Mac（m1）本地部署deepseek-R1模型

已于 2025-02-10 22:17:13 修改
阅读量797 收藏 5
点赞数 8
分类专栏： 深度学习 文章标签： deepseek
于 2025-02-09 18:54:54 首次发布
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.youkuaiyun.com/Batac_Lee/article/details/145535431
版权

1. 下载安装ollama

直接下载软件，下载完成之后，安装即可，安装完成之后，命令行中可出现ollama命令

2. 在ollama官网查看需要下载的模型下载命令

1. 在官网查看deepseek对应的模型

2. 选择使用电脑配置的模型

3. copy 对应模型的安装命令

4. 在电脑命令行中安装

5. 查看安装情况- 安装成功

6. 在命令行中使用

3. 下载安装 Anything LLM软件

1. 安装过程中选择 ollama 工具，然后选择上面安装的模型即可

2. 还可投喂资料。。。

使用 Ollama 和 Open WebUI 在本地部署 DeepSeek-R1：分步指南
iCloudEnd的博客
02-09 332
大型语言模型 (LLM) 彻底改变了我们与 AI 交互的方式，但在本地运行它们通常被视为一项挑战。随着 Ollama 等部署工具和 Open WebUI 等用户友好界面的进步，现在在个人机器上设置和使用最先进的 AI 模型比以往任何时候都更加容易。在本指南中，我们将介绍在本地机器上部署功能强大的开源 LLM DeepSeek-R1的整个过程，使用Ollama作为后端并使用Open WebUI来实现无缝的用户体验。
macMini16G内存M4芯片 DeepSeek-r1本地化部署+chatbox三步走
limaning的专栏
02-11 1522
Ollama官网，点击Models，选择deepseek-r1，我用的是8b的模型，复制之后，粘贴在终端，等待下载。我这个大约用了16个小时吧。这个过程最好晚上弄，早晨醒来也做好了。大体来说分为3步：安装ollama，获取deepseekR1模型，chatbox设置并调用。DeepSeek本地化部署，有利于保护隐私，调用也方便。1.下载ollama客户端，并安装。2.获取deepseekR1模型。3.使用chatbox，并设置。接下来，就可以愉快地使用了！
【DeepSeek】Mac m1电脑部署DeepSeek
weixin_45589713的博客
02-18 1597
Mac m1电脑部署DeepSeek
MacBook Pro（M1芯片）DeepSeek R1 本地大模型环境搭建
韵律咖啡馆
02-05 8872
这一阵子deepseek真的是太火了，这不，R1出来后更是掀起AI的狂欢，作为一个AI的外行人，也是忍不住想要拿过来感受一番～～简单了解一下，下面我们进入正题。。。
mac-studio-server：打造高效的Ollama服务器配置
最新发布
gitblog_00661的博客
03-30 476
mac-studio-server：打造高效的Ollama服务器配置 mac-studio-server Optimized Ollama LLM server configuration for Mac Studio and other Apple Silicon Macs. Headless setup with a...
DeepSeek,如何在本地部署---以Macbook(M1)为例
qq_53284217的博客
02-08 501
deepseek本地部署
DeepSeek 本地部署（Mac版 安装教程）M1
m0_38082271的博客
02-08 1690
DeepSeek 本地部署（Mac版 安装教程）M1
Mac m1 本地运行 deepseek-r1-distill-qwen-1.5B
za96421955的博客
01-26 7799
本地运行 deepseek-r1-distill-qwen-1.5B；安装Homebrew；安装python；安装依赖；安装编译环境；内存优化；模型示例；在本地使用 DeepSeek-R1-Distill 模型；- 最低配置（CPU 推理）： - CPU：4 核以上（推荐 Intel i5/i7 或 AMD Ryzen 5/7） - 内存：16GB+（模型越小需求越低） - 存储：20GB+ 可用空间（用于模型文件和依赖）
DeepSeek R1 8b 模型本地部署实践
AndroidKt
02-07 2825
基于 MacOS M1 部署 DeepSeek 大模型操作记录
轻松部署 DeepSeek R1：基于 Ollama、Chatbox 平台的操作指南
暖风
01-25 2万+
打开浏览器，访问Ollama官网，点击“Download”进入下载页面。该平台支持Windows、macOS和Linux系统，苹果平台无论是Intel内核还是M1系列均能适配。：在Windows系统下，获取对应的exe应用程序后，双击启动安装程序。安装过程中，全程选择默认设置，点击“Install”后一路确认到底。安装完成后，程序会自动启动，此时在电脑右下角的托盘区域，你将看到Ollama的应用图标。ollama -v。
Mac M1 安装 deepspeed
ddu-to-end的博客
01-10 9627
mac M1 电脑微调大模型，需要配置微调环境，其中需要安装Deepspeed
【实战AI】macbook M1 本地ollama运行deepseek
东方鲤鱼 博客
02-10 719
由于deepseek 官网或者Aapi 调用会有网络延迟或不响应的情况，故在本地搭建部署；1.由于需要拉取开源镜像，受网络限制，部分资源在 vpn 前提中会下载的更快！请自行翻墙；2.设备 macbook M1 32G。
DeepSeek安装部署和测试在个人电脑（Windows和Mac）
热门推荐
hellotzx的博客
01-30 4万+
想要深入了解大模型的原理，开发，应用，市场的，也欢迎关注留言，我的团队已经跑通了大模型对个人的市场，欢迎大家加入。后续我会把deepseek的模型训练复现的过程也写到这里，欢迎大家马克关注，也是对我的一种敦促。在mac上的实际测试，安装的是7b模型。除了了资源过载，电脑重启了，第一次碰见。他的回复比较慢，个人笔记本资源不够。问他一个简单问题，“你是谁”运行以上指令，进入以下模式。
DeepSeekR1 苹果macbook M1本地可视化运行！
托尼不是塔克
02-13 1661
苹果系统选择 macOS，如果是 M 系列，选择 AppleSillicon，如果是 老款Inter系列，就选择 Inter。后续有空会尝试下直接在iphone手机上运行，还是一种方案是以家里的电脑为服务器，内网穿透，然后在 iPhone手机App上使用自己的大模型服务。但是，强烈推荐 7B 以上模型，1.5B 虽然也可以用，但是思维能力会降低很多。第四行命令，可以下载一个多模态模型，比如可以识别图片文件等信息。每秒 8 token ，流式输出的时候感觉还可以，因为内容一直在匀速的输出，没有卡顿的感觉。
【LLM大模型】谷歌AI杰玛Gemma大模型开源了！附2个本地部署安装教程和实例
pythonhy的博客
08-07 1398
Gemma 是一个轻量级、先进的开放模型系列，采用与创建 Gemini 模型相同的研究和技术构建而成。Gemma 由 Google DeepMind 和 Google 的其他团队开发，以拉丁语 gemma（意为“宝石”）命名，中文名杰玛。Gemma 模型权重由促进创新、协作和负责任地使用人工智能 (AI) 的开发者工具提供支持。
糖尿病的预测(pytorch)
Batac的博客
02-01 1739
import numpy as np import torch # 糖尿病预测研判 # 1. 处理数据 xy = np.loadtxt('diabetes.csv.gz', delimiter=',', dtype=np.float32) x_data = torch.from_numpy(xy[:, :-1]) y_data = torch.from_numpy(xy[:, [-1]]) # 2. 建立模型 # 2. 设计模型 继承自torch.nn.Module class Model(torch.
centos7 卸载和重新安装yum
Batac的博客
10-17 1693
rpm -qa | grep yum | xargs rpm -e --nodeps 第二步：去镜像网站下载以下包，下载完成后传到linux服务器http://mirrors.163.com/centos/7/os/x86_64/Packages/ 手动下载包如下（包的版本会升级，实际下载时自行对应下载） rpm-4.11.3-40.el7.x86_64.rpm python-urlgrabber-3.10-9.el7.noarch.rpm yum-plugin-fastestmirror-1.1.31.
卷积神经网络(多分类问题 pytorch)
Batac的博客
02-02 945
# 手写数字识别 神经网络处理 高级处理 import torch import torch.nn as nn # 数据集处理 from torchvision import transforms from torchvision import datasets from torch.utils.data import DataLoader # 函数 激活函数等 import torch.nn.functional as F # 优化器包 import torch.optim as optim # .
mac mini m4 deepseek本地部署性能如何
02-12
### Mac Mini M4 本地部署 DeepSeek 性能评测 对于希望在 Mac Mini M4 上本地部署并评估 DeepSeek 模型性能的用户来说，有几个重要因素需要考虑。 #### 硬件配置的影响 Mac Mini M4 配备了 Apple Silicon 芯片，在处理机器学习任务方面具有一定的优势。然而，由于其硬件资源相对有限，特别是与专门设计用于大规模计算的任务相比时，可能会遇到瓶颈。一些国外爱好者已经尝试通过堆叠多台设备来增强整体算力[^1]。 #### 训练时间对比 考虑到 DeepSeek V3 整个训练过程消耗的时间仅为约280万个 GPU 小时，而其他大型模型如 Llama 3 则需耗费超过十倍以上的 GPU 时间成本。这表明即使是在较小规模的硬件环境下，完成一次完整的训练仍然是相当耗时的工作[^3]。 #### 实际应用中的表现 如果只是单纯为了测试或轻量级的应用场景，则可以在单个 Mac Mini M4 设备上安装和运行简化版本的大模型知识库系统。根据已有经验分享，这样的设置足以支持基本功能演示以及部分实际业务需求的满足[^2]。 #### 技术细节考量 为了优化在小型平台上的执行效率，可以采取特定的技术手段比如采用无辅助损失的方法来进行有效的负载分配管理，从而减少因资源不足而导致的服务质量下降风险[^4]。 ```python import time def simulate_deepseek_performance_on_macmini(): start_time = time.time() # Simulate loading model and processing data on a single MacMini M4 print("Loading DeepSeek Model...") time.sleep(5) # Placeholder for actual load time print("Processing Data with DeepSeek...") time.sleep(10) # Placeholder for actual process duration end_time = time.time() elapsed_time = round(end_time - start_time, 2) print(f"Total Elapsed Time: {elapsed_time} seconds") simulate_deepseek_performance_on_macmini() ```
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
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