引言

当数学公式在屏幕上闪烁，你却卡在微分方程求解的关键步骤；当编程调试陷入死循环，深夜的屏幕荧光映出你疲惫的双眼——此刻，你是否期待一个精通数理逻辑的AI伙伴，既能秒解高数难题，又能随手写出优雅代码？

DeepSeek的出现，正让这种想象照进现实。这个由国内团队研发的开源大模型，在权威评测中数学能力超越GPT-4，代码生成准确率比肩顶级工程师，却只需消费级显卡即可本地运行。

但面对动辄20GB的模型文件、复杂的Python依赖库，很多开发者止步于部署环节。本文将揭秘两大开箱即用的本地部署方案：

小白友好的 ​Ollama+Chatbox​ 组合，10分钟实现对话式AI。

支持微调的 ​LLaMA-Factory​ 方案，解锁模型训练监控面板

带您体验「数学教授+程序员」双核智能的终极形态。

一、背景

1.1 DeepSeek模型特点

1、数学能力

例如：写作业时卡住了，拍照发题目给它，分分钟给解题步骤

2、编程能力

例如：你说"能帮我写一个图片识别代码吗？"，它就能生成Python代码

# 环境要求：Python 3.8+，需安装以下库：

pip install tensorflow opencv-python numpy

import tensorflow as tf
from tensorflow.keras.applications.mobilenet_v2 import MobileNetV2, preprocess_input, decode_predictions
import cv2
import numpy as np

def image_recognition(image_path):
    # 加载预训练模型（约14MB，首次运行会自动下载）
    model = MobileNetV2(weights='imagenet')
    
    # 读取并预处理图像
    img = cv2.imread(image_path)
    img = cv2.resize(img, (224, 224))  # MobileNet输入尺寸
    img = preprocess_input(img)  # 标准化处理
    img = np.expand_dims(img, axis=0)  # 添加批次维度
    
    # 执行预测
    predictions = model.predict(img)
    
    # 解码预测结果（显示前3个可能类别）
    decoded_predictions = decode_predictions(predictions, top=3)[0]
    
    # 打印结果
    print(f"识别结果（置信度降序）：")
    for i, (imagenet_id, label, prob) in enumerate(decoded_predictions):
        print(f"{i+1}. {label}: {prob*100:.2f}%")

if __name__ == "__main__":
    # 使用示例（替换为你的图片路径）
    image_path = "test_image.jpg"  # 支持jpg/png格式
    image_recognition(image_path)

3、日常也聪明​

普通聊天、写文章、翻译都行（类似ChatGPT的功能）
但最牛的还是数理逻辑，比普通AI更"讲道理"

二、本地部署

2.1 方法一：Ollama + Chatbox 部署

1、首先下载Ollama并安装，根据不同的操作系统选择

2、Ollama安装

安装方法有两种

• 双击鼠标安装（不推荐）
• 通过命令行安装（推荐），可自行设置安装路径
  （1）命令行安装，以管理员身份打开cmd，并导航到安装包路径
  

命令安装代码如下：

cd C:\Users\XX\Downloads
OllamaSetup.exe /DIR="C:\Program Files\ollama"

（2）执行命令，打开安装界面（鼠标双击一样可以弹出，但会默认安装在C盘，不能指定路径）

（3）安装完成后通过以下命令检测是否安装完成

ollama -v

(4) 修改模型存储位置（不修改会默认存储在C:\Users\xx.ollama\models下）
打开系统高级设置，点击环境变量，然后在用户变量中点击新建按钮，变量名为OLLAMA_MODELS，变量值为自行设置路径

3、下载deepseek

（1）点击ollama官网模型，选择模型，我电脑不行选择了1.5b,电脑配置好的可以自行选择更大的模型。

（2）打开cmd,输入ollama命令，下载模型

ollama run deepseek-r1:1.5b

如果出现了图中的报错信息，将图中的地址复制到浏览器重新执行命令即可下载。

安装成功即可对话

4、Chatbox安装

（1）进行Chatbox官网选择对应的版本下载即可

（2）点击Chatbox-Setup.exe正常安装即可

（3）安装完成以后打开chatbox设置
（4）选择ollama下载的deepseek模型点击保存即可

（5）开始对话

2.2 方法二：LLaMA-Factory 部署

1、克隆llama-factory GitHub 存储库

git clone --depth 1 https://github.com/hiyouga/LLaMA-Factory.git   

2、创建虚拟环境并指定版本（可选）

# 我创建的虚拟环境名称为deepLearningPytorch
conda create -n your_env_name python=3.x

3、激活虚拟环境，安装Pytorch及CUDA环境，可以直接到Pytorch官网复制代码直接安装。

# 激活虚拟环境
activate deepLearningPytorch

# 安装Pytorch及CUDA环境
pip3 install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu118

4、导航到 llama-factory GitHub 存储库目录并安装llama-factory

# 导航到 llama-factory GitHub 存储库目录
cd LLaMA-Factory

# 安装LLaMA-Factory
pip install -e ".[torch,metrics]"   

5、打开可视化界面并下载模型

llamafactory-cli webui

(1) 选择模型

(2)运行模型之前需要先加载模型

（3）模型加载成功，即可运行

（4） llama-factory还可以对模型进行训练、微调、导出等。