本地部署DeepSeek后的调用与删除全攻略

在本地成功部署DeepSeek模型后，如何高效调用它发挥其强大功能，以及在不需要时妥善删除，是很多用户关注的重点。我也在后台接到了很多粉丝的留言，询问 DeepSeek 本地部署之后的一些调用和删除的问题，于是我在网上找了现在主流热门的三种本地部署方案，对照他们的部署方式对出了调用和删除的指令，接下来，我们将从不同的部署方式入手，详细介绍对应的调用和删除方法。

当然你如果不了解 DeepSeek，这几篇文章会让你快速领略 DeepSeek 的风采：

热榜好文：

DeepSeek各版本说明与优缺点分析

DeepSeek-R1不同版本的 1.5B、7B、8B、14B、32B、70B、671B 主要区别以及各个蒸馏版本的优缺点

实用操作：

【大模型】深度解读 DeepSeek - R1 提示词

【大模型】DeepSeek-R1 论文原文翻译 + 解读

如何让DeepSeek成为你的私人客服：DeepSeek接入微信一文全解析

好了话不多说，接下来进入我们今天的主题环节。

一、基于Hugging Face部署的DeepSeek模型调用与删除

（一）调用方法

1. 安装依赖：确保已经安装transformers库，使用pip install transformers命令完成安装。如果模型运行还依赖其他特定库，如torch等，也需一并安装。

2. 代码调用示例：

from transformers import AutoTokenizer, AutoModelForCausalLM

# 加载模型和分词器，替换为实际本地模型路径
tokenizer = AutoTokenizer.from_pretrained("your_local_deepseek_model_path")
model = AutoModelForCausalLM.from_pretrained("your_local_deepseek_model_path")

# 输入文本
input_text = "请描述一下未来城市的样子"

# 对输入文本进行编码
input_ids = tokenizer.encode(input_text, return_tensors='pt')

# 使用模型生成文本
output = model.generate(input_ids, max_length=200, num_beams=5, early_stopping=True)

# 解码生成的文本
generated_text = tokenizer.decode(output[0], skip_special_tokens=True)
print(generated_text)

在上述代码中，先导入所需类，接着从本地路径加载模型和分词器，然后对输入文本编码，输入模型生成文本，最后解码并输出结果 。

（二）删除方法

1. 删除模型文件：定位到本地部署的DeepSeek模型文件夹，直接手动删除整个文件夹。若使用的是Linux系统，可在终端中使用rm -rf your_local_deepseek_model_path命令删除；Windows系统则直接在文件资源管理器中找到对应文件夹删除。

2. 清理缓存和依赖：运行transformers库提供的清理缓存命令transformers-cli clear -f，清除可能残留的缓存文件。对于不再使用的相关依赖库，使用pip uninstall命令进行卸载，如pip uninstall transformers 。

二、通过Ollama部署的DeepSeek模型调用与删除

（一）调用方法

1. 安装Ollama：

   • Linux系统：在终端执行curl -fsSL https://ollama.com/install.sh | sh命令完成安装。

   • 其他系统：可前往Ollama官网（https://ollama.com/），根据对应系统下载安装包进行安装。
     

2. 拉取模型：在命令行中输入ollama run deepseek - r1:1.5b（以deepseek - r1:1.5b模型为例，可根据实际需求替换模型名称和版本），等待模型下载完成。

这里在1的位置可以更换 DeepSeek 的蒸馏模型，更换之后2的位置会出现 DeepSeek 安装指令，最后在3的位置点击复制，打开终端进行安装即可

4. 运行模型：模型下载完成后，执行ollama run deepseek - r1:1.5b，在命令行中即可与模型进行交互，输入问题获取回答。
   

（二）删除方法

1. 删除模型：在命令行中输入ollama rm deepseek - r1:1.5b，即可删除指定的DeepSeek模型。当然你如果还在模型的交互界面，可以先输入 Ctrl + D 来退出交互模式，ollama rm deepseek - r1:1.5b 这条语句是用来删除 deepseek - r1:1.5b 模型的，大家可以根据自己的模型来进行更改。

如果出现下面这条语句，就证明你已经成功删除了ollama rm deepseek - r1:1.5b模型。

2. 清理缓存：使用ollama cache clean命令，清理Ollama运行过程中产生的缓存文件，释放磁盘空间。

三、在Google Colab中部署的DeepSeek模型调用与删除

（一）调用方法

以下是在Hugging Face相关环境下关于DeepSeek模型的调用与删除方法：

调用方法

• 使用transformers库
  • 安装依赖：确保已经安装了transformers库、torch等相关依赖。如果没有，可使用pip install transformers torch进行安装。
  • 加载模型：在Python代码中，使用以下方式加载DeepSeek模型。假设要加载deepseek-coder-1.3b-instruct-function-calling-v2模型，示例代码如下：

from transformers import AutoTokenizer, AutoModelForCausalLM

tokenizer = AutoTokenizer.from_pretrained("Trelis/deepseek-coder-1.3b-instruct-function-calling-v2")
model = AutoModelForCausalLM.from_pretrained("Trelis/deepseek-coder-1.3b-instruct-function-calling-v2")

• 生成文本：加载完模型和分词器后，就可以进行文本生成等操作，示例代码如下：

input_text = "写一个简单的Python函数"
input_ids = tokenizer.encode(input_text, return_tensors="pt")
output = model.generate(input_ids, max_length=100)
generated_text = tokenizer.decode(output[0], skip_special_tokens=True)
print(generated_text)

• 使用text-generation-inference工具

  • 安装部署：按照text-generation-inference的官方文档进行安装和部署。可以通过pip install text-generation-inference安装，然后根据提示进行配置。

  • 启动服务：安装完成后，使用命令text-generation-server --model-id Trelis/deepseek-coder-1.3b-instruct-function-calling-v2启动服务，这里将Trelis/deepseek-coder-1.3b-instruct-function-calling-v2替换为实际要使用的DeepSeek模型名称即可。

  • 发送请求：服务启动后，可以通过HTTP请求来调用模型。示例代码如下：

import requests

url = "http://localhost:8080/generate"
data = {"inputs": "请用Java写一个冒泡排序算法"}
response = requests.post(url, json=data)
print(response.json())

删除方法

• 通过Hugging Face Hub删除

  • 登录账号：在Hugging Face官网登录自己的账号。
    

  • Hugging Face官网：https://huggingface.co/

  • 找到模型：进入自己的模型仓库，找到要删除的DeepSeek模型对应的项目。
    

  • 删除操作：点击模型项目页面中的相关删除按钮或选项，按照提示确认删除操作。

• 通过本地缓存删除
  • 找到缓存路径：Hugging Face模型的缓存路径通常在~/.cache/huggingface/hub目录下。如果是Windows系统，一般在C:\Users\[用户名]\.cache\huggingface\hub。
  • 删除模型文件：进入对应的模型缓存目录，删除与要删除的DeepSeek模型相关的所有文件和文件夹。

无论采用哪种方式本地部署DeepSeek模型，在调用时都要确保环境配置正确，在删除时要谨慎操作，避免误删重要文件，确保系统资源的合理管理和使用 。