一台普通电脑跑通大模型:Ollama从安装到满血使用的全部技巧,零基础也能搞定

Openclaw原生本地部署指南:用Ollama底座打造满血AI助手 Openclaw作为一个开源AI助理框架,常被误以为只能通过云端API调用大模型,但本地部署才是完整释放其能力的关键。本地部署的核心原理是让大模型推理完全发生在个人机器上,通过Ollama这类轻量推理服务提供底层算力,使Agent框架、技能机制与数据链路真正脱离外部依赖。技术价值上,它显著降低按Token付费的长期成本,并解决数据隐私与离线可用问题,让AI助手从“试用玩具”变成“个人数字管家”。在实际应用中,无论是老PC还是带显卡的桌面机,都能通过合理选型跑起7B~8B级别模型,并支持后续扩展ROS2、事件 阅读详情

ChatGPT、Claude、Gemini——三个AI助手轮流涨价。

OpenAI的GPT-5 API每百万token的价格已经让中小团队开始肉疼。Claude虽然降了价,但用了几个月后账单上的数字还是让你倒吸一口凉气。你开始想:能不能把大模型跑在自己的电脑上,不联网,不付费,不限次数?

答案是一个叫 Ollama 的开源工具。

它只有约 17MB,安装之后你就能在你的笔记本上运行 DeepSeek、Llama、Qwen、Mistral 等数十个主流开源大模型——完全不联网,完全免费,数据完全不离开你的硬盘。

我刚用一台 32GB 内存的 MacBook Pro 跑了一个月,这篇文章把安装、配置、使用、调优的全部经验拆给你看。

图片

第一步:安装 Ollama(5分钟搞定)

Ollama 支持 macOS、Windows、Linux 三大平台。

macOS:

# 下载官方安装包# 访问 https://ollama.com/download 下载 .dmg 文件# 双击安装,拖入 Applications 文件夹即可

或者用 Homebrew 一键安装:

brew install ollama

Windows:

# 访问 https://ollama.com/download/windows# 下载 OllamaSetup.exe,双击运行# 安装完成后系统托盘会出现羊驼图标

Linux(推荐脚本安装):

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

安装完成后验证:

ollama --version# 输出类似:ollama version 0.6.x

安装即用,不需要 Docker,不需要 CUDA 环境配置,不需要 Python 虚拟环境。 这是 Ollama 最核心的优势——它把大模型运行的门槛降到了"安装一个普通软件"的级别。

第二步:拉取你的第一个模型(3分钟跑通)

Ollama 内置了一个模型库,直接用 ollama pull 命令下载:

# 拉取 DeepSeek-R1 蒸馏版(推荐入门,速度快)ollama pull deepseek-r1:14b# 拉取 Llama 3.1(8B版本,轻量通用)ollama pull llama3.1:8b# 拉取 Qwen 2.5(对中文最友好)ollama pull qwen2.5:14b# 拉取 Mistral(代码能力强)ollama pull mistral:7b# 拉取国产 DeepSeek-V3 轻量版ollama pull deepseek-v3:8b

下载完成后直接运行模型对话:

ollama run deepseek-r1:14b

终端里直接出现对话界面,输入问题,模型实时回复。不需要写一行代码,不需要配 API Key。

图片

第三步:模型选型指南(一张表选对模型)

不是所有模型都适合本地跑。选模型的核心公式:显存/内存 ≥ 模型参数量 × 量化精度 ÷ 字节系数。

以下是2026年7月实测可用的推荐清单:

模型参数量推荐量化内存需求适用场景中文能力
DeepSeek-R114BQ4_K_M≥12GB推理/数学/编程★★★★★
DeepSeek-R132BQ4_K_M≥24GB深度推理★★★★★
Llama 3.18BQ4_K_M≥8GB通用对话/写作★★★☆☆
Llama 4 Scout17BQ4_K_M≥16GB多模态理解★★★☆☆
Qwen 2.514BQ4_K_M≥12GB中文创作/翻译★★★★★
Qwen 2.5-Coder7BQ4_K_M≥8GB代码生成★★★★★
Mistral7BQ4_K_M≥8GB英文编程★★★★☆
Gemma 227BQ4_K_M≥20GB多语言通用★★★☆☆

8GB内存笔记本:选 Llama 3.1 8B 或 Qwen 2.5-Coder 7B,日常办公够用。 16GB MacBook:选 Qwen 2.5 14B 或 DeepSeek-R1 14B,体验媲美云端。 32GB以上:上 DeepSeek-R1 32B,推理能力已经非常接近 GPT-4o。 64GB M4 Max:可以尝试 70B 级别的模型,比如 Llama 3.3 70B 或 DeepSeek-V3。

用以下命令拉取特定量化版本:

# 指定4位量化以节省显存ollama pull deepseek-r1:14b-q4_K_Mollama pull qwen2.5:14b-q4_K_M

第四步:接入 Open WebUI(给它一个ChatGPT界面)

命令行对话是第一步,正经用还得上图形界面。最强的 Ollama 前端是 Open WebUI,一个完全自托管的 ChatGPT 风格界面,支持多模型切换、对话历史、RAG知识库、文件上传。

Docker 安装 Open WebUI:

# 前置条件:已安装 Docker Desktop# macOS/Windows 从 docker.com 下载安装# Linux 用包管理器安装# 拉取并启动 Open WebUIdocker run -d /  -p 3000:8080 /  --add-host=host.docker.internal:host-gateway /  -v open-webui:/app/backend/data /  --name open-webui /  --restart always /  ghcr.io/open-webui/open-webui:main

打开浏览器访问 http://localhost:3000,注册一个本地账号,在设置里选择 Ollama 作为后端,就能看到你下载的所有模型出现在下拉菜单里。界面体验和 ChatGPT 几乎没有差别。

不需要 Docker 的替代方案: Page Assist 浏览器插件直接连接本地 Ollama,Chrome/Edge 扩展商店免费安装,零配置。或者直接用 Enchanted(macOS 原生 App)连本地 Ollama,体验最贴近 ChatGPT 桌面版。

图片

第五步:API调用与进阶配置

Ollama 启动后自动在 localhost:11434 开启了 REST API,完全兼容 OpenAI 的 /v1/chat/completions 格式。这意味着所有用 OpenAI SDK 写的工具,改一行代码就能切到本地模型:

Python 调用示例:

import requestsimport jsonresponse = requests.post(    "http://localhost:11434/v1/chat/completions",    json={        "model": "deepseek-r1:14b",        "messages": [            {"role": "system", "content": "你是一个资深Python开发者"},            {"role": "user", "content": "用Python写一个并发下载文件的脚本"}        ],        "temperature": 0.7,        "max_tokens": 2048    })result = response.json()print(result["choices"][0]["message"]["content"])

环境变量调优(提高推理速度):

# 设置并发请求数(默认1,有GPU可调高)export OLLAMA_NUM_PARALLEL=4# 设置上下文长度(默认2048,长文需求可调大)export OLLAMA_CONTEXT_LENGTH=8192# 使用GPU加速(有NVIDIA显卡)export OLLAMA_GPU_LAYERS=35# 内存限制(防止占用过多系统内存)export OLLAMA_MAX_LOADED_MODELS=2

配置写入 ~/.ollama/config 或通过系统环境变量永久生效。

避坑指南(半年踩出来的血泪)

问题1:模型下载特别慢 默认从 ollama.com 拉取模型文件(通常 4-15GB),国内用户可能遇到速度问题。解决:设置代理环境变量 export HTTPS_PROXY=http://127.0.0.1:7890,或者在 Ollama 设置中配置镜像源。

问题2:回复速度慢、电脑风扇狂转 模型太大,内存不够,系统在疯狂 swap。降低模型参数量,用 q4_K_M 量化版本,或者升级内存。8B 模型在 16GB 电脑上通常能跑出每秒 15-25 token。

问题3:M系列Mac没有用上GPU Ollama 在 Apple Silicon 上默认调用 Metal GPU 加速。用 ollama ps 命令检查模型是否跑在 GPU 上。如果显示 100% CPU,检查 macOS 版本是否 ≥ 13.3。

问题4:多模型切换导致内存不足 同时加载多个大模型会把内存吃光。设置 OLLAMA_MAX_LOADED_MODELS=2 限制常驻内存的模型数量,Ollama 会在切换时自动卸载闲置模型。

这套方案的真正价值在哪?

用 Ollama 跑本地模型的成本是零——没有 API 费用,没有 token 限制,没有"本月用量已用完"的弹窗。

但更重要的是三件事你不需要担心了:

隐私安全:你的对话、文档、代码不会离开你的电脑。处理内部数据、客户信息、商业机密时不需要脱敏。这在一个"所有的AI都想要你的数据"的年代里,是一种稀缺的安全感。

离线使用:飞机上、高铁隧道里、咖啡馆的烂网络下——模型照样跑。一个14B量化模型只有8GB左右,下载一次永久使用。

无限调用:写代码时反复让AI调试不会心疼token;翻译长文档不用说"请继续";深夜跑实验不用盯着API余额。

图片

快速上手指令速查表

# 安装brew install ollama                # macOScurl -fsSL https://ollama.com/install.sh | sh  # Linux
# 模型管理ollama pull deepseek-r1:14b        # 下载模型ollama list                        # 查看已安装模型ollama rm deepseek-r1:14b          # 删除模型ollama cp deepseek-r1:14b my-custom # 复制模型
# 运行对话ollama run deepseek-r1:14b         # 进入对话模式ollama run deepseek-r1:14b "用Python写快排"  # 单次问答
# 监控调试ollama ps                          # 查看运行中的模型ollama show deepseek-r1:14b        # 查看模型详情

好了,现在打开你的终端,敲下第一行命令:

ollama run deepseek-r1:14b

三个命令之后,你的电脑就变成了一台不需要联网、不花一分钱的 AI 服务器。

安装包获取

平台下载地址安装方式
macOShttps://ollama.com/download下载 .dmg 双击安装
macOS (Homebrew)—brew install ollama
Windowshttps://ollama.com/download/windows下载 .exe 双击运行
Linuxhttps://ollama.com/download/linux`curl -fsSL https://ollama.com/install.sh

Open WebUI 安装(为 Ollama 添加 ChatGPT 风格界面):

docker run -d -p 3000:8080 /  --add-host=host.docker.internal:host-gateway /  -v open-webui:/app/backend/data /  --name open-webui --restart always /  ghcr.io/open-webui/open-webui:main

安装后访问 http://localhost:3000 即可。

你在本地跑过哪些开源大模型?遇到过什么坑?评论区分享你的Ollama配置和推荐模型,帮更多人少走弯路。

#Ollama #本地大模型 #AI工具拆解 #DeepSeek #Llama #Qwen #AI教程 #

这里给大家精心整理了一份全面的AI大模型学习资源,包括:AI大模型全套学习路线图(从入门到实战)、精品AI大模型学习书籍手册、视频教程、实战学习、面试题等,资料免费分享!

👇👇扫码免费领取全部内容👇👇
在这里插入图片描述

1. 成长路线图&学习规划

要学习一门新的技术,作为新手一定要先学习成长路线图,方向不对,努力白费。

这里,我们为新手和想要进一步提升的专业人士准备了一份详细的学习成长路线图和规划。可以说是最科学最系统的学习成长路线。
在这里插入图片描述

2. 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)

在这里插入图片描述

3. 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。

在这里插入图片描述

4. 2026行业报告

行业分析主要包括对不同行业的现状、趋势、问题、机会等进行系统地调研和评估,以了解哪些行业更适合引入大模型的技术和应用,以及在哪些方面可以发挥大模型的优势。

5. 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。

在这里插入图片描述

6. 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。

在这里插入图片描述

7. 资料领取:全套内容免费抱走,学 AI 不用再找第二份

不管你是 0 基础想入门 AI 大模型,还是有基础想冲刺大厂、了解行业趋势,这份资料都能满足你!
现在只需按照提示操作,就能免费领取:

👇👇扫码免费领取全部内容👇👇
在这里插入图片描述

普通笔记本也能本地跑大模型?从Ollama到Qwen2.5的完整指南 大模型早已不是云端专享。随着开源模型与量化技术成熟,普通用户在个人电脑上也能体验本地部署的乐趣。所谓量化,是通过降低权重存储精度来压缩模型体积,使7B级模型足以塞进8GB显存;而Ollama等工具又屏蔽了底层环境配置,只需几条命令即可完成下载与调用。本地部署的核心价值在于数据隐私,无需将代码、文档与客户资料上传至公网API,同时还能避免按token付费。它尤其适合代码补全、私有文档摘要、知识库问答等场景,甚至可作为本地API服务接入编辑器或工作流。围绕Qwen2.5 7B与DeepSeek-R1蒸馏版的实测 阅读详情

相关推荐

DeepSeek R1本地与线上满血版部署:超详细手把手指南

DeepSeek R1本地与满血版部署超详细指南:快速启动本地AI服务,通过Ollama和Cherry Studio轻松运行模型,体验高效对话。

kovlistudio的博客 6968

Ollama 0.30.11网盘下载地址

Ollama 0.30.11

syb18810107241的专栏 1206

太流批了,DeepSeek满血复活,非常实用

选择“OPENAI API”,依次填写API密钥、API域名、选择模型等,注意这里的是“32B”,填写的是“ollama run deepseek-r1:32b”,如果选择“7B”的模型,要填写“ollama run deepseek-r1:7b”如果不想安装ChatBox客户端,也可以选择浏览器插件,插件的安装是在扩展中心,打开【开发人员模式】,然后将插件压缩包直接拖入到扩展中心。此时,如果不要UI运行,可以直接在命令行输入问题,DeepSeek就开始深度搜索,然后给出你想要的答案。

luyun020202的博客 1652

Ollama 0.33.3版 百盘资源

链接: https://pan.baidu.com/s/1QmAjbRfnaOV_MeLgoAZOMQ?pwd=jdye 提取码: jdye。通过网盘分享的文件:OllamaSetup.exe。--来自百度网盘超级会员v5的分享。

mingxiangxuzhang的博客 433

国产大模型迎来“顿悟时刻“:DeepSeek-R1满血开源背后的技术突围

在深圳某科技园区的地下机房,八台A800显卡组成的计算阵列正以每秒数万亿次的速度吞吐数据。这些价值百万的硬件集群上,运行着全球首个完全开源的千亿级大模型——DeepSeek-R1。这个拥有6710亿参数的庞然大物,在数学推理、代码生成等领域的表现已超越GPT-4。但更令人震撼的是,清华大学联合趋境科技开源的KTransformers项目,让单张4090显卡就能运行这个"巨无霸"。这种技术突破背后,是中国科研团队对模型架构的极致优化:通过混合精度计算和动态调度算法,实现了比传统方案快28倍的推理速度。

weixin_44626085的博客 1906

DeepSeek 本地部署实操(Ollama+ChatBox)

年前,国产AI大语言模型 DeepSeek 横空出世,最近很多自媒体啊,也都在宣传本地部署 DeepSeek 有多好有多方便,最近也稍微研究了一下如何使用,仅供参考使用,如有不对请各位大佬指正。

HUJIAXIN的博客 1714

v0.6.7/OllamaSetup.exe下载链接

由于ollama需要新版本才能部署qwen3,所以我去更新,但是发现更新很麻烦,就是网速卡得很,所以委托朋友下载好后,发给我,在这里分享目前25年5月3日的0.6.7版本的ollama,分享一个百度网盘,然后再分享一个csdn的,可以更新ollama。打开「夸克APP」,无需下载在线播放视频,畅享原画5倍速,支持电视投屏。链接: https://pan.baidu.com/s/1nC0dt0-Zvj4SkGUKeQwCEw?链接:https://pan.quark.cn/s/048c69a59f7e。

ntrybw的博客 3833

DeepSeek本地部署实战:从Ollama到LoRA微调与满血运行

大模型本地部署是当前AI工程实践中的热门课题,其核心在于理解参数量与硬件资源(特别是GPU显存)的匹配关系。DeepSeek-R1系列提供了从1.5B到671B的多尺寸模型,不同尺寸对应不同的显存需求与部署路径。Ollama作为轻量级推理引擎,搭配Chatbox可以快速搭建本地对话环境;而接入Cherry Studio构建知识库,则能实现私有数据的检索增强生成。针对性能优化,LoRA微调通过低秩矩阵适配实现业务定制,KTransformers框架则通过CPU与GPU混合推理,让满血版DeepSeek-R1在

weixin_31499265的博客 207

Ollama windows 安装教程

通过网盘分享的文件:OllamaSetup.exe。–来自百度网盘超级会员v8的分享。

qq_39126658的博客 770

【软件介绍】RVC本地部署使用方法

【摘要】RVC是一款功能强大的开源语音转换工具,具有实时处理、多音效选择、高质量音频处理等特点。文章详细介绍了RVC的安装与使用方法:1)配置Python环境;2)根据电脑系统选择对应安装包解压;3)启动程序进入浏览器操作界面。重点讲解了声音克隆的关键步骤:建议使用短音频素材,选择合适训练方法(推荐pm或rmvpe),设置100次训练轮数,生成的模型文件存入weights文件夹。最后通过上传音频即可实现声音克隆。操作过程需注意保持程序运行状态,并提供了相关资源下载地址。

心动的那一刻,记忆便盛开了花 2989

2022-8-3----Android10.0(MTK)-----SN_Writer 写入 SN 注意事项

SN_Writer、写入SN

qq_854189624的博客 1万+

Ollama本地部署DeepSeek模型:零基础也能搞定的AI大模型部署指南!

现在,打开Ollama,拉取你的第一个DeepSeek模型,试试输入“你好”!你的本地AI助手已经准备好了~ 

瓦罗兰特顶级C位的博客 1683

基于Ultralytic实现多路摄像头目标检测

基于Ultralytic实现多路摄像头目标检测前面的文章分享了单路摄像头画面的YOLO目标检测,这篇文章主要分享一下多路摄像头画面的实时YOLO目标检测。测试环境在Windows系统下进行。

qq_57674776的博客 942

本地部署大模型实战:Ollama 跑通 DeepSeek-R1 和 Qwen2.5,显存不够也能玩

摘要: 本文详细介绍了如何在本地使用Ollama部署大模型(如DeepSeek-R1、Qwen2.5),解决显存不足等问题。Ollama简化了模型运行流程,支持一键下载和对话。针对显存不足,提供了改用小模型、CPU运行或调整存储路径等方案。推荐Open WebUI提升交互体验,并演示了通过API调用本地模型的方法。常见问题如CUDA报错、端口占用等均有解决方案。本地部署兼顾隐私与离线使用,适合轻量级AI需求。

qq_51946265的博客 605

PLC的模糊PID控制

模糊PID控制包括模糊化,确定模糊规则,解模糊等组成部分,小车通过传感器采集赛道信息,PLC通过温度传感器获取炉内温度,确定当前实际温度和设定目标值的偏差e(error), e=setpoint-input以及偏差的变化ec(当前偏差-上次偏差),根据给定的模糊规则进行模糊推理,最后对模糊参数进行解模糊,输出PID控制参数 其次我们需要对这2个参数进行模糊化,e 、 ec 这里我对e进行举例,两个输入的标准化范围都在 [-1,1] 范围内。模糊逻辑控制器还产生范围 [-1,1] 内的归一化输出。 博

RXXW_Dor的博客 1万+

Oracle EBS AP 应付模块核心实现逻辑(极简骨架 + 分层拆解 + 业务流转 + 分录 + 核心表)

Oracle EBS AP应付模块采用四层逻辑架构:1)主数据层统一管控供应商基础信息;2)发票负债层通过三单匹配校验生成应付账款;3)付款核销层实现负债冲减;4)SLA层自动生成财务凭证。核心流程包括发票验证(匹配PO/收货单)、付款核销(全额/部分冲账)、会计分录自动生成(通过SLA引擎)。模块严格遵循"无匹配不负债、无验证不入账"原则,与采购、库存等模块深度集成,实现从供应商创建到付款核销的完整业务闭环,确保应付账款准确性和审计追溯能力。

金牌架构师 441

本地部署大模型实战指南:从零跑通Ollama与量化模型

随着开源生态的成熟,在个人电脑上运行大模型已不再是极客专属。理解模型格式、推理引擎与量化精度三者的关系,是绕开硬件瓶颈的第一步。量化技术通过压缩权重精度显著降低显存占用,让8GB显卡也能流畅运行7B级对话模型。以Ollama为代表的工具链封装了复杂的推理细节,配合LM Studio等图形界面,普通用户也能快速拉起本地模型服务。同时,显存规格决定了可运行的模型上限,用户需根据硬件条件选择适合的量化等级。本地部署不仅解决隐私与成本痛点,还能通过OpenAI兼容接口接入编码助手、知识库等应用场景。本文基于真实踩坑

weixin_29061821的博客 224

hwasan实例分析踩内存之一:camx进程stack tag-mismatch的三种解决方案

hwasan实例分析踩内存之一:camx进程stack tag-mismatch的三种解决方案。

1293

在Windows下安装Ollama并体验DeepSeek r1大模型

在Windows下安装Ollama并体验DeepSeek r1大模型。Ollama可以说是AI框架里最简单最容易使用,同时也是个人用户非常喜爱的一个!DeepSeek模型尤其是r1模型,可以说是AI领域的一个里程碑的作品,DeepSeek r1 在强化学习训练中自发涌现出强推理能力,其AIME 2024测试集pass@1指标从15.6%跃升至71.0%,多数表决下更达86.7%(与OpenAI-o1-0912持平)

skywalk8163的专栏 2万+

Modbus协议学习第一篇之基础概念

因工作需要而接触Modbus,正在恶补知识,利用博客的方式来加深理解和记忆,同时希望同行大佬能一起交流。

hzf978742221的博客 883

YOLO26改进策略【模型轻量化】| 替换骨干网络 CVPR-2024 StarNet,超级精简高效的轻量化模块

本文记录的是。YOLO26主要用于轻量化应用部署,相关轻量化改进与其整体架构非常适配。StarNet设计简洁,没有复杂的设计和精细调整的超参数,仅是一个 4 阶段的分层架构。并且其中能够在低维空间计算的同时考虑极高维的特征这一特性,进而提高模型精度。本文在替换骨干网络中配置了原论文中的starnet_s1starnet_s2starnet_s3和starnet_s4七种模型,以满足不同的需求。

Limiiiing的博客 1094

DeepSeek满血复活,比GPT还爽!

教程有点长,大家耐心看完,并不会很难的喔~

qq_46094651的博客 1320

贝叶斯统计 [韦来生编]

贝叶斯(Bayes)统计是近几十年来迅速发展起来的数理统计的一个重要分支。贝叶斯方法与经典统计方法的主要不同之处是进行统计推断时除了利用样本信息外,还要利用参数的先验信息,因此可以提高统计推断或统计决策的效果。它在经济、金融、生物、医学、自然科学和社会科学等许多领域具有广泛的应用。贝叶斯方法的研究已渗透到了统计学的几乎所有领域。作者在给中国科学技术大学概率论与数理统计专业本科生开设的“数理统计”课程中有一章专门讲授“贝叶斯方法和统计决策理论”,近十年来也给中国科学技术大学概率统计专业研究生开设过几次“贝叶斯分析”课。本书是在对过去讲稿的内容作了适当的增减和调整的基础上完成的。  本书共分六章。第1章是绪论,介绍了贝叶斯统计的若干基本概念,同时对必要的数理统计的基础知识有重点地作了回顾。第二章介绍了确定先验分布的若干可供选择的方法。第三章介绍了几类常见统计模型参数的后验分布的主要结果和计算方法。第四章和第五章分别介绍了“贝叶斯统计推断”和“贝叶斯统计决策”的内容。第六章介绍了贝叶斯统计计算的若干方法,包括蒙特卡洛方法和马尔可夫链蒙特卡洛(MCMC)方法以及相关统计软件的简介。本书的每一章附右大量的例题和习题,书末附有常用的几个表格和部分习题解答供读者查用。  大约可在54学时内讲授本书的第1章至第六章的主要内容,教师可根据学时需要选讲本书第1章至第六章的部分内容。书中标“*”号的章节可略去不讲,留给读者作为阅读材料。第六章例题中的R代码和部分例题的数据文件等可从作者个人主页下载。  作者在编写本书的过程中参考了J.O.Berger教授的《统计决策论及贝叶斯分析》和茆诗松教授编写的《贝叶斯统计》等书中的一些内容,以及《贝叶斯分析》一书中由张伟平博士编写的有关贝叶斯统计计算的一些内容。在此表示衷心感谢。  本书编写准备过程中,中国科学技术大学统计与金融系的几个研究生帮助完成了本书部分中文的录入和排版,作者对他们的辛勤工作表示真诚的感谢。高等教育出版社为本书的出版给予了大力支持。在此一并致谢。

Ollama本地部署DeepSeek模型:零基础也能搞定的AI大模型部署指南,零基础入门大模型,收藏这篇就足够了

Ollama本地部署DeepSeek模型:零基础也能搞定的AI大模型部署指南,零基础入门大模型,收藏这篇就足够了

瓦罗兰特顶级C位的博客 1135

Data-Structures-and-Algorithm-Analysis-in-Java.pdf

作者: Weiss, Mark A. 出版社: Addison Wesley Data Structures and Algorithm Analysis in Java is an “advanced algorithms” book that fits between traditional CS2 and Algorithms Analysis courses. In the old ACM Curriculum Guidelines, this course was known as CS7. This text is for readers who want to learn good programming and algorithm analysis skills simultaneously so that they can develop such programs with the maximum amo...

android 蓝牙通讯demo

android 下蓝牙通讯demo,实现了发现蓝牙,使能蓝牙,通过蓝牙发送消息。

如何让旧手机焕发新生?五分钟安装Ollama运行开源大模型!

你的旧手机,除了吃灰还能做什么?今天,让我们一起解锁一个全新技能:用闲置的安卓手机安装 Ollama AI 开源大模型!简单几步,你的旧手机不仅能华丽变身,还能成为你身边的智能助手。赶紧行动起来吧!

AAI666666的博客 3905

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!

5分钟搞定:满血DeepSeek R1个人AI知识库搭建教程(含本地部署)!

看到这里,相信你已经找到最适合自己的 DeepSeek 个人知识库方案了。

2401_84204413的博客 1511

DeepSeek-R1模型5分钟下载本地对话——忘掉CUDA、GPU和烦人的代码:OLLAMA本地部署DeepSeek R1全攻略

Ollama 支持在 Modelfile 中导入 GGUF 模型:创建一个名为Modelfile的文件,并在其中包含一个FROM指令,该指令指向你想要导入的模型的本地文件路径。在 Ollama 中创建模型运行模型。

a1966565的博客 5370
上一篇: 微服务拆了五年,AI让我重新想了想还拆不拆
下一篇: 大模型应用开发工程师学习路线:从 Prompt、RAG 到 Agent 工程落地
Llama-Turbo
博客等级 码龄4年 9901粉丝 2025原创
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
 
 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