【DeepSeek保姆级教程】图解全程指导，新人3分钟上手！

最新推荐文章于 2025-03-08 16:25:46 发布
最新推荐文章于 2025-03-08 16:25:46 发布
阅读量1.6k 收藏 16
点赞数 24
文章标签： 人工智能 大模型学习 AI产品经理 学习 LLama DeepSeek 大模型
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/m0_65555479/article/details/145440870
版权

随着DeepSeek R1的崛起，AI市场再次进入了一个新的竞争时代。正如a16z合伙人Anjney Midha所言，“DeepSeek R1已经成为美国顶尖高校研究人员的首选模型”。这种变革迅速吸引了全球科技界的关注，甚至引发了股市的剧烈波动，英伟达市值一度蒸发5890亿美元，重新定义了AI技术的竞争格局。

**为什么DeepSeek如此引人注目？**DeepSeek的成功不仅在于其突破性的算法优化，还在于其成本效益。其训练成本仅为OpenAI ChatGPT的十分之一，并且在芯片使用上展现了惊人的优势。DeepSeek的低成本推理能力打破了AI计算的传统模式，将AI模型训练与推理的成本推向了一个全新的阶段。

**但DeepSeek并非要直接挑战英伟达的主导地位。**尽管DeepSeek在推理端的低成本带来了巨大的市场冲击，但在训练端，英伟达的GPU仍占据着无法撼动的地位。然而，DeepSeek的成功迫使全球AI产业必须以更低的成本进行创新，同时也为中国企业提供了更为平等的竞争环境。

**未来的AI竞争将如何展开？**随着DeepSeek展现出低成本高效益的可能性，全球AI技术的竞争格局正在发生深刻变化。美国在硬件和基础研究上的领先地位仍不可忽视，但中国在算法优化和应用创新方面展现出的潜力，将为未来的科技变革带来更多可能。全球AI生态系统的竞争不仅仅依赖于硬件性能，更考验企业的算法优化能力与跨领域的协同创新。

**接下来，如何快速上手DeepSeek？**如果你也想感受DeepSeek带来的AI变革，不妨从DeepSeek保姆级教程开始！这里有详细的图解操作步骤，帮助你快速入门、掌握操作技巧。无论你是AI新手还是有经验的开发者，都能通过这份教程迅速上手，感受到DeepSeek带来的高效和便捷。

DeepSeek不仅在计算成本和性能上颠覆了传统AI模型，更在对话功能方面带来了革命性的创新。其对话能力的强大和灵活，能够在各种应用场景中提供高效的互动体验，从智能客服到虚拟助理，再到深度学习应用，DeepSeek的对话功能正在逐步重塑人机交互的方式。

DeepSeek的强大功能不仅体现在其出色的计算性能上，还在于其灵活的对话能力和高效的模型优化。无论是应用在企业级智能客服、教育领域、还是个人化虚拟助手，DeepSeek都能为各行各业提供创新的解决方案。

通过本篇文章的深入分析，我们看到了DeepSeek在AI模型开发和应用中的巨大潜力，尤其是在降低计算成本和提升运行效率方面的突破。

本篇文章带你从0-1，快速掌握AI模型开发的核心技能，带你走在技术革新的最前沿！

不管你是AI开发新手，还是想进一步提升自己的技术水平，这篇教程将帮助你快速上手、轻松理解并掌握DeepSeek的核心应用。马上开启你的AI之旅，抓住行业风口，成就你的技术梦想！

AI大模型学习路线

如果你对AI大模型入门感兴趣，那么你需要的话可以点击这里大模型重磅福利：入门进阶全套104G学习资源包免费分享！

扫描下方csdn官方合作二维码获取哦！

在这里插入图片描述

这是一份大模型从零基础到进阶的学习路线大纲全览，小伙伴们记得点个收藏！

请添加图片描述
第一阶段： 从大模型系统设计入手，讲解大模型的主要方法；

第二阶段： 在通过大模型提示词工程从Prompts角度入手更好发挥模型的作用；

第三阶段： 大模型平台应用开发借助阿里云PAI平台构建电商领域虚拟试衣系统；

第四阶段： 大模型知识库应用开发以LangChain框架为例，构建物流行业咨询智能问答系统；

第五阶段： 大模型微调开发借助以大健康、新零售、新媒体领域构建适合当前领域大模型；

第六阶段： 以SD多模态大模型为主，搭建了文生图小程序案例；

第七阶段： 以大模型平台应用与开发为主，通过星火大模型，文心大模型等成熟大模型构建大模型行业应用。

100套AI大模型商业化落地方案

请添加图片描述

大模型全套视频教程

请添加图片描述

200本大模型PDF书籍

请添加图片描述

👉学会后的收获：👈

• 基于大模型全栈工程实现（前端、后端、产品经理、设计、数据分析等），通过这门课可获得不同能力；

• 能够利用大模型解决相关实际项目需求： 大数据时代，越来越多的企业和机构需要处理海量数据，利用大模型技术可以更好地处理这些数据，提高数据分析和决策的准确性。因此，掌握大模型应用开发技能，可以让程序员更好地应对实际项目需求；

• 基于大模型和企业数据AI应用开发，实现大模型理论、掌握GPU算力、硬件、LangChain开发框架和项目实战技能， 学会Fine-tuning垂直训练大模型（数据准备、数据蒸馏、大模型部署）一站式掌握；

• 能够完成时下热门大模型垂直领域模型训练能力，提高程序员的编码能力： 大模型应用开发需要掌握机器学习算法、深度学习框架等技术，这些技术的掌握可以提高程序员的编码能力和分析能力，让程序员更加熟练地编写高质量的代码。

LLM面试题合集

请添加图片描述

大模型产品经理资源合集

请添加图片描述

大模型项目实战合集

请添加图片描述

👉获取方式：
😝有需要的小伙伴，可以保存图片到wx扫描二v码免费领取【保证100%免费】🆓

Deepseek R1 Zero成功复现, 三阶段RL，Response长度涨幅超50%，涌现语言混杂，double-check
强化学习曾小健
02-05 800
这里有很多有意思的设置小细节和中间输出的观察，非常值得深入探索请等后续，几周内我们会写好完整文章~
全球都在复现DeepSeek R1，AI圈炸了！
2401_85390073的博客
01-27 1395
最近，AI圈被一个叫DeepSeek R1的模型刷屏了。这款由中国公司深度求索推出的开源大模型，凭借超低的训练成本和强大的性能，迅速成为全球科技界的“顶流”。从硅谷到学术界，从开发者到投资人，大家都在讨论它，甚至全球顶尖机构都在忙着复现它。这波热潮不仅让AI大模型的发展进入新阶段，也让我们对AI的未来有了更多想象。一、DeepSeek R1为啥这么火？低成本+高性能，真香！DeepSeek R1的厉害之处在于，它用了一种叫“强化学习”的技术，让模型在不需要大量标注数据的情况下，也能学会复杂的推理能力。
DeepSeek 从入门到精通学习指南
热门推荐
2401_82853421的博客
02-05 2万+
DeepSeek 是一款基于深度学习的搜索引擎，具备高效、准确、智能的特点。它能够处理大规模数据，提供精准的搜索结果和相关推荐。1.插件开发：根据需求，开发自定义插件，扩展 DeepSeek 的功能。2.插件部署：将开发好的插件部署到 DeepSeek 中。3.插件测试：进行充分的测试，确保插件的稳定性和性能。通过本文的学习，您应该对 DeepSeek 有了全面的了解，并掌握了从入门到精通的使用方法。DeepSeek 作为一款强大的 AI 搜索引擎，能够为您的工作带来极大的便利和效率提升。
首个DeepSeek-R1全开源复现Open-R1来了
m0_63171455的博客
01-27 5259
huggingface出品，，短短一天已经冲上1.9k Star，这个仓库仍在建设中。的目标是构建流程中缺失的部分，以便每个人都可以复现并在此基础上进行开发。项目设计简单，主要包含以下内容：src/open_r1 包含用于训练和评估模型以及生成合成数据的脚本：grpo.py：使用GRPO在给定数据集上训练模型。sft.py：在数据集上对模型进行简单的SFT（监督微调）。evaluate.py：在R1基准测试上评估模型。generate.py：使用Distilabel从模型生成合成数据。
【DeepSeek】复现DeepSeek R1？快来看这个Open R1项目实践指南~
qq_38961840的博客
01-28 2913
虽然我们重点要谈 GRPO 和相关训练，但在那之前，还是得对 Open R1 项目的基本结构和运行方式做一个大致了解。项目内多处文件都提示，若想顺利运行，需要提前满足一些环境依赖。从以上可以看到，Open R1 给出了两个“示例奖励函数”——和。：对比回答与 gold solution 是否一致，用 parser 做一些 LaTeX 公式提取，然后判断是否相符。：纯粹检查字符串是否匹配某种模板，比如。在实际项目中，我们可能换成别的，比如针对对话安全性、对话流畅性或其他指标的打分模型，也可能是。
DeepSeek R1复现
hang on it more longer
02-06 1146
UC伯克利博士生潘家怡和另两位研究人员在CountDown游戏中复现了DeepSeek R1-Zero，项目名为TinyZero。：通过强化学习（RL），验证了3B的基础语言模型能够自我验证和搜索，且成本不到30美金。，从而能够获得更高的分数。此外，还发现额外的指令微调（SFT）并非是必要的。
Deepseek保姆级操作手册（基础使用教程）
02-18
Deepseek是一款具备人工智能技术的搜索工具，其操作手册对初学者来说是一份...不论你是初次接触人工智能搜索工具的新人，还是希望进一步提升搜索效率的专业人士，Deepseek保姆级操作手册都能为你提供必要的指导和帮助。
DeepSeek 保姆级新手教程
02-27
本资源将以DeepSeek为例，深入讲解如何运用大模型对话的技巧，包括明确提问、优化指令、理解回答以及如何在复杂场景中灵活运用。通过理论与实践相结合的方式，帮助读者快速掌握与大模型高效对话的方法。 适合人群： ...
AI deepseek 权威指南 保姆级教程 北京大学&清华大学 - DeepSeek全套教程文档
02-26
AI deepseek 权威指南 保姆级教程 北京大学&清华大学 - DeepSeek全套教程文档包含五套系列教程 AI deepseek 权威指南 保姆级教程 北京大学&清华大学 - DeepSeek全套教程文档包含五套系列教程 AI deepseek 权威指南 ...
DeepSeek 保姆级新手教程-16篇文章解读deepseek使用技巧
最新发布
03-16
DeepSeek 保姆级新手教程-16篇文章解读deepseek使用技巧 现在最火的科技话题是Ai，而Ai圈最火的话题毫无疑问是Deepseek。​ 很多人说Deepseek是名不见经传的小公司，突然闯入这个赛道，这是不对的。其实相当长的一段...
DeepSeek 保姆级新手教程 新手必看
02-28
01、Deepseek是什么？ 02、DEEPSEEK之【文学】 03、DEEPSEEK之【做题】 04、DeepSeek的使用方法-00注册与登录 05、DeepSeek的使用技巧 - 01抛弃提示词模板 06、DeepSeek的使用技巧 - 02让它“说人话” 07、DeepSeek...
DeepSeek-R1-Zero的复现调试（swanlab观测实验过程）
weixin_44312617的博客
02-13 911
本文旨在对deepseek-r1-zero进行复现实验，详细介绍了从r1原理到代码实现，再到结果观测的整个过程。在实验中，采用了基石智算平台来实现GRPO（基于PPO的优化算法），并通过SwanLab监控实验过程，确保实验的每个阶段都能精确跟踪与调试。通过这一系列的实验步骤，本文希望帮助用户更好地理解基石智算平台的使用方式，并深入掌握GRPO的实现方法。希望读者在实验过程中能够加深对相关技术的理解，并能灵活应用于实际项目中。
Open-R1：Deepseek-R1复现项目（包含SFT阶段、GRPO阶段代码详解）
sherlockMa的博客
02-07 7263
DeepSeek-R1的意义在于其通过创新的训练方法和技术突破，为大型语言模型（LLMs）在推理能力、训练效率和成本控制等方面树立了新的标杆。其采用的多阶段训练策略，结合冷启动数据微调、强化学习（RL）和监督微调（SFT），不仅显著提升了模型在复杂推理任务中的表现，还解决了传统单阶段训练方法难以克服的挑战。DeepSeek-R1的训练过程证明了强化学习可以有效提升模型的推理能力，同时其创新的GRPO算法大幅降低了训练成本，使得高性能推理模型的开发更加高效和经济。
DeepseekR1关键点复现验证及思考
seaboat——a free boat on the sea.（公众号：远洋号）
03-08 465
整体情况结合业务数据验证DeepseekR1论文中提到的DeepseekR1核心关键点，包括强化学习（GRPO）、推理能力的蒸馏、SFT+COT（Inference Scaling Laws）验证。实验环境及数据模型：Qwen2.5-0.5B-Instruct场景：sql生成。数据：数千样本算力：一张A100卡SFT 与 RLSFT与RL本质相同，都是监督学习，只是sft有明确的标签，而RL只有明...
DeepSeek-R1复现方案梳理
yanqianglifei的专栏
02-12 1264
在 100 步时，解方程的成功率约为 25%，并且模型开始用文字进行 “推理”;近日，来自UC伯克利的研究团队基于Deepseek-R1-Distilled-Qwen-1.5B，通过简单的强化学习（RL）微调，得到了全新的DeepScaleR-1.5B-Preview。由huggingface组建，目前刚上线2周，发布了最新进展open-r1/update-1，在MATH-500任务上接近deepseek的指标，可以在open-r1/open-r1-eval-leaderboard查看指标的排行榜。
首个DeepSeek-R1开源复现：Open-R1正式亮相
m0_65555479的博客
01-31 4041
Open-R1 由 huggingface 打造，旨在构建 DeepSeek-R1 流程中缺失的部分，让开发者能够复现并基于其进行二次开发。src/open_r1 文件夹：包含用于训练和评估模型以及生成合成数据的脚本。grpo.py负责运用 GRPO 算法在特定数据集上训练模型；sft.py用于执行模型的监督微调（SFT）；对模型进行 R1 基准测试评估；借助 Distilabel 从模型生成合成数据。Makefile：整合了 R1 流程各步骤的便捷运行命令，这些命令依托上述脚本，极大地简化了开发流程。
DeepSeekR1论文精读与部分代码复现
GodGump的博客
03-05 887
DeepSeek-R1-Zero（基础型）通过纯强化学习（Reinforcement Learning, RL）训练范式实现，跳过了传统监督微调（Supervised Fine-Tuning, SFT）预处理阶段，在数学推理、逻辑推导等复杂任务中展现出卓越的zero-shot推理能力。DeepSeek-R1（增强型）创新性地融合多阶段训练体系与冷启动数据策略，在保持RL核心优势的同时，显著提升模型综合性能，其推理能力已实现对标OpenAI顶尖模型。
一文汇总DeepSeek R1最新复现进展
EnjoyEDU的博客
02-22 1092
自 DeepSeek-R1 发布以来，迅速风靡全球，如今已晋升为国民级产品。此后，全球范围内掀起了一股复现 DeepSeek-R1 的热潮，其中不乏一些亮点纷呈的优秀项目。本文将对这些开源项目中的亮点复现工作进行汇总。接下来我们介绍下复现细节。Open R1 项目由 HuggingFace 发起，联合创始人兼 CEO Clem Delangue 是这么说的：这个项目的目的是构建 R1 pipeline 中缺失的部分，以便所有人都能在此之上复制和构建 R1。
全球掀DeepSeek复现狂潮！硅谷巨头神话崩塌，30刀见证啊哈时刻
强化学习曾小健
01-26 877
与RL训练前的模型（Qwen2.5-Math-7B-Base + 8K QwQ知识蒸馏版本）相比，Qwen2.5-7B-SimpleRL的平均性能显著提升了6.9个百分点。此外，Qwen2.5-7B-SimpleRL不仅持续优于Eurus-2-7B-PRIME，还在5个基准测试中的3个上超越了Qwen2.5-7B-SimpleRL-Zero。其中，Qwen2.5-7B-SimpleRL-Zero是在Qwen2.5-Math-7B基础模型上仅使用纯PPO方法训练的，仅采用了MATH数据集中的8K样本。
Windows本地部署deepseek保姆级教程
02-23
<think>嗯，用户想要在Windows本地部署DeepSeek的保姆级教程。首先，我需要确认DeepSeek具体指的是什么。因为DeepSeek可能有不同的应用，比如是深度学习框架、某个特定项目，还是公司提供的工具。假设这里指的是深度求索公司的某个AI模型，比如类似ChatGPT的大语言模型。这时候，我需要考虑用户可能的需求：他们可能想在自己的Windows电脑上部署一个类似ChatGPT的本地模型，用于开发或测试。 接下来，用户可能对技术不太熟悉，所以教程必须详细，每一步都要清晰。需要分步骤讲解，包括环境准备、依赖安装、模型下载、配置和运行测试。同时，用户可能遇到的问题，比如Python环境配置、GPU支持、模型文件过大等，需要提前预警并提供解决方案。 首先，安装Python环境。推荐使用Anaconda，因为它能方便地管理虚拟环境。要指导用户下载安装，并创建专用环境。然后安装PyTorch，这里需要注意CUDA版本，如果用户有NVIDIA显卡，可以加速计算，否则只能用CPU版本，但速度会慢很多。需要判断用户是否有GPU，但教程里应该涵盖两种情况。 然后，模型下载。可能涉及到Hugging Face平台，需要指导用户注册账号，安装git-lfs，下载模型文件。这里可能会有网络问题，国内用户可能需要镜像或者代理，可能需要提示。另外，模型文件通常很大，需要足够的存储空间，比如几十GB，这点要提醒用户。 接下来是代码部分，可能需要从GitHub克隆项目，安装依赖库，比如transformers、torch等。需要检查代码示例是否正确，比如使用AutoModelForCausalLM和AutoTokenizer加载模型，并编写推理代码。注意提醒用户替换模型路径，并根据显存调整batch_size和max_length。 运行部分，可能会遇到内存不足的问题，尤其是没有GPU的用户。需要建议他们使用较小的模型或者减少输入长度。此外，可能存在的错误如缺少库，需要提示安装。 最后，优化和常见问题，比如量化、使用GPU技巧，以及回答可能的疑问，比如是否需要互联网连接，模型是否能微调等。 需要确保教程用词简单，避免专业术语过多，步骤明确，适合新手。同时，检查是否有遗漏的步骤，比如git-lfs的安装，环境变量的设置，或者权限问题。可能还需要提供示例代码，确保用户能直接复制粘贴，并验证代码的正确性。 总结，整个教程需要从环境准备开始，逐步引导用户完成每个步骤，预见到常见问题并给出解决方案，确保用户即使遇到问题也能找到解决办法。同时，提醒用户注意硬件需求和下载时间，避免中途放弃。</think>以下是在 **Windows 系统本地部署 DeepSeek 模型（如 DeepSeek-R1 或类似大语言模型）的详细步骤教程，适合新手操作**： --- ### **一、环境准备** 1. **安装 Python** - 访问 [Python官网](https://www.python.org/downloads/)，下载最新版 **Python 3.10+**。 - 安装时勾选 `Add Python to PATH`，确保环境变量配置正确。 - 验证安装：打开命令提示符（CMD），输入 `python --version`，显示版本号即成功。 2. **安装 CUDA 和 cuDNN（仅限NVIDIA显卡用户）** - 如果有NVIDIA显卡，安装 **CUDA Toolkit 11.8** 和对应版本的 **cuDNN**（加速GPU推理）。 - 参考NVIDIA官方教程配置：[CUDA安装指南](https://developer.nvidia.com/cuda-toolkit)。 3. **安装 Git 和 Git LFS** - 下载 [Git for Windows](https://git-scm.com/download/win)，安装时全部默认选项。 - 安装后打开CMD，运行命令安装Git LFS（用于下载大模型文件）： ```bash git lfs install ``` --- ### **二、获取模型文件** 1. **从Hugging Face下载模型** - 访问DeepSeek官方HF仓库（如 [deepseek-ai/deepseek-llm-7b-chat](https://huggingface.co/deepseek-ai)）。 - 点击“Clone repository”复制模型地址（需注册HF账号并登录）。 - 在本地文件夹打开CMD，运行： ```bash git clone https://huggingface.co/deepseek-ai/deepseek-llm-7b-chat ``` - 等待下载完成（模型可能超过20GB，确保磁盘空间充足）。 2. **备选方案：国内镜像加速** - 如果下载慢，可使用[魔搭社区（ModelScope）](https://modelscope.cn/models?search=deepseek)或代理工具。 --- ### **三、创建Python虚拟环境** 1. **使用conda创建环境（推荐）** ```bash conda create -n deepseek python=3.10 conda activate deepseek ``` 2. **安装PyTorch** - 根据CUDA版本选择命令（无GPU则用CPU版本）： ```bash # CUDA 11.8 pip3 install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu118 # 仅CPU pip3 install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cpu ``` 3. **安装依赖库** ```bash pip install transformers sentencepiece accelerate huggingface_hub ``` --- ### **四、编写推理代码** 1. **创建 `run.py` 文件** ```python from transformers import AutoModelForCausalLM, AutoTokenizer model_path = "D:/deepseek-llm-7b-chat" # 替换为你的模型路径 tokenizer = AutoTokenizer.from_pretrained(model_path, trust_remote_code=True) model = AutoModelForCausalLM.from_pretrained(model_path, device_map="auto", trust_remote_code=True) prompt = "你好，请介绍一下你自己。" inputs = tokenizer(prompt, return_tensors="pt").to(model.device) outputs = model.generate(**inputs, max_new_tokens=100) print(tokenizer.decode(outputs[0], skip_special_tokens=True)) ``` 2. **调整参数（可选）** - 显存不足时，在 `from_pretrained` 中添加参数：`load_in_4bit=True`（4位量化）或 `load_in_8bit=True`。 --- ### **五、运行模型** 1. **启动推理** ```bash python run.py ``` - 首次运行会自动加载模型，可能需要等待数分钟。 - 如果显存不足，尝试减少 `max_new_tokens` 或使用更小模型（如1.3B版本）。 --- ### **六、常见问题** 1. **CUDA内存不足** - 使用CPU运行：修改代码中的 `device_map="cpu"`。 - 启用量化（需安装 `bitsandbytes` 库）： ```bash pip install bitsandbytes ``` 2. **模型加载失败** - 检查模型路径是否正确，确保所有模型文件已下载完整（尤其是`.bin`和`.json`文件）。 3. **网络问题** - 国内用户可使用镜像源加速下载： ```bash pip install -i https://pypi.tuna.tsinghua.edu.cn/simple [包名] ``` --- ### **七、进阶优化** - **使用vLLM加速推理**（需GPU）： ```bash pip install vllm from vllm import LLM, SamplingParams llm = LLM(model=model_path) ``` - **Web界面交互**： 部署类似 [text-generation-webui](https://github.com/oobabooga/text-generation-webui) 的交互式界面。 --- 通过以上步骤，你可以在Windows本地成功运行DeepSeek模型。如果遇到问题，建议查阅模型官方文档或社区讨论（如Hugging Face、GitHub Issues）。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

程序员辣条

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值