deepseek 本地部署快速上手，环境依赖一步步搞定别慌

你得知道DeepSeek这个模型家族,它有好几个不同大小的版本，比如有参数量小一点的，比如67亿参数的DeepSeek-Coder-V2-Lite，也有超级大的，咱们本地部署，一般先从小的开始，成功跑起来了，再考虑更大的模型，这里我们用一个比较适合入门的小模型来举例，比如这个DeepSeek-V2-Lite-Chat，这个信息在魔搭社区（ModelScope）和Hugging Face上都能找到。

第一步：准备好你的电脑环境

别被“环境”这个词吓到，其实就是给你的电脑安装几个必要的软件工具箱。

1. 安装Python：这是运行所有AI模型的基础语言，去Python官网下载最新版本，比如Python 3.10或3.11，安装的时候，一定要记得勾选“Add Python to PATH”那个选项，这样后面用起来才方便，装好后，你可以打开电脑的“命令提示符”（Windows）或者“终端”（Mac/Linux），输入 python --version 按回车，如果显示出Python的版本号，Python 3.10.12”，那就说明安装成功了。
2. 安装PyTorch：这是Facebook出的一个非常强大的深度学习框架，可以说是本地运行模型的基石，你去PyTorch官网，它会根据你的操作系统（Windows、Mac还是Linux）和是否有显卡（GPU）给你一个安装命令，对于大多数刚开始玩、没有高端显卡的朋友，直接选择用CPU来运行就好了，虽然速度会慢一些，但绝对能跑起来，你可能会得到一个类似 pip3 install torch torchvision torchaudio 的命令，你就把这个命令复制到你的命令提示符或终端里运行，等着它安装完成。
3. 安装核心工具包：光有PyTorch还不够，我们还需要一些专门的工具来加载和运行大模型。
   • Transformers：这是Hugging Face出品的神器，它提供了成百上千个预训练模型的接口，让我们用几行代码就能调用，安装命令是 pip install transformers。
   • 其他可能需要的库：accelerate（帮助优化运行效率）、sentencepiece或tiktoken（用于处理文本的分词），你可以先试着把模型跑起来，如果报错说缺什么，再用 pip install 命令安装什么就行，根据Hugging Face上DeepSeek-V2-Lite-Chat模型的说明页，我们可能还需要安装 einops 这个库，所以可以提前装上：pip install einops。

第二步：获取模型文件

模型文件就是那个包含了AI所有“知识”的巨大文件，通常有好几个G大小，你不能直接下载一个压缩包解压，需要用代码自动下载。

这里有两种主要方式：

1. 通过Hugging Face Hub：这是最主流的方式，你需要先在Hugging Face网站上注册一个账号（免费的），找到DeepSeek的官方页面，deepseek-ai/DeepSeek-V2-Lite-Chat，在你的Python代码里，你会用到这个地址，首次运行代码时，它会提示你输入Hugging Face的访问令牌（Token），你在网站的个人设置里就能生成一个，这样代码就能验证你的身份并下载模型了。
2. 通过魔搭社区（ModelScope）：这是阿里出的一个类似Hugging Face的平台，对国内用户可能网络更友好一些，操作方式类似，安装ModelScope的库 pip install modelscope，然后在代码里使用来自ModelScope的模型路径。

第三步：写一个最简单的运行脚本

软硬件都齐了,我们来写一段简单的Python代码，让模型开口说话，打开任何一个文本编辑器（甚至记事本都行），把下面的代码复制进去，然后保存为一个以 .py 结尾的文件，test_deepseek.py。

# 从transformers库中导入需要的类
from transformers import AutoTokenizer, AutoModelForCausalLM
import torch
# 设置设备，如果有GPU就用GPU，没有就用CPU
device = "cuda" if torch.cuda.is_available() else "cpu"
print(f"正在使用设备: {device}")
# 指定模型的名字，这里以Hugging Face Hub上的路径为例
# 如果你用ModelScope，可能是 "deepseek-ai/DeepSeek-V2-Lite-Chat" 或其他路径
model_name = "deepseek-ai/DeepSeek-V2-Lite-Chat"
# 加载分词器（负责把文字转换成模型能看懂的数字）
tokenizer = AutoTokenizer.from_pretrained(model_name, trust_remote_code=True)
# 加载模型本身
model = AutoModelForCausalLM.from_pretrained(model_name, trust_remote_code=True, torch_dtype=torch.float16)
# 把模型放到设备上（GPU或CPU）
model.to(device)
# 我们要问模型的问题
prompt = "请用Python写一个函数，计算斐波那契数列的前n项。"
# 将问题编码成模型需要的格式
inputs = tokenizer(prompt, return_tensors="pt").to(device)
# 让模型生成回答
outputs = model.generate(**inputs, max_new_tokens=256)
# 把模型生成的数字答案解码成我们能看懂的文字
answer = tokenizer.decode(outputs[0], skip_special_tokens=True)
# 打印出完整的对话（你的问题+模型的回答）
print(answer)

第四步：运行并耐心等待

好了,最关键的时刻到了，打开命令提示符或终端，导航到你保存 test_deepseek.py 文件的目录下（比如文件在桌面，就输入 cd Desktop），然后输入命令 python test_deepseek.py 并按回车。

接下来会发生两件事：

1. 首次运行会下载模型：如果你的电脑本地没有这个模型，程序会自动开始下载，因为模型很大（可能几个G），所以你需要耐心等待，网速快的话几分钟，慢的话可能得半小时以上，你会看到一个下载进度条。
2. 模型开始思考并生成答案：下载完成后，模型就会加载到内存中，然后开始处理你的问题，并一个字一个字地“蹦出”答案，这个过程在CPU上可能会比较慢，请给它一点时间。

你会在屏幕上看到模型生成的代码或者对你问题的回答,恭喜你，至此你已经成功在本地部署并运行了一个DeepSeek模型！

常见问题和小贴士

• 内存不足：如果运行时报错说内存不够，说明你的模型可能太大了，或者你同时开了太多软件，尝试关闭浏览器、游戏等占内存的程序，或者换一个更小的模型版本（比如找找有没有“-lite”后缀的）。
• 网络问题：下载模型时如果断网或报错，可以尝试使用国内镜像源，或者在网络通畅的时候再试。
• 从聊天开始：上面给的例子是单次问答，如果你想实现多轮对话，需要稍微复杂一点的代码来记录之前的聊天历史，你可以查阅Hugging Face的文档中关于“chat template”的部分，或者找一些现成的Chatbot示例代码来修改。

本地部署就是这样,一步步来，遇到错误别慌，把错误信息复制下来去网上搜索，大概率都能找到解决方法，祝你玩得开心！