最全本地部署 DeepSeek R1 教程（适用于 Mac、Windows、Linux）
DeepSeek R1 是一款开源 AI 模型，其性能可与 OpenAI 的 GPT-4 和 Claude 3.5 Sonnet 等顶级模型媲美，尤其在数学、编程和推理等任务上表现出色。最重要的是，它是免费、私密的，可以在本地硬件上离线运行。
一、DeepSeek R1 简介
DeepSeek R1 是一款开源 AI 模型，其性能可与 OpenAI 的 GPT-4 和 Claude 3.5 Sonnet 等顶级模型媲美，尤其在数学、编程和推理等任务上表现出色。最重要的是，它是免费、私密的，可以在本地硬件上离线运行。
DeepSeek R1 提供多个参数规模的版本，从轻量级的 1.5B 参数模型到高性能的 70B 版本。它基于 Qwen 7B 架构的精简优化版本，既保持强大性能，又具备更高的计算效率。
其主要亮点包括：- 完全开源，可自由使用。- 支持本地运行，无需依赖云服务器。- 数据完全可控，确保隐私安全。
二、为什么选择本地部署？
本地运行 AI 模型有以下优势：
-
隐私保障：所有数据均存储在本地，避免敏感信息泄露。
-
零额外成本：DeepSeek R1 免费运行，无需订阅或额外费用。
-
完全控制：可以进行微调和本地优化，无需外部依赖。
三、硬件要求
四、安装步骤
步骤 1：安装 Ollama
Ollama 是一款本地 AI 运行工具，可帮助用户轻松运行 DeepSeek R1。
-
下载地址：https://ollama.com/download
-
安装完成后，Ollama 提供了在终端直接运行 AI 模型的功能。
步骤 2：下载 DeepSeek R1 模型
在终端中运行以下命令，根据你的硬件选择合适的模型：
# 下载 1.5B 版本（适用于 CPU 及低配 GPU）
ollama run deepseek-r1:1.5b
# 下载 8B 版本
ollama run deepseek-r1:8b
# 下载 14B 版本
ollama run deepseek-r1:14b
# 下载 32B 版本
ollama run deepseek-r1:32b
# 下载 70B 版本（最高性能）
ollama run deepseek-r1:70b
如果你不确定选择哪个版本，可以运行默认指令：
ollama run deepseek-r1
默认情况下，该指令会下载 7B 版本。
模型下载速度取决于网络状况，可能需要几分钟到几十分钟不等。
步骤 3：安装 Chatbox（可选）
为了获得更好的交互体验，可以安装 Chatbox 作为 GUI 界面。
-
下载地址：https://chatboxai.app/en#
-
安装完成后，进行以下配置：
-
在“配置 API 模型”选项中选择 Ollama API。
-
设置 API 主机为：http://127.0.0.1:11434
-
选择 DeepSeek R1 作为默认模型。
-
保存设置。
五、功能演示
成功安装后，你可以测试 DeepSeek R1 的能力。例如，让它生成一个用 Python 编写的贪吃蛇游戏代码。
输入 Prompt：
帮我用python写个贪吃蛇的游戏
示例代码（优化修正版本）：
import turtle
import time
import random
# 窗口设置
window = turtle.Screen()
window.title("贪吃蛇 by Python")
window.bgcolor("black")
window.setup(width=600, height=600)
window.tracer(0) # 关闭自动刷新
# 蛇头
snake_head = turtle.Turtle()
snake_head.speed(0)
snake_head.shape("square")
snake_head.color("white")
snake_head.penup()
snake_head.goto(0, 0)
snake_head.direction = "stop"
# 食物
food = turtle.Turtle()
food.speed(0)
food.shape("circle")
food.color("red")
food.penup()
food.goto(0, 100)
segments = [] # 蛇身体段
score = 0 # 得分
# 得分显示
pen = turtle.Turtle()
pen.speed(0)
pen.color("white")
pen.penup()
pen.hideturtle()
pen.goto(0, 260)
pen.write("得分: 0", align="center", font=("Arial", 24, "normal"))
# 移动函数
def move():
if snake_head.direction == "up":
y = snake_head.ycor()
snake_head.sety(y + 20)
if snake_head.direction == "down":
y = snake_head.ycor()
snake_head.sety(y - 20)
if snake_head.direction == "left":
x = snake_head.xcor()
snake_head.setx(x - 20)
if snake_head.direction == "right":
x = snake_head.xcor()
snake_head.setx(x + 20)
# 方向控制函数
def go_up():
if snake_head.direction != "down":
snake_head.direction = "up"
def go_down():
if snake_head.direction != "up":
snake_head.direction = "down"
def go_left():
if snake_head.direction != "right":
snake_head.direction = "left"
def go_right():
if snake_head.direction != "left":
snake_head.direction = "right"
# 键盘绑定
window.listen()
window.onkeypress(go_up, "w")
window.onkeypress(go_down, "s")
window.onkeypress(go_left, "a")
window.onkeypress(go_right, "d")
# 碰撞检测
def check_collision():
# 边界检测
if snake_head.xcor() > 290 or snake_head.xcor() < -290:
return True
if snake_head.ycor() > 290 or snake_head.ycor() < -290:
return True
# 身体碰撞检测
for segment in segments:
if snake_head.distance(segment) < 20:
return True
return False
# 主游戏循环
while True:
window.update()
# 检查是否吃到食物
if snake_head.distance(food) < 20:
# 移动食物到随机位置
x = random.randint(-290, 290)
y = random.randint(-290, 290)
food.goto(x, y)
# 增加身体段
new_segment = turtle.Turtle()
new_segment.speed(0)
new_segment.shape("square")
new_segment.color("grey")
new_segment.penup()
segments.append(new_segment)
# 增加得分
score += 10
pen.clear()
pen.write(f"得分: {score}", align="center", font=("Arial", 24, "normal"))
# 移动身体段（从后往前）
for index in range(len(segments)-1, 0, -1):
x = segments[index-1].xcor()
y = segments[index-1].ycor()
segments[index].goto(x, y)
# 移动第一个身体段到头部位置
if len(segments) > 0:
x = snake_head.xcor()
y = snake_head.ycor()
segments[0].goto(x, y)
move()
# 碰撞检测
if check_collision():
time.sleep(1)
snake_head.goto(0, 0)
snake_head.direction = "stop"
# 隐藏身体段
for segment in segments:
segment.goto(1000, 1000)
segments.clear()
score = 0
pen.clear()
pen.write(f"得分: {score}", align="center", font=("Arial", 24, "normal"))
time.sleep(0.1)
运行这个程序前需要确保：
1. 已安装 Python 环境
2. 需要安装 `turtle` 模块（通常 Python 标准库自带）
操作说明：
- W键：向上移动
- S键：向下移动
- A键：向左移动
- D键：向右移动
- 吃到红色食物会增长身体并加分
- 撞到墙壁或自己身体会游戏重置
游戏特点：
1. 简单的图形界面
2. 分数统计功能
3. 碰撞检测
4. 蛇身自动增长机制
5. 游戏失败重置功能
你可以根据需求进一步添加以下功能：
- 添加开始/暂停按钮
- 增加难度等级
- 记录最高分
- 添加音效
- 设计更复杂的关卡
六、总结
通过本教程，你已经成功在本地部署了 DeepSeek R1，无论你是 AI 爱好者、开发者，还是仅仅对本地 AI 感兴趣，都可以尝试运行并训练自己的专属 AI 资料库。
借助 Ollama 和 Chatbox 等工具，本地运行 AI 变得更加简单和高效。现在就开始探索吧！
如何系统的去学习大模型LLM ？
大模型时代，火爆出圈的LLM大模型让程序员们开始重新评估自己的本领。 “AI会取代那些行业？”“谁的饭碗又将不保了？”等问题热议不断。
事实上，抢你饭碗的不是AI，而是会利用AI的人。
继科大讯飞、阿里、华为等巨头公司发布AI产品后，很多中小企业也陆续进场！超高年薪，挖掘AI大模型人才！ 如今大厂老板们，也更倾向于会AI的人，普通程序员，还有应对的机会吗？
与其焦虑……
不如成为「掌握AI工具的技术人」，毕竟AI时代，谁先尝试，谁就能占得先机！
但是LLM相关的内容很多，现在网上的老课程老教材关于LLM又太少。所以现在小白入门就只能靠自学，学习成本和门槛很高。
针对所有自学遇到困难的同学们，我帮大家系统梳理大模型学习脉络，将这份 LLM大模型资料 分享出来：包括LLM大模型书籍、640套大模型行业报告、LLM大模型学习视频、LLM大模型学习路线、开源大模型学习教程等, 😝有需要的小伙伴，可以 扫描下方二维码领取🆓↓↓↓
一、LLM大模型经典书籍
AI大模型已经成为了当今科技领域的一大热点，那以下这些大模型书籍就是非常不错的学习资源。
二、640套LLM大模型报告合集
这套包含640份报告的合集，涵盖了大模型的理论研究、技术实现、行业应用等多个方面。无论您是科研人员、工程师，还是对AI大模型感兴趣的爱好者，这套报告合集都将为您提供宝贵的信息和启示。(几乎涵盖所有行业)
三、LLM大模型系列视频教程
四、LLM大模型开源教程（LLaLA/Meta/chatglm/chatgpt）
LLM大模型学习路线 ↓
阶段1：AI大模型时代的基础理解
-
目标：了解AI大模型的基本概念、发展历程和核心原理。
-
内容：
- L1.1 人工智能简述与大模型起源
- L1.2 大模型与通用人工智能
- L1.3 GPT模型的发展历程
- L1.4 模型工程
- L1.4.1 知识大模型
- L1.4.2 生产大模型
- L1.4.3 模型工程方法论
- L1.4.4 模型工程实践
- L1.5 GPT应用案例
阶段2：AI大模型API应用开发工程
-
目标：掌握AI大模型API的使用和开发，以及相关的编程技能。
-
内容：
- L2.1 API接口
- L2.1.1 OpenAI API接口
- L2.1.2 Python接口接入
- L2.1.3 BOT工具类框架
- L2.1.4 代码示例
- L2.2 Prompt框架
- L2.3 流水线工程
- L2.4 总结与展望
阶段3：AI大模型应用架构实践
-
目标：深入理解AI大模型的应用架构，并能够进行私有化部署。
-
内容：
- L3.1 Agent模型框架
- L3.2 MetaGPT
- L3.3 ChatGLM
- L3.4 LLAMA
- L3.5 其他大模型介绍
阶段4：AI大模型私有化部署
-
目标：掌握多种AI大模型的私有化部署，包括多模态和特定领域模型。
-
内容：
- L4.1 模型私有化部署概述
- L4.2 模型私有化部署的关键技术
- L4.3 模型私有化部署的实施步骤
- L4.4 模型私有化部署的应用场景
这份 LLM大模型资料 包括LLM大模型书籍、640套大模型行业报告、LLM大模型学习视频、LLM大模型学习路线、开源大模型学习教程等, 😝有需要的小伙伴，可以 扫描下方二维码领取🆓↓↓↓
有“AI”的1024 = 2048，欢迎大家加入2048 AI社区
更多推荐
10
0- 0
已为社区贡献17条内容
所有评论(0)