原理 快速排序基于分治思想&#xff0c;通过选取基准元素将数组划分为两个子数组&#xff08;小于基准和大于基准&#xff09;&#xff0c;递归排序子数组。平均时间复…

【机器学习】集成学习与梯度提升决策树

目录 一、引言 二、自举聚合与随机森林 三、集成学习器 四、提升算法 五、Python代码实现集成学习与梯度提升决策树的实验 六、总结 一、引言 在机器学习的广阔领域中,集成学习(Ensemble Learning)犹如一座闪耀的明星,它通过组合多个基本学习器的力量,创造出…

Python量化交易:K线形态识别与技术分析可视化

引言 在量化交易领域&#xff0c;K线形态识别是一种重要的技术分析方法&#xff0c;可以帮助投资者预测市场趋势并制定交易策略。本文将介绍如何使用Python实现K线形态的自动识别与可视化分析&#xff0c;无需依赖复杂的第三方库如TA-Lib&#xff0c;完全使用纯Python实现。通…

前端自动化测试利器:Playwright 全面介绍

目录 &#x1f9ea; 前端自动化测试利器&#xff1a;Playwright 全面介绍 ✨ 为什么选择 Playwright&#xff1f; 1. 跨浏览器支持 2. 多语言支持 3. 自动等待机制 4. 强大的页面交互能力 &#x1f527; Playwright 快速上手 &#x1f4f8; 更强的调试体验 &#x1f9…

华为云Flexus+DeepSeek征文|华为云 Dify 打造智慧水果分析助手,实现“知识库 + 大模型”精准赋能

前言 本文聚焦基于华为云平台部署的智慧水果分析助手 AI Agent&#xff0c;通过 Dify 平台集成 Embedding、Rerank 及 DeepSeek 模型&#xff0c;构建工作流&#xff0c;实现提问内容驱动的 “知识库 大模型” 与 “联网搜索 大模型” 智能切换。 ECS控制台&#xff1a;https…

【算法设计与分析】实验——改写二分搜索算法,众数问题(算法分析:主要算法思路),有重复元素的排列问题,整数因子分解问题(算法实现:过程,分析,小结)

说明&#xff1a;博主是大学生&#xff0c;有一门课是算法设计与分析&#xff0c;这是博主记录课程实验报告的内容&#xff0c;题目是老师给的&#xff0c;其他内容和代码均为原创&#xff0c;可以参考学习&#xff0c;转载和搬运需评论吱声并注明出处哦。 要求&#xff1a;2.…

MCP协议学习

MCP协议出现的背景 MCP&#xff08;Model Context Protocol&#xff0c;模型上下文协议&#xff09;由Anthropic公司于2024年11月推出&#xff0c;旨在解决大语言模型&#xff08;LLM&#xff09;与外部数据源、工具和服务之间的标准化交互问题。例如某金融科技公司需开发一款…