在本地部署属于自己的 DeepSeek 模型，搭建AI 应用平台

本地部署DeepSeek模型指南

最新推荐文章于 2025-11-23 19:13:18 发布

原创最新推荐文章于 2025-11-23 19:13:18 发布 · 676 阅读

10 ·

CC 4.0 BY-SA版权

文章标签：

#人工智能 #功能测试 #软件测试 #自动化测试 #程序人生 #职场和发展

软件测试专栏收录该内容

1900 篇文章

订阅专栏

搭建属于自己的 DeepSeek 本地部署环境，需要结合模型部署、API 接口搭建以及前端交互等步骤。以下是详细的流程：

1. 环境准备

操作系统：建议使用 Linux（如 Ubuntu 20.04）或 macOS。
硬件要求：
- CPU：至少 8 核。
- GPU：推荐 NVIDIA GPU（如 RTX 3060 及以上），并安装 CUDA 和 cuDNN。
- 内存：至少 16GB，推荐 32GB 或以上。
- 存储：至少 50GB 可用空间（SSD 优先）。
软件依赖：
- Python 3.8 或以上。
- Docker（用于容器化部署）。
- Git（用于代码管理）。

2. 获取 DeepSeek 模型

访问 DeepSeek 的官方 GitHub 仓库或相关资源，下载预训练模型权重和配置文件。


git clone https://github.com/deepseek-ai/deepseek-model.git

cd deepseek-model

下载模型权重文件（如 deepseek_model.pth）并放置到指定目录。

3. 安装依赖

创建 Python 虚拟环境：


python3 -m venv deepseek-env

source deepseek-env/bin/activate

安装必要的 Python 库：


pip install torch torchvision torchaudio --extra-index-url https://download.pytorch.org/whl/cu113

pip install transformers flask uvicorn fastapi

4. 部署模型 API

使用 FastAPI 或 Flask 搭建模型 API 服务。以下是一个简单的 FastAPI 示例：


from fastapi import FastAPI

from transformers import AutoModelForCausalLM, AutoTokenizer

import torch


app = FastAPI()


# 加载模型和分词器

model_path = "./deepseek-model"

tokenizer = AutoTokenizer.from_pretrained(model_path)

model = AutoModelForCausalLM.from_pretrained(model_path)


@app.post("/generate")

async def generate_text(prompt: str, max_length: int = 100):

inputs = tokenizer(prompt, return_tensors="pt")

outputs = model.generate(inputs.input_ids, max_length=max_length)

response = tokenizer.decode(outputs[0], skip_special_tokens=True)

return {"response": response}

保存为 api.py，然后启动服务：

uvicorn api:app --host 0.0.0.0 --port 8000

测试 API：

curl -X POST "http://localhost:8000/generate" -H "Content-Type: application/json" -d '{"prompt": "你好，DeepSeek", "max_length": 50}'

5. 使用 Docker 容器化部署

创建 Dockerfile：


FROM python:3.8-slim


WORKDIR /app

COPY . /app


RUN pip install --no-cache-dir torch torchvision torchaudio --extra-index-url https://download.pytorch.org/whl/cu113

RUN pip install --no-cache-dir transformers fastapi uvicorn


EXPOSE 8000

CMD ["uvicorn", "api:app", "--host", "0.0.0.0", "--port", "8000"]

构建 Docker 镜像：

docker build -t deepseek-api .

运行 Docker 容器：

docker run -d --name deepseek-container -p 8000:8000 deepseek-api

6. 搭建前端交互界面（可选）

使用 HTML + JavaScript 或 React/Vue 等框架搭建前端界面，调用 API 实现交互。
示例 HTML 页面：


<!DOCTYPE html>

<html>

<body>

<h1>DeepSeek 本地部署</h1>

<textarea id="prompt" rows="4" cols="50"></textarea><br>

<button onclick="generate()">生成文本</button>

<pre id="response"></pre>


<script>

async function generate() {

const prompt = document.getElementById("prompt").value;

const response = await fetch("http://localhost:8000/generate", {

method: "POST",

headers: { "Content-Type": "application/json" },

body: JSON.stringify({ prompt, max_length: 100 }),

});

const data = await response.json();

document.getElementById("response").innerText = data.response;

}

</script>

</body>

</html>