【2025版】最新手把手搭建DeepSeek本地大模型，零基础入门到精通，收藏这篇就够了

原创 2025-02-05 13:49:49 3.4k 阅读 AI写同款
收录于
程序员

当前文章被收录于：

程序员
2046 篇文章 100 人学习
订阅专栏 查看详情
计算机

当前文章被收录于：

计算机
2006 篇文章 10 人学习
订阅专栏 查看详情
互联网

当前文章被收录于：

互联网
1345 篇文章 4 人学习
订阅专栏 查看详情
黑客大白
黑客大白 博客等级 码龄5年 墨衍会员 · AI 创作全网分发 墨衍智能分发 本文由作者通过墨衍一键同步至各平台 1分发平台 3.4k累计阅读 3.5k平均单平台 已同步平台 优快云 微信公众号 微博 知乎 掘金 百家号 博客园 抖音 小红书 你的文章也可以这样分发 墨衍会员 ¥399起/年，写一次发全网 我也要
1万+粉丝3206篇原创
关注
DeepSeek爆火快来搭建私有ChatGPT 在人工智能技术飞速发展的今天，搭建私有 ChatGPT 已成为许多企业和组织的优先选择。私有 ChatGPT 不仅能够提供与 OpenAI 的 ChatGPT 相媲美的强大文本生成和对话能力，还具备数据隐私保护、定制化开发、高性能运行等独特优势。通过私有化部署，企业可以完全掌控自己的数据和模型，避免敏感信息泄露，同时根据自身需求定制专属的 AI 助手，提升业务效率和用户体验无论是通过微调现有模型，还是基于开源框架（如 FastGPT、LLaMA）进行二次开发，都可以快速构建属于自己的智能对话系统。 阅读详情
AI摘要

本文详细介绍了如何在本地电脑上搭建DeepSeek大模型，包括基本概念、Ollama部署、DeepSeek-R1模型安装、Docker和Open WebUI的配置，以及推荐的其他大模型使用。内容涵盖了从理论到实践的完整学习路线，适合初学者逐步掌握大模型的搭建和应用。

“ DeepSeek最近风声水起，火出边际，奈何它正遭受网络攻击时断时续。于是乎，我打算把它塞进本地电脑。”

看来DeepSeek又忙着跟黑客大战去了，这会儿功夫我自己本地大模型服务好了。嗯，不光要把DeepSeek装进来，我还要QWen、LLaVA等等。成年人的世界里不需要选择，全都要。O(∩_∩)O哈哈~

01

—

基本概念

在正式开始部署本地大模型前，需要对其一些基本概念，这还是需要一点点技术功底。如果你对LLM、Ollama、Docker、Open WebUI都已经熟知，可以直接跳转至下一节内容。

大型语言模型（Large Language Models，简称LLM），是一种基于深度学习的自然语言处理模型，通过大规模语料库的训练，能够生成、理解和处理复杂的文本数据。

DeepSeek是深度求索公司开发的深度学习模型搜索引擎，当前最新版本DeepSeek-R1。号称在GPU受限的前提下精进算法参数就足以吊打闭源的ChatGPT-4o。到底有没有这么神奇，还需要时间的检验。另外需要知道的一点是，参数集规模。比如DeepSeek-R1:1.5B，这里的1.5B指的是参数集规模，B是Billion（十亿）的缩写，1.5B指的是15亿参数集规模。参数集规模越大，意味着回答更精准，但同时对于机器的硬件要求也就越高，尤其是GPU性能和内存容量。

Ollama提供了一种简化的方式，使得开发者能够在没有云计算依赖的情况下直接在本地机器上运行强大的语言模型，从而降低延迟并提高隐私保护。简单来说，Ollama是一个容器，或者说它就是搭载本地大模型的一艘货轮。想要把DeepSeek、Qwen、LLaVA等等大模型都装到本机上运行，就需要把Ollama先配好。当然，这个可能是最不困难的事情。

Open WebUI是一个开源的 Web 用户界面（UI）框架，用于简化 Web 应用程序的开发和管理。它通常用于提供可自定义的、易于操作的界面，支持用户通过浏览器与应用进行交互。Ollama提供的是一个极客风格命令行聊天界面，还需要给它换身衣服才好出来见人，这就需要Open WebUI来套个壳。当然，有了Open WebUI之后，我们还能很方便的选择其它大模型，或者与大模型语音交互。又或者一不留神，就开发了一个AI语音聊天机器人。

Docker是一个开源的容器化平台，用于自动化应用程序的部署、扩展和管理。它通过将应用程序及其所有依赖项（包括操作系统库和环境）打包到一个标准化的容器中，使得应用能够在任何环境中一致运行，无论是开发、测试还是生产环境。换言之，Docker是另一艘货轮，用来运载已经打包好的服务，比如我们后面要讲的Open WebUI。如果你不需要图形化界面支持，可以直接跳转至下节内容。

这波概念恶补结束，下面进入实操环节。

02

—

部署Ollama

Ollama已经准备好了安装包，来https://ollama.com/download下载，界面如下。嗯，暴露了我是MacOS用户。

或者，你可以在终端执行以下代码，将Ollama部署到本机。

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

趁着命令执行过程中，先大概了解下Ollama的命令。

|
命令

|

作用

|
| — | — |
| ollama serve |

启动 ollama

|
| ollama create |

从模型文件创建模型

|
| ollama show |

显示模型信息

|
| ollama run |

运行模型

|
| ollama pull |

从注册表中拉取模型

|
| ollama push |

将模型推送到注册表

|
| ollama list |

列出模型

|
| ollama ps |

列出运行的模型

|
| ollama cp |

复制模型

|
| ollama rm |

删除模型

|
| ollama help |

获取有关任何命令的帮助信息

|

PS：一般情况下，我们会用ollama run <LLM>就足够用了。

现在，我们已经有了Ollama这艘能够搭载大模型的货轮，接着该上货了。

03

—

部署DeepSeek

为方便演示，使用DeepSeek-R1的1.5B小参数集模型。在终端执行以下代码，拉取DeepSeek-R1:1.5B版本。

ollama pull deepseek-r1:1.5b

如果一切顺利，执行上述命令的末尾处会看到“success”。

好了，现在可以跟DeepSeek聊个天了，就问问他哪吒闹海的故事好了。

在终端执行以下命令，当然，你也可以换个问题。

ollama run deepseek-r1 "讲讲哪吒闹海"

DeepSeek果然是思考型的大模型，思考过程给你展示出来了。这中英文混杂的情况，莫不是语料喂得有点杂？先不管这15亿参数集大模型的效果，当前重要的是告别这种极客风格，我需要一张白静的脸——Open WebUI。

04

—

部署Docker和Open WebUI

终端极客版本的大模型用起来看着不那么友好，还是Web界面操作更有亲和力。Docker很好部署，只需要到官网（https://docs.docker.com/desktop/）下载就好。

安装好Docker并启动后，类似如下界面。

现在再回到黑漆漆的命令行终端，执行以下命令，拉取Open WebUI Docker镜像。

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

Docker镜像拉取执行结果如下。

先别急着欢呼，这只是下载了镜像，还需要一条启动命令。

执行以下命令，启动Open WebUI

docker run -d -v open-webui:/app/backend/data -e OLLAMA_BASE_URL=http://127.0.0.1:11434 -p 8080:8080 --name open-webui --restart always ghcr.io/open-webui/open-webui:main

这时，终端会经过漫长的等待，直到你看到下面这个信息，就说明Open WebUI启动了。

现在可以在本机浏览器地址栏里输入http://localhost:8080/ 来看看Open WebUI的首秀了。

这里填入账号密码创建管理员账号，即可登录Open WebUI。

第一次登录Open WebUI界面如下。

点击左上角可以选择DeepSeek模型，如下图所示。

这时候，就能使用DeepSeek-R1:1.5B版本聊天了

现在就可以跟DeepSeek聊天了。

内容着实有点长，我电脑的风扇都启动了，有点费CPU（Mac用户才有的痛）。

05

—

使用推荐模型

能聊天的大模型，除了DeepSeek，还是阿里云的通义千问（Qwen2/Qwen2.5），好玩的模型还有很多。LLaVA-Phi3能够识别图像，配合其它工具还能使用DeepSeek-Coder写代码。能在Ollama中运行的大模型还有很多，已经整理好了表格，慢慢翻，够折腾一段时间~~ _

|
模型名称

|

提供方

|

官网地址

|

说明

|
| :-- | :-- | :-- | :-- |
|

LLaMA3

|

Meta AI

|

https://ai.facebook.com/tools/llama/

|

大型语言模型，专注于高效的自然语言处理任务。

|
|

TinyLlama

|

开源社区

|

https://github.com/tinyllama

|

轻量级的语言模型，适用于资源受限的环境。

|
|

Qwen2/Qwen2.5

|

阿里云

|

https://qwen.ai/

|

多模态语言模型，支持文本和图像处理。

|
|

Phi-3

|

微软

|

https://www.microsoft.com/phi-3

|

小型语言模型，专注于高效能和低资源消耗。

|
|

Gemma

|

谷歌

|

https://ai.google/gemma

|

开源语言模型，适用于多种自然语言处理任务。

|
|

WizardLM2

|

微软

|

https://github.com/WizardLM

|

专注于对话生成和任务导向对话的语言模型。

|
|

Orca Mini

|

开源社区

|

https://github.com/orca-mini

|

小型语言模型，专注于对话生成和问答任务。

|
|

Codellama

|

Meta AI

|

https://ai.meta.com/

|

基于Llama 2的大型代码语言模型，提供多种版本，具备填充能力、支持大型输入上下文，以及编程任务的零样本指令跟随能力。

|
|

StarCoder2

|

BigCode

|

https://huggingface.co/docs/transformers/main/model_doc/starcoder2

|

代码生成模型，支持600多种编程语言。

|
|

DeepSeek Coder

|

DeepSeek

|

https://www.deepseek.com/

|

一个强大的代码语言模型系列，适用于代码生成、代码补全等多种任务。

|
|

LLaVA

|

开源社区

|

https://github.com/haotian-liu/LLaVA

|

结合了视觉编码器（如 CLIP）和大型语言模型（如 LLaMA 或 Vicuna），能够处理图像和文本的联合任务，适合高性能设备。

|
|

LLaVA-Phi3

|

微软 + 开源社区

|

https://github.com/haotian-liu/LLaVA

|

继承了 LLaVA 的多模态能力，同时在性能和效率上进行了优化，适合资源受限的环境。

|

不得不说LLaVA-Phi3对于图像的理解很到位，连影子里的两个人影都发现了。

还不快来试试你的本地大模型，一定会让你为之一振。嗯，先问问CPU、GPU和你的硬盘是不是很乐意。O(∩_∩)O哈哈~

下面给大家分享一份2025最新版的大模型学习路线，帮助新人小白更系统、更快速的学习大模型！
因篇幅有限，仅展示部分资料，需要点击下方链接即可前往获取

2024最新版优快云大礼包：《AGI大模型学习资源包》免费分享**

一、2025最新大模型学习路线

一个明确的学习路线可以帮助新人了解从哪里开始，按照什么顺序学习，以及需要掌握哪些知识点。大模型领域涉及的知识点非常广泛，没有明确的学习路线可能会导致新人感到迷茫，不知道应该专注于哪些内容。

我们把学习路线分成L1到L4四个阶段，一步步带你从入门到进阶，从理论到实战。

L1级别:AI大模型时代的华丽登场

L1阶段：我们会去了解大模型的基础知识，以及大模型在各个行业的应用和分析；学习理解大模型的核心原理，关键技术，以及大模型应用场景；通过理论原理结合多个项目实战，从提示工程基础到提示工程进阶，掌握Prompt提示工程。

L2级别：AI大模型RAG应用开发工程

L2阶段是我们的AI大模型RAG应用开发工程，我们会去学习RAG检索增强生成：包括Naive RAG、Advanced-RAG以及RAG性能评估，还有GraphRAG在内的多个RAG热门项目的分析。

L3级别：大模型Agent应用架构进阶实践

L3阶段：大模型Agent应用架构进阶实现，我们会去学习LangChain、 LIamaIndex框架，也会学习到AutoGPT、 MetaGPT等多Agent系统，打造我们自己的Agent智能体；同时还可以学习到包括Coze、Dify在内的可视化工具的使用。

L4级别：大模型微调与私有化部署

L4阶段：大模型的微调和私有化部署，我们会更加深入的探讨Transformer架构，学习大模型的微调技术，利用DeepSpeed、Lamam Factory等工具快速进行模型微调；并通过Ollama、vLLM等推理部署框架，实现模型的快速部署。

整个大模型学习路线L1主要是对大模型的理论基础、生态以及提示词他的一个学习掌握；而L3 L4更多的是通过项目实战来掌握大模型的应用开发，针对以上大模型的学习路线我们也整理了对应的学习视频教程，和配套的学习资料。

二、大模型经典PDF书籍

书籍和学习文档资料是学习大模型过程中必不可少的，我们精选了一系列深入探讨大模型技术的书籍和学习文档，它们由领域内的顶尖专家撰写，内容全面、深入、详尽，为你学习大模型提供坚实的理论基础。（书籍含电子版PDF）

三、大模型视频教程

对于很多自学或者没有基础的同学来说，书籍这些纯文字类的学习教材会觉得比较晦涩难以理解，因此，我们提供了丰富的大模型视频教程，以动态、形象的方式展示技术概念，帮助你更快、更轻松地掌握核心知识。

四、大模型项目实战

学以致用 ，当你的理论知识积累到一定程度，就需要通过项目实战，在实际操作中检验和巩固你所学到的知识，同时为你找工作和职业发展打下坚实的基础。

五、大模型面试题

面试不仅是技术的较量，更需要充分的准备。

在你已经掌握了大模型技术之后，就需要开始准备面试，我们将提供精心整理的大模型面试题库，涵盖当前面试中可能遇到的各种技术问题，让你在面试中游刃有余。


因篇幅有限，仅展示部分资料，需要点击下方链接即可前往获取

2024最新版优快云大礼包：《AGI大模型学习资源包》免费分享

标签
#web安全 #大模型
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。
超详细！DeepSeek本地搭建部署、搭建知识库及智能体教程 通过以上详细的步骤，我们完成了DeepSeek的本地搭建部署、知识库的搭建以及智能体的创建。这一过程不仅让我们深入了解了大模型的应用，还为我们开发个性化的智能应用奠定了基础。在实际应用中，可以根据具体需求进一步优化模型、知识库和智能体的性能和功能。希望本文能帮助大家快速上手DeepSeek相关技术，开启属于自己的人工智能创新之旅。 阅读详情

相关推荐

搭建本地DeepSeek大模型详细步骤

DeepSeek是一个强大的AI模型系列，特别是DeepSeek R1在复杂推理任务中表现出色。以下是在本地部署DeepSeek模型的详细步骤、可能遇到的问题及解决方案。通过以上步骤，您应该能够在本地成功部署DeepSeek模型，并根据您的硬件条件进行适当的优化。: CUDA out of memory 错误。对于超大模型，可以使用磁盘作为额外内存。对于大型模型，在多GPU上分布计算。: 生成的内容质量不佳或不一致。: 模型文件下载中断或失败。减少内存使用，提高速度。: 模型生成速度过慢。

qu1210的博客 1382

deepseek-r1落地指南（搭建web-ui | 搭建本地代码编辑器）

前两天写了一篇，今天就deepseek-r1本地部署，讲解一下本地部署的大模型如何落地（应用），以便提高工作效率。目前只接触了两类，下面进行介绍。

404 Not Found 3万+

GEE——土地利用分类之监督分类

利用GEE做监督分类，以武汉市为例。 训练器我们选择随机森林；数据选择Landsat-8；训练样本使用的是GEE提供的一种，它把地表分为三类：水体、植被和城市用地。 选择训练样本 用要素集来标记训练样本。每个要素都有一个landcover 的属性，0表示城市用地，1表示植被，2表示水体。 对影像进行分类 其中一部分进行分类器的训练，还有一部分留下来做精度验证。 输出影像及混淆矩阵 print(LABEL_DATA); var wuhan = ee.FeatureCollection('users/

qq_41600680的博客 1万+

5分钟部署deepseek，逆天傻瓜式三步快速打造本地大模型

DeepSeek，如此亲民，逆天了！AI的世界瞬息万变，来晚一步，都翻天覆地！来，跟上快速3步5分钟，打造本地大模型！第一步：下载安装 Ollama网址：https://ollama.com/_Ollama是_一个专为在本地机器上便捷部署和运行大型语言模型（LLM）而设计的开源框架。你可以把Ollama看作是一个装LLM的容器。下载后，直接运行OllamaSetup安装，然后下一步下一步，就可以了。电脑右下角出现小猪猪，就已经启动啦。第二步：下载安装deepseek。

2401_84494441的博客 9302

采用LM324输出方波、正弦波、三角波

介绍以LM324运放芯片为核心,设计电路连接，实现三角波转化为正弦波，再由正弦波转化为方波输出的简易函数信号发生器的基本功能。本文介绍通过使用NI Multisim 14.0软件仿真模拟搭建所设计的电路，再使用这个软件的示波器进行仿真输出三角波，正弦波，方波。使用软件进行仿真后再到实验室进行调试，将其接入电源，并通过在显示器上观察波形以及数据，得到结果。该电路结构简单,信号的幅度、频率等参数可调,在仿真软件和实验室检测都有较好的性能输出,可替代实验室标准的函数信号发生器完成一般的实验要求。

qq_48771816的博客 7万+

SAP系统从ECC升级至S/4 HANA的实现路径及项目过程

从SAP ECC升级到 S/4 HANA，通常是一个复杂的转型过程，涉及到企业资源规划系统的全面现代化

saplakes的博客 2900

【2025版】最新Dify入门教程，零基础入门到精通，收藏这篇就够了

官方中文地址:Dify.AI · 生成式 AI 应用创新引擎产品简介 - Dify Docs开源的 LLM 应用开发平台。提供从 Agent 构建到 AI workflow 编排、RAG 检索、模型管理等能力，轻松构建和运营生成式 AI 原生应用。比 LangChain 更易用。Dify提供的有2个版本，分别是：社区版商业版对于我们来说我们使用社区版本就可以了，因为我们最终还是需要把Dify部署到我们的本地来使用的。官方提供的工具在某些场景下并不能满足我们的需求。

leah126的博客 2万+

别再手动下单了！用Python+EasyTrader+同花顺，5分钟搞定你的第一个自动化交易机器人

本文详细介绍了如何使用Python和EasyTrader结合同花顺客户端快速构建自动化交易机器人。从环境配置到实战脚本编写，涵盖自动打新、条件单、跟单策略等核心功能，并分享性能优化与风险控制技巧，帮助投资者高效实现自动化交易。

weixin_30381317的博客 398

【2025版】DeepSeek本地部署教程，告别“服务器繁忙”！从零基础到精通，精通收藏这篇就够了！

DeepSeek（深度求索）是一款由杭州深度求索人工智能基础技术研究有限公司开发的人工智能大模型，能够理解自然语言及生成高质量文本内容。DeepSeek 作为一款开源且性能强大的大语言模型，支持灵活的本地部署方案，用户可以在本地环境中高效运行模型，无需支付在线 API 费用。模型部署完成后无需联网也可流畅运行，避免“服务器繁忙”等问题。软件：‌‌‌‌‌‌DeepSeek语言：简体中文大小：892.5M安装环境：Windows7及以上64位操作系统硬件要求：

Javachichi的博客 2630

Scratch离线版部署指南：解决资源缺失与页面显示异常问题

本文提供了一份详尽的Scratch离线版部署指南，旨在解决网络依赖导致的资源缺失与页面显示异常问题。通过从基础文件获取、自动化资源抓取到生产环境部署的完整流程，帮助教育工作者和开发者在无网络环境下搭建功能完整的本地Scratch编辑器，确保编程教学的顺利进行。

wine的专栏 1260

实战指南：基于华为Ascend NPU的大模型W8A8量化调优与精度提升

本文提供了一份基于华为Ascend NPU进行大模型W8A8量化的实战调优指南。详细介绍了从环境搭建、使用msmodelslim框架进行基础量化，到通过离群值抑制、校准集优化和量化回退等关键技术提升精度的全流程。旨在帮助开发者在华为NPU硬件上实现模型推理的显著加速，同时有效控制精度损失。

weixin_29227425的博客 271

【2025】deepseek +本地知识库的部署，从零基础到精通，精通收藏这篇就够了！

整个操作下来，AnythingLLM 的体验没有cherry好。AnythingLLM就像一个包壳的web应用(后来查了下，确实是)。AnythingLLM 得具备一定的程序思维，给技术人员用的。非技术人员还是使用cherry吧。作为喜欢折腾的开发人员，我们可以结合dify使用。## AI大模型学习福利作为一名热心肠的互联网老兵，我决定把宝贵的AI知识分享给大家。至于能学习到多少就看你的学习毅力和能力了。

Python_0011的博客 1388

rv1106 模型部署

ONNX(Open Neural Network Exchange)，开放神经网络交换，是一种模型IR，用于在各种深度学习训练和推理框架转换的一个中间表示格式，支持多种深度学习框架，包括 TensorFlow、PyTorch、Caffe 等。将模型转换为 ONNX 格式后，可以更容易地在不同的深度学习框架中进行部署和推理，而无需重新训练模型。

weixin_50993868的博客 1285

【2025版】最新DeepSeek大模型微调实战，零基础入门到精通，收藏这篇就够了

DeepSeek是由 深度求索 团队开发的大语言模型，本实验将基于deepseek-llm-7b-chat模型，在EmoLLM数据集进行微调，实现大模型能够以心理医生的口吻来回答我们的问题。本实验基于transformers和openMind均已实现本次微调，代码均可在github链接上查看。通过本次实验，你不仅能够完成 多轮对话数据的微调，还能掌握这些方法，并 将其迁移到其他微调实验中，独立进行高效的模型调优。

Python_0011的博客 1275

【ZYNQ】OV5640 图像采集与显示

OV5640 是豪威（OmniVision）半导体公司推出的高性能的 CMOS 数字图像传感器，支持最高 500 万像素图像采集，支持 RAW RGB、RGB565、YCbCr422 等图像格式输出，可应用于手机、平板等电子设备。本文主要介绍如何使用 Zynq 驱动 OV5640 摄像头进行图像采集，并通过 HDMI 实时显示。

洋洋Young的博客 1433

WINCC7.3破解文件

WINCC7.3硬件够破解文件，有需要的下载！WINCC7.3硬件够破解文件，有需要的下载！

【2025版】最详细的DeepSeek的本地部署，从零基础到精通，精通收藏这篇就够了！

#DeepSeek的本地部署把大模型部署在自己的电脑上，有很多好处，但我要先泼一盆冷水。如果你之前没用过AI产品，或者平时用AI也不多，不推荐搞本地部署。有更简单的方法，可以让你用上AI。想用DeepSeek，可以直接在手机的软件商城，下载DeepSeek的手机APP。或者用浏览器，搜索DeepSeek的网页版。这样是最简单的，并且背后的AI都是一样的。本地部署适合以下情况：① 电脑配置较高，有独立显卡。② 有私密的数据需要处理，担心泄密。③需要和本地工作流结合，处理高频任务或复杂任务。

Javachichi的博客 1823

SIMATIC S7-1200, S7-1500 PID 控制[手册]

SIMATIC S7-1200, S7-1500 PID 控制[手册]

【2025版】最新AI大模型的原理是什么？零基础入门到精通，收藏这篇就够了

AI大模型的原理基于深度学习和神经网络技术。其中，最著名的大模型之一是使用了变种的转换器（Transformer）架构的模型,比如GPT（Generative Pre-trained Transformer）。以下是AI大模型的基本原理：1数据收集和预处理：大模型的训练需要大量的数据。首先，大量的文本数据被收集和预处理，其中可能包括网页内容、书籍、新闻文章、维基百科等。数据可能会经过一定的清理和标准化处理。2模型架构：大模型通常基于深度神经网络架构，如变种的转换器模型。

leah126的博客 1486

深度学习工具包 DeepLearningToolbox

深度学习工具包Deprecation notice.-----This toolbox is outdated and no longer maintained.There are much better tools available for deep learning than this toolbox, e.g. [Theano](http://deeplearning.net/software/theano/), [torch](http://torch.ch/) or [tensorflow](http://www.tensorflow.org/)I would suggest you use one of the tools mentioned above rather than use this toolbox.Best, Rasmus.DeepLearnToolbox================A Matlab toolbox for Deep Learning.Deep Learning is a new subfield of machine learning that focuses on learning deep hierarchical models of data.It is inspired by the human brain's apparent deep (layered, hierarchical) architecture.A good overview of the theory of Deep Learning theory is[Learning Deep Architectures for AI](http://www.iro.umontreal.ca/~bengioy/papers/ftml_book.pdf)For a more informal introduction, see the following videos by Geoffrey Hinton and Andrew Ng.* [The Next Generation of Neural Networks](http://www.youtube.com/watch?v=AyzOUbkUf3M) (Hinton, 2007)* [Recent Developments in Deep Learning](http://www.youtube.com/watch?v=VdIURAu1-aU) (Hinton, 2010)* [Unsupervised Feature Learning and Deep Learning](http://www.youtube.com/watch?v=ZmNOAtZIgIk) (Ng, 2011)If you use this toolbox in your research please cite [Prediction as a candidate for learning deep hierarchical models of data](http://www2.imm.dtu.dk/pubdb/views/publication_details.php?id=6284)```@MASTERSTHESIS\{IMM2012-06284, author = "R. B. Palm", title = "Prediction as a candidate for learning deep hierarchical models of data", year = "2012",}```Contact: rasmusbergpalm at gmail dot comDirectories included in the toolbox-----------------------------------`NN/` - A library for Feedforward Backpropagation Neural Networks`CNN/` - A library for Convolutional Neural Networks`DBN/` - A library for Deep Belief Networks`SAE/` - A library for Stacked Auto-Encoders`CAE/` - A library for Convolutional Auto-Encoders`util/` - Utility functions used by the libraries`data/` - Data used by the examples`tests/` - unit tests to verify toolbox is workingFor references on each library check REFS.mdSetup-----1. Download.2. addpath(genpath('DeepLearnToolbox'));Example: Deep Belief Network---------------------```matlabfunction test_example_DBNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit RBM and visualize its weightsrand('state',0)dbn.sizes = [100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);figure; visualize(dbn.rbm{1}.W'); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand('state',0)%train dbndbn.sizes = [100 100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);%unfold dbn to nnnn = dbnunfoldtonn(dbn, 10);nn.activation_function = 'sigm';%train nnopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.10, 'Too big error');```Example: Stacked Auto-Encoders---------------------```matlabfunction test_example_SAEload mnist_uint8;train_x = double(train_x)/255;test_x = double(test_x)/255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit SDAE and use it to initialize a FFNN% Setup and train a stacked denoising autoencoder (SDAE)rand('state',0)sae = saesetup([784 100]);sae.ae{1}.activation_function = 'sigm';sae.ae{1}.learningRate = 1;sae.ae{1}.inputZeroMaskedFraction = 0.5;opts.numepochs = 1;opts.batchsize = 100;sae = saetrain(sae, train_x, opts);visualize(sae.ae{1}.W{1}(:,2:end)')% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = 'sigm';nn.learningRate = 1;nn.W{1} = sae.ae{1}.W{1};% Train the FFNNopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.16, 'Too big error');```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x',28,28,60000))/255;test_x = double(reshape(test_x',28,28,10000))/255;train_y = double(train_y');test_y = double(test_y');%% ex1 Train a 6c-2s-12c-2s Convolutional neural network %will run 1 epoch in about 200 second and get around 11% error. %With 100 epochs you'll get around 1.2% errorrand('state',0)cnn.layers = { struct('type', 'i') %input layer struct('type', 'c', 'outputmaps', 6, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %sub sampling layer struct('type', 'c', 'outputmaps', 12, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %subsampling layer};cnn = cnnsetup(cnn, train_x, train_y);opts.alpha = 1;opts.batchsize = 50;opts.numepochs = 1;cnn = cnntrain(cnn, train_x, train_y, opts);[er, bad] = cnntest(cnn, test_x, test_y);%plot mean squared errorfigure; plot(cnn.rL);assert(er<0.12, 'Too big error');```Example: Neural Networks---------------------```matlabfunction test_example_NNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);% normalize[train_x, mu, sigma] = zscore(train_x);test_x = normalize(test_x, mu, sigma);%% ex1 vanilla neural netrand('state',0)nn = nnsetup([784 100 10]);opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samples[nn, L] = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.08, 'Too big error');%% ex2 neural net with L2 weight decayrand('state',0)nn = nnsetup([784 100 10]);nn.weightPenaltyL2 = 1e-4; % L2 weight decayopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex3 neural net with dropoutrand('state',0)nn = nnsetup([784 100 10]);nn.dropoutFraction = 0.5; % Dropout fraction opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex4 neural net with sigmoid activation functionrand('state',0)nn = nnsetup([784 100 10]);nn.activation_function = 'sigm'; % Sigmoid activation functionnn.learningRate = 1; % Sigm require a lower learning rateopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex5 plotting functionalityrand('state',0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = 'softmax'; % use softmax outputopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex6 neural net with sigmoid activation and plotting of validation and training error% split training data into training and validation datavx = train_x(1:10000,:);tx = train_x(10001:end,:);vy = train_y(1:10000,:);ty = train_y(10001:end,:);rand('state',0)nn = nnsetup([784 20 10]); nn.output = 'softmax'; % use softmax outputopts.numepochs = 5; % Number of full sweeps through dataopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, tx, ty, opts, vx, vy); % nntrain takes validation set as last two arguments (optionally)[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');```[![Bitdeli Badge](https://d2weczhvl823v0.cloudfront.net/rasmusbergpalm/deeplearntoolbox/trend.png)](https://bitdeli.com/free "Bitdeli Badge")

霍尼韦尔SoftMaster使用说明

霍尼韦尔SoftMaster使用说明

【2025版】最新DeepSeek大模型微调实战（超详细实战篇）零基础入门到精通，收藏这篇就够了

DeepSeek是由 深度求索 团队开发的大语言模型，本实验将基于deepseek-llm-7b-chat模型，在EmoLLM数据集进行微调，实现大模型能够以心理医生的口吻来回答我们的问题。本实验基于transformers和openMind均已实现本次微调，代码均可在github链接上查看。通过本次实验，你不仅能够完成 多轮对话数据的微调，还能掌握这些方法，并 将其迁移到其他微调实验中，独立进行高效的模型调优。

Python_0011的博客 1057

【2025】deepseek +本地知识库的部署，（非常详细）从零基础到精通，精通收藏这篇就够了！

整个操作下来，AnythingLLM 的体验没有cherry好。AnythingLLM就像一个包壳的web应用(后来查了下，确实是)。AnythingLLM 得具备一定的程序思维，给技术人员用的。非技术人员还是使用cherry吧。作为喜欢折腾的开发人员，我们可以结合dify使用。## AI大模型学习福利作为一名热心肠的互联网老兵，我决定把宝贵的AI知识分享给大家。至于能学习到多少就看你的学习毅力和能力了。

Javachichi的博客 2365

【2025版】基于本地知识库搭建开源方案认知，从零基础到精通，精通收藏这篇就够了！

博文内容涉及 基于 Deepseek LLM 的本地知识库搭建使用 ollama 部署 Deepseek-R1 LLM知识库能力通过 Ragflow、Dify 、AnythingLLM、Cherry 提供理解不足小伙伴帮忙指正 😃,生活加油持续分享技术干货，感兴趣小伙伴可以关注下本地 LLM 部署LLM 本身只是一些神经网络参数, 就拿 DeepSeek-R1 来讲，模型本身存储了， 实际运行起来需要行业级别的服务器配置， 消费级别的个人电脑不能直接运行，实际还涉及到硬件适配，需手动配置。

Libra1313的博客 2080

【2025版】快速搭建dify和deepseek，从零基础到精通，精通收藏这篇就够了！

Ollama的安装基于CPU运行基于GPU运行经测试，DeepSeek R1:7b大模型在10G以上显存的环境可以很流畅，使用GPU需要先配置依赖环境

Javachichi的博客 1389

【2025版】DeepSeek本地部署教程来了！从零基础到精通，精通收藏这篇就够了！

春节期间最火爆的新闻是DeepSeek，没有之一，这则消息足以震动全球。它是一款国产的开源大模型，APP登顶苹果中国区和美国区应用商店免费下载排行榜。其实早在去年12月份就发布了v3模型，但当时并不火，直到今年1月份发布了对标OpenAI-o1的推理模型r1，短短几天时间火爆全球。由于免费开源，且训练成本大幅下降的情况下达到差不多的效果，这在AI行业引发的广泛的关注和讨论，市场对以英伟达为首的「大力出奇迹」的训练方式产生了质疑，认为通过对模型的优化可以减少对高端芯片的需求，英伟达股价也因此暴跌。

Javachichi的博客 1224

【2025版】无需GPU轻松本地部署多款大模型，DeepSeek支持！从零基础到精通，精通收藏这篇就够了！

Ollama是一个开源的大型语言模型（LLM）服务工具，它的目标就是简化在本地运行大语言模型的过程。不管你有没有GPU，只要你的电脑满足基本配置，就能用Ollama轻松部署像Llama3、Phi4、Gemma2、DeepSeek等超火的大模型。它不仅开源免费，还提供了一个超简单的命令行界面和服务器，让你能够轻松下载、运行和管理各种开源LLM。目前在Github上收获了119K star！

Javachichi的博客 3337

【2025版】最新在IDEA中接入DeepSeek，从零基础到精通，收藏这篇就够了！

对于从来没有接触过网络安全的同学，我们帮你准备了详细的学习成长路线图&学习规划。可以说是最科学最系统的学习路线，大家跟着这个大的方向学习准没问题。可以说是最科学最系统的学习路线，大家跟着这个大的方向学习准没问题。这也是耗费了大白近四个月的时间，吐血整理，文章非常非常长，觉得有用的话，希望粉丝朋友帮忙点个**「分享」因篇幅有限，仅展示部分资料，需要点击下方链接即可前往获取。因篇幅有限，仅展示部分资料，需要点击下方链接即可前往获取。因篇幅有限，仅展示部分资料，需要点击下方链接即可前往获取。

leah126的博客 2348

【2025版】最新10个知名软件特殊版，第一个DeepSeek 桌面版，从零基础到精通，收藏这篇就够了！

【Windows】;****2025年Deepseek桌面版（安装文件）。至今没有出正式的Windows及苹果电脑版本的软件，再也不用打开网页了，直接桌面生成快捷方式。不过360提示有木马，介意的就别装了。抖音 V32.2.6，无购物无直播。本精简版完全绿色无捆绑。使用方法：解压前请先关闭杀毒软件（卡巴/360/火绒等可能会误报 “!

bdfcfff77fa的博客 2689
上一篇： 2025版最新对零基础想转行网络安全同学的一点建议，零基础入门到精通，收藏这篇就够了
下一篇： 2025版最新计算机类24个专业方向、就业前景及择校五要素分析，零基础入门到精通，收藏这篇就够了
点赞 21
评论 0
书签 书签 25
黑客大白
黑客大白
博客等级 码龄5年 1万+粉丝 3206原创
+ 关注 专栏目录 订阅专栏
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
表情包 插入表情
表情包 代码片
 条评论被折叠 查看
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