DeepSeek的第三方服务与使用示例

原创已于 2025-03-11 09:14:56 修改 · 669 阅读

3 ·

CC 4.0 BY-SA版权

文章标签：

#DeepSeek

于 2025-03-07 16:02:45 首次发布

PyTorch深度学习与应用专栏收录该内容

108 篇文章

订阅专栏

《DeepSeek大模型高性能核心技术与多模态融合开发（人工智能技术丛书）》(王晓华)【摘要书评试读】- 京东图书

DeepSeek作为开源大模型，为用户提供了广阔的自主性和灵活性。我们固然可以独立自主地部署不同版本的DeepSeek以满足个人使用需求。然而，对于初学者或资源有限的用户来说，直接部署可能存在一定的难度。幸运的是，现在有了更为便捷的选择——使用第三方已经部署好的DeepSeek服务。

这些第三方服务通常提供免费的API接口，使得用户能够一键部署并实现特定的功能，无需关心底层的复杂性和资源配置问题。其中，Modelscope便是一个值得推荐的选项。

在使用API接口之前，我们首先需要注册并登录Modelscope，登录页面如图2-21所示。

图2-21 Modelscope登录页面

在我们登录上Modelscope社区后，点击左侧的“访问令牌”，创建一个可供使用的、免费调用Modelscope的 API-Inference的令牌序列，如图2-22所示。

图2-22 访问令牌创建

在创建访问令牌后，我们就可以通过代码部署并使用不同的DeepSeek 版本来完成我们的应用开发。下面给出一个示例，帮助读者熟悉DeepSeek 模型的调用。

打开前面安装的PyCharm IDE，先新建一个项目，再新建一个hello_deepseek.py文件，输入如下代码：

from openai import OpenAI
client = OpenAI( base_url='https://api-inference.modelscope.cn/v1/',
                    api_key='Your_SDK_Token', # ModelScope Token
)
response = client.chat.completions.create( model='deepseek-ai/DeepSeek-R1',
    messages=[
        {'role': 'system',
         'content': 'You are a helpful assistant.'},
        {'role': 'user','content': '你好'}],stream=True)

reasoning_content = ''
answer_content = ''
done_reasoning = False
for chunk in response:
    reasoning_chunk = chunk.choices[0].delta.reasoning_content
    answer_chunk = chunk.choices[0].delta.content
    if reasoning_chunk != '':
        print(reasoning_chunk, end='',flush=True)
    elif answer_chunk != '':
        if not done_reasoning:
            print("\n\n === Final Answer ===\n")
            done_reasoning = True
        print(answer_chunk, end='',flush=True)

运行以上代码，结果如图2-19所示。

C:\Users\xiayu\miniconda3\python.exe C:\Users\xiayu\PycharmProjects\DeepSeek高性能大模型SRC\第二章\2.3.3.py 
嗯，用户发来“你好”，这是一句常见的中文问候。我需要确认他们是否需要进一步的帮助，或者是否有具体的问题。可能需要用中文回复，保持友好和开放的态度。另外，检查是否有拼写错误或其他潜在的需求。可能用户只是想打个招呼，也可能有其他问题。保持简洁，同时提供帮助的可能性。

 === Final Answer ===

你好！很高兴见到你，有什么我可以帮忙的吗？
Process finished with exit code 0

这里需要说明一下，Modelscope是一个专业提供大模型部署和整合的平台。它汇聚了众多先进的大模型，并通过优化和封装，为用户提供了简洁易用的接口。通过Modelscope提供的已部署好的模型代码，我们可以轻松地调用和使用DeepSeek的多个版本。这不仅降低了技术使用的门槛，还大大提升了使用效率。