手把手教你如何在一台2核2gECS服务器跑Deepseek R1模型

写在前面：Deepseek简介：

DeepSeek是一款由国内人工智能公司研发的大型语言模型，拥有强大的自然语言处理能力，能够理解并回答问题，还能辅助写代码、整理资料和解决复杂的数学问题。一经发布，DeepSeek开发的移动应用程序超越OpenAI的ChatGPT，登顶苹果手机应用商店美国区、中国区免费应用榜单。

与OpenAI开发的ChatGPT相比，DeepSeek不仅率先实现了媲美OpenAI-o1模型的效果，还大幅降低了推理模型的成本。其新模型DeepSeek-R1以十分之一的成本达到了GPT-o1级别的表现，引发海外AI圈的广泛讨论。

那么，DeepSeek到底是什么？为什么能“引爆”美国科技圈？大家关注近几天的新闻就可一探究竟，本期主要带着大家一键部署自己的DeepSeek服务，一起来看看吧！

官网：https://www.deepseek.com
GitHub：https://github.com/deepseek-ai

准备工作：为什么选择2核2G ECS服务器？

因为我记得我好像有台四核八G的服务器一直没用过，这两天刷抖音逛b站都是各种博主本地部署Deepseek R1模型，我转头想想我的“破电脑”还能造吗？？？

那我就想着在服务器部署吧，但是服务器哪来的GPU，那不得吧CPU干冒烟，那我就想那就试试最小的1.5b参数的模型吧，刚开始就只当头一棒，卧槽，记错啦，服务器怎么成了2核2g？？？这还搞个头呢？

但是开弓哪有回头箭，硬着头皮干就完事啦！

环境准备

官方推荐配置

DeepSeek R1 模型参数和显存需求：

模型名称	参数量	显存需求	推荐显卡型号（最低）
DeepSeek-R1-Distill-Qwen-1.5B	1.5B	4-6 GB	GTX 1660 Ti、RTX 2060
DeepSeek-R1-Distill-Qwen-7B	7B	12-16 GB	RTX 3060、RTX 3080
DeepSeek-R1-Distill-Llama-8B	8B	16-20 GB	RTX 3080 Ti、RTX 3090
DeepSeek-R1-Distill-Qwen-14B	14B	24-32 GB	RTX 3090、RTX 4090
DeepSeek-R1-Distill-Qwen-32B	32B	48-64 GB	A100、H100
DeepSeek-R1-Distill-Llama-70B	70B	80-128 GB	A100、H100、MI250X

小落配置

一台2核2g ECS云服务器，没啦！

其他环境准备：

操作系统：Ubuntu 22.04 或类似的 Linux 发行版。
软件：Python 3.8 或更高版本，并且您的系统上安装了 Git。
可用磁盘空间： 对于较小的模型，至少 10 GB;

话说CPU、内存就没要求吗，当然有，但我们这就配置还怎么要求，就用点魔法啦！

DeepSeek R1 模型的获取与部署

要成功运行 DeepSeek R1 模型，首先需要安装并配置好一些基础工具。这里我们将通过 Ollama 工具来下载和运行 DeepSeek 模型。Ollama 是一款专为在本地运行 AI 模型而设计的工具，它能够帮助你快速部署和管理模型，确保顺利完成 AI 服务的搭建。

第 1 步：安装 Ollama

Ollama 提供了一个简单的安装脚本，你可以通过以下命令在终端中直接安装：

curl -fsSL https://ollama.com/install.sh | sh

此命令将自动下载并执行 Ollama 安装脚本，在安装过程中，Ollama 会自动配置所需的服务并完成安装。安装完成后，你可以通过以下命令检查 Ollama 是否已成功安装：

ollama --version

如果安装成功，系统将输出版本信息。接下来，我们需要确认 Ollama 服务是否正在运行：

systemctl is-active ollama.service

如果输出为 active，说明 Ollama 服务正在运行，接下来就可以跳过此步骤，继续进行下一步。如果输出不是 active，则需要手动启动 Ollama 服务：

sudo systemctl start ollama.service

为了确保 Ollama 服务在系统启动时自动运行，你可以使用以下命令：

sudo systemctl enable ollama.service

第 2 步：下载并运行 DeepSeek-R1 模型

DeepSeek-R1 模型包括了基于 Qwen 和 Llama 架构微调的多个提炼模型，这些模型已经针对不同的性能需求和资源限制进行了优化。你可以根据自己系统的资源情况选择适合的模型进行部署。

在安装并启动 Ollama 后，你可以使用以下命令下载并运行 DeepSeek-R1 模型：

ollama run deepseek-r1:1.5b

！！！敲桌子！！！

这里是重点

下载报错

pulling manifest 
pulling aabd4debf0c8... 100% ▕██████████▏ 1.1 GB                         
pulling 369ca498f347... 100% ▕██████████▏  387 B                         
pulling 6e4c38e1172f... 100% ▕██████████▏ 1.1 KB                         
pulling f4d24e9138dd... 100% ▕██████████▏  148 B                         
pulling a85fe2a2e58e... 100% ▕██████████▏  487 B                         
verifying sha256 digest 
writing manifest 
success 
Error: model requires more system memory (1.6 GiB) than is available (1.3 GiB)
root@ecs-1a28:~# 
root@ecs-1a28:~# 

问题分析

内存限制:
    你的服务器只有 2 GiB 内存，对于运行像 DeepSeek-R1:7B 这样的模型来说，显然是不足的。

你的2核2g服务器大概率是无法安装运行模型的，就连最小的1.5b参数也不行！

这里我们就要用魔法啦，直接造出来10个G的虚拟内存来运行我们的模型！

虚拟内存

虚拟内存 是操作系统提供的一种内存管理机制，它使计算机能够扩展其有效内存的大小。通过虚拟内存，操作系统能够将部分内存内容（不常用的部分）从 物理内存（RAM）迁移到 硬盘 或 SSD 上，形成一个 虚拟内存空间。
虚拟内存的关键概念：

物理内存：是计算机中的实际内存（RAM）。当系统运行程序时，它会将数据加载到物理内存中。
Swap 空间（交换空间）：Swap 是硬盘上的一块空间，用作扩展内存的补充。当物理内存不够用时，操作系统会将不活跃的数据或进程从物理内存移动到 Swap 空间。
分页机制：操作系统使用分页机制将内存划分为固定大小的块（页），当物理内存不足时，操作系统会将一些页面数据交换到 Swap 中。

虚拟内存的工作原理：

内存管理：当程序需要更多内存时，操作系统会检查物理内存和 Swap 空间。如果物理内存不足，操作系统会把部分内容转移到 Swap 空间，释放出更多空间给当前运行的程序。
内存交换：当程序不再频繁使用某些数据时，它会被移动到 Swap 空间。当这些数据再次需要时，操作系统会把它们从 Swap 空间读取回来。

这里我大概推算的一个模型内存占比

我们可以通过 7B 模型内存需求与参数量的比例 来估算其他模型的 内存需求。假设 1.5B 模型 需要大约 1.2 GiB 的内存（按 7B 模型的 5.6 GiB 内存比例推算），我们将继续使用这个比例来推算其他模型的内存需求。

假设内存需求与参数量呈线性关系：

7B 模型内存需求: 5.6 GiB
1.5B 模型内存需求: 5.6×0.214≈1.25.6×0.214≈1.2 GiB

推算其他模型的内存需求

模型名称	参数量	内存需求估算（GiB）
DeepSeek-R1:1.5B	1.5B	1.2 GiB
DeepSeek-R1:3B	3B	2.4 GiB
DeepSeek-R1:7B	7B	5.6 GiB
DeepSeek-R1:14B	14B	11.2 GiB
DeepSeek-R1:32B	32B	25.6 GiB
DeepSeek-R1:70B	70B	56 GiB

在你的 Ubuntu 22.04 服务器上，可以通过以下步骤再增加 10GB 的 Swap（虚拟内存）：

---

步骤 1：创建新的 Swap 文件

1. 创建一个 10GB 的 Swap 文件：

   sudo fallocate -l 10G /swapfile2
   

如果 fallocate 不可用，可以使用以下命令代替：

sudo dd if=/dev/zero of=/swapfile2 bs=1G count=10

2. 设置文件权限：
   确保 Swap 文件只有 root 用户可以访问：

   sudo chmod 600 /swapfile2
   

3. 将文件设置为 Swap：
   使用以下命令将文件设置为 Swap 空间：

   sudo mkswap /swapfile2
   

4. 启用新的 Swap 文件：

   sudo swapon /swapfile2
   

---

步骤 2：验证 Swap 是否增加

1. 检查 Swap 空间：

   free -h
   

   你应该看到总的 Swap 空间增加了 10GB。
   

2. 显示所有启用的 Swap 文件：

   swapon --show
   

   你应该看到 /swapfile2 在列表中。
   

---

步骤 3：确保 Swap 文件在系统重启后仍然启用

1. 编辑 fstab 文件：

   sudo nano /etc/fstab
   

2. 在文件末尾添加以下内容：

   /swapfile2 none swap sw 0 0
   

3. 保存并退出。

---

接下来就可以重新运行以下命令下载安装模型

ollama run deepseek-r1:1.5b

通过这一过程，你已经完成了 DeepSeek R1 模型的获取与部署，接下来可以开始进行更复杂的任务，或者根据需要进一步优化配置。

Deepseek Web UI 部署

---

🟢 1. 安装 Docker

如果未安装 Docker，可使用以下命令安装：

sudo apt update
sudo apt install -y docker.io
sudo systemctl enable --now docker
sudo usermod -aG docker $USER

验证 Docker 是否正常运行：

docker --version
docker ps

---

🟢 2. 部署 Open WebUI

1️⃣ 拉取 WebUI 镜像

docker pull ghcr.io/open-webui/open-webui:main

2️⃣ 运行 WebUI

使用 --network=host 让 WebUI 直接访问 Ollama：

docker run -d --network=host -v open-webui:/app/backend/data \
-e OLLAMA_BASE_URL=http://127.0.0.1:11434 \
--name open-webui --restart always ghcr.io/open-webui/open-webui:main

参数说明：

• --network=host 使 WebUI 能直接访问本机 127.0.0.1:11434。
• -v open-webui:/app/backend/data 持久化 WebUI 数据。
• -e OLLAMA_BASE_URL=http://127.0.0.1:11434 指定 Ollama 地址。

检查 WebUI 是否正常运行：

docker ps

如果成功，状态应为 Up (healthy)：

CONTAINER ID   IMAGE                                STATUS         PORTS   NAMES
abcd1234       ghcr.io/open-webui/open-webui:main   Up (healthy)   ...     open-webui

查看 WebUI 日志（排查错误）：

docker logs open-webui --tail 50

---

🟢 3. 确保 WebUI 端口可访问

1️⃣ 检查 WebUI 是否监听 8080 端口

ss -tulnp | grep 8080

如果未监听，尝试重新启动 WebUI：

docker restart open-webui

2️⃣ 确保防火墙开放 8080 端口

sudo ufw allow 8080/tcp
sudo ufw status

应看到：

8080 ALLOW Anywhere

3️⃣ 确保云服务器安全组开放 8080 端口

如果使用 阿里云 / 腾讯云 / 华为云，需在 云服务器安全组 中添加 入站规则：

• 协议: TCP
• 端口范围: 8080
• 来源: 0.0.0.0/0

---

🟢 4. 访问 WebUI

在本地浏览器打开：

http://<你的服务器公网IP>:8080

如果页面加载正常，说明部署成功 🎉。

接下来就是注册登录，可以把ip发给小伙伴一起使用啦！

---

🔴 如果仍然无法访问

1️⃣ 测试服务器本地访问

在服务器上运行：

curl http://127.0.0.1:8080

如果有返回 HTML 或 JSON，说明 WebUI 在本机运行正常，问题可能是 防火墙或安全组 导致的。

2️⃣ 检查 WebUI 日志

docker logs open-webui --tail 50

如果日志中有 Connection Refused，可能是：

• OLLAMA_BASE_URL 未正确设置。
• WebUI 没有正确连接到 Ollama。

3️⃣ 确保 WebUI 连接到 Ollama

curl http://127.0.0.1:11434/api/tags

如果返回：

{"models":["deepseek-r1:1.5b"]}

说明 Ollama 正常运行。

如果 无法连接，尝试：

ollama serve &
docker restart open-webui