featurize 部署deepseek

部署deepseek模型的步骤指南
最新推荐文章于 2025-11-24 20:32:43 发布
原创 最新推荐文章于 2025-11-24 20:32:43 发布 · 560 阅读 · 5 ·
CC 4.0 BY-SA版权
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。
文章标签：

#运维 #deepseek #featurize

1.租用featurize上实例

2.安装ollama

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

当输入ollama可以识别这个命令的时候就是安装完成了。

3.安装 deepseek-r1:32b

在这个虚拟机上的下载速度可以达到32M左右，速度还是可以的。

ollama run deepseek-r1:32b

ollama run deepseek-r1:32b

后面速度慢了可以ctrl+C终止掉再来一次，不影响已经下载的。 

 

4.测试答复如何

直接问答就好，这个命令就是运行这个模型的。

怎么退出按Ctrl+d或者输入/bye就可以退出，下次怎么进来，还是这个命令就可以了。

ollama run deepseek-r1:32b

5.如何查看相关模型命令

OllamaGet up and running with large language models.https://ollama.com/search?q=deepseek 

点击进去后可以看到模型有多大，如v3有404G，就要评估一下下载时间了。 

 

云服务器平台Featurize--基本使用步骤与使用感受
Kevin__47的博客
05-02 2817
可租用实例的显示界面如图所示。在简单的注册、登录、充值之后就可以对想要的实例直接进行租赁了。关于实例，这里我的理解是已经配置好一定环境的服务器。
DeepSeek本地化部署全攻略，轻松拥有专属 AI 助手
zhishi0000的博客
02-06 9155
可能大家都想学习AI大模型技术，也想通过这项技能真正达到升职加薪，就业或是副业的目的，但是不知道该如何开始学习，因为网上的资料太多太杂乱了，如果不能系统的学习就相当于是白学。2.页面下拉，根据自己电脑的配置选择合适的参数规模（7b 代表 70 亿参数，14b 代表 140 亿参数，参数越多，模型越大，效果理论上也会更好，但对电脑配置要求也更高），然后复制对应的下载命令。观看零基础学习书籍和视频，看书籍和视频学习是最快捷也是最有效果的方式，跟着视频中老师的思路，从基础到深入，还是很容易入门的。
如何用Featurize进行深度学习训练
m0_74137224的博客
03-06 7653
Featurize的网址是Featurize让我比较喜欢的一点是，上传数据集方便。
在本地运行大模型：以Ollama为例
python12222_的博客
11-06 4996
对于不少朋友来说，想要让这些大模型在自己的电脑上跑起来，似乎是一件很遥远的事情。别担心！今天我们就来一步步教你如何在Windows系统下轻松实现这一目标——使用一个叫作Ollama的工具。
云服务器安装ollama
兔老大的胡萝卜
12-31 824
-------------------------------------------分隔符-----------------------------------------------------如果有科学上网，还能用，没有就只能安装snap。1.云服务器内存最好大一些。centos7可能会报错。centos7安装失败。换成ubantu 系统。
在Featurize上部署飞桨执行深度学习任务
qq_59414507的博客
03-24 986
部署云服务器
Featurize 成功运行 github项目
SkotSuyama的博客
11-02 1428
首先可以打开终端，进入到data中，通过 git clone <HTTPS> 命令 将项目仓库导入featurize的data中。可以将需要放置的数据上传，然后通过 cp <需复制文件> <复制目标地点> 命令来复制到对应目录下。以本项目为例，需要先运行 voc_anotation.py 初始化txt。3. 导入github项目，按照项目中readme的部分进行调整。2. 下载数据集上传，如果其他人上传过，在服务上可以找到。4. python <项目.py> 即可运行。
使用Featurize复现github项目代码
2301_76906970的博客
06-18 757
Featurize。
【保姆级教程|在Featurize服务器复现MobilenetV3分割代码】（包成功）（远程服务器部署）（小白必看）（深度学习必备）
anzhi_1211的博客
05-29 1674
本文详细介绍了如何在Featurize平台上租借远程GPU服务器并复现MobilenetV3分割模型的完整流程。内容包括：1) 服务器租借方法，包括选择配置、创建实例；2) 数据上传与解压操作；3) 环境配置步骤，包括创建conda环境、安装依赖库；4) 代码复现过程，涉及路径修改、参数调整及训练启动；5) 训练结果保存与下载方式。教程以MobilenetV3为例，适用于解决显存不足或训练速度慢的问题，后续也将更新其他模型的复现教程。
featurize深度学习云平台构建特定conda环境
中二的骑士
02-24 4796
featurize自行配置深度学习环境 实验室资源不够，大家需要轮着用，很麻烦。为了应对这个问题，决定搞一个自己专用的深度学习环境。然而，调研一番，少说得20000起步来配置，那不如使用现有的深度学习云服务平台好了。 1.featurize 调研下来，featurize是性价比比较友好的平台，2080ti是2元/时，权当是在网吧上网缴费了。 注册、登录、充值，可以扫码加群，领优惠券，羊毛不薅白不薅。群里也可以咨询相关问题，可惜人太多，经常淹没有效信息。所以还是搞个博客记录一下步骤，方便新手操作。 2.
使用Pycharm进行远程ssh（以Featurize为例）
qq_44640357的博客
09-08 609
在使用Pycharm 专业版的时候进行远程ssh连接服务器（Featurize）的Python解释器和Jupyter。
云GPU featurize的使用 pycharm远程连接
向来萧瑟也无畏
02-27 5853
云GPU featurize的使用 注册登录 购买实例 前期准备（用于pycharm远程连接） pycharm远程连接SSH设置
云GPU——pycharm远程连接featurize实例
m0_73801775的博客
11-25 751
2、虚拟环境创建好之后，下载需要的包 （这种方法比较快）会有详细的教程， 本文补充虚拟环境的创建以及包的下载。
服务器无故nginx异常关闭之kauditd0 kswapd0挖矿病毒 CPU占用200% 内存耗尽
2509_94007132的博客
11-23 343
当我用 命令 kill -9 kaudiod0 杀死进程后，没过一会儿，进程又自动开起来了。发现8G的内存快被占用光了，而我们只开了一个开销不大的java服务，按道理1G就够了。网上搜索教程上是kswapd0，而此次我们服务器上是 kswapd00。，这可能意味着原始启动它的进程或会话已经结束，但该进程仍然在运行。的 systemd 服务单元中运行的，该服务单元是为用户。发现有个kauditd0进程占用了200% 的CPU。的会话 189 创建的。发现有各种德国 美国的IP，因此可以确认是中毒了。
Docker容器的一些总结
weixin_43281120的博客
11-24 796
因为如果你创建一个mysql容器的话，新增的sql数据都是放进容器里的，如果删除了容器，那数据库里的数据就没了，很容易删库跑路。而数据卷就是将mysql容器里的mysql数据同步到本地的一个技术，就叫卷技术。​ Docker 是一种容器化技术（类似宿缩小版的虚拟机的虚拟化技术，容器化技术不是模拟的完整的操作系统所以小。​ 相当于两个目录是双向绑定的，挂在后修改任意一个目录里的内容，另一个目录都会同步对应的信息，所以想修改mysql里面的配置等信息的话，直接在linux上修改就行，不用跑去容器内部修改。
docker部署mqtt之Mosquitto
阿拉斯攀登
11-24 709
本文详细介绍了在CentOS7.9系统上通过Docker部署MQTT服务的完整流程。主要内容包括：使用Eclipse Mosquitto镜像创建容器，配置持久化存储和端口映射；设置MQTT基础配置，支持匿名访问或密码认证；可选SSL加密配置步骤；以及使用MQTTX工具或命令行进行服务测试的方法。文章还提供了容器管理命令、常见问题排查方案，特别强调了生产环境中启用密码认证和SSL加密的重要性。该方案具有轻量、易维护的特点，适合物联网等需要MQTT通信的场景。
Nginx配置详解与虚拟主机实战指南
dfl2504的博客
11-24 308
Nginx的配置核心在于理解主配置文件的三层结构（全局块、events块、http块），而虚拟主机则是通过server块实现多网站隔离部署的关键技术。实际应用中，基于域名的虚拟主机因灵活性高成为主流选择，配合静态资源缓存、错误页面定制等配置，可大幅提升网站性能与用户体验。建议大家在实践中逐步优化配置，如针对高并发场景调整和，针对静态资源配置CDN或浏览器缓存，针对动态服务配置反向代理与负载均衡。后续将继续分享Nginx反向代理、负载均衡等高级配置技巧，敬请关注！
K8S 日志收集方案
叱咤少帅的博客
11-24 28
Fluent Bit DaemonSet → Loki → Grafana
docker安装带桌面可vnc远程访问的ubuntu系统
最新发布
daqinzl的专栏
11-24 89
docker安装带桌面可vnc远程访问的ubuntu系统
featurize使用
07-09
在特征工程中，`featurize` 是一种常见的数据预处理技术，用于将原始数据转换为更适合模型训练的格式。不同的库和框架提供了各自的 `featurize` 方法实现，例如 Hugging Face 的 Transformers 库、Scikit-learn 以及 Spark MLlib 等。 ### 使用 `featurize` 进行特征处理的基本方法 #### 文本数据处理（以 Hugging Face Transformers 为例） Hugging Face 提供了强大的文本特征提取功能，特别是在自然语言处理任务中。通过 `transformers` 库中的 `AutoTokenizer` 和 `AutoModelForSequenceClassification` 可以轻松地对文本进行 featurization。 ```python from transformers import AutoTokenizer, AutoModelForSequenceClassification import torch # 加载预训练模型和分词器 model_name = "bert-base-uncased" tokenizer = AutoTokenizer.from_pretrained(model_name) model = AutoModelForSequenceClassification.from_pretrained("text-classification-model") # 输入文本 text = "This is an example sentence for feature extraction." # 对文本进行编码 inputs = tokenizer(text, return_tensors="pt", padding=True, truncation=True) # 获取特征表示 with torch.no_grad(): outputs = model.base_model(**inputs) features = outputs.last_hidden_state # 提取最后一层的隐藏状态作为特征 print(features.shape) # 输出特征维度 ``` 上述代码展示了如何使用 BERT 模型来生成文本的向量表示，这些向量可以作为下游任务的输入特征[^1]。 #### 数值与分类数据（以 Scikit-learn 为例） 对于结构化数据，如数值型或类别型数据，可以使用 Scikit-learn 中的 `ColumnTransformer` 和 `OneHotEncoder` 等工具进行特征转换。 ```python from sklearn.compose import ColumnTransformer from sklearn.preprocessing import StandardScaler, OneHotEncoder import pandas as pd # 示例数据集 data = pd.DataFrame({ 'age': [25, 30, 35], 'gender': ['male', 'female', 'male'], 'income': [50000, 60000, 70000] }) # 定义特征转换管道 preprocessor = ColumnTransformer( transformers=[ ('num', StandardScaler(), ['age', 'income']), ('cat', OneHotEncoder(), ['gender']) ]) # 应用转换 processed_data = preprocessor.fit_transform(data) print(processed_data.toarray()) ``` 此示例演示了如何标准化数值列并独热编码分类变量，从而形成一个适合机器学习模型输入的特征矩阵。 #### 分布式特征处理（以 SynapseML 为例） 当处理大规模数据时，SynapseML 提供了基于 Apache Spark 的分布式特征处理能力。以下是一个简单的例子，展示如何使用 SynapseML 构建情感分析模型的数据流水线。 ```python from synapse.ml.core.platform import * from pyspark.sql.functions import col # 假设我们有一个包含文本数据的 DataFrame from pyspark.sql import SparkSession spark = SparkSession.builder.getOrCreate() data = spark.createDataFrame([ (0, "I love this product!"), (1, "Terrible experience."), (0, "Absolutely fantastic!") ], ["label", "text"]) # 使用 SynapseML 的 Featurizer 来提取文本特征 from synapse.ml.featurize.text import TextFeaturizer from microsoftml import rx_fast_forest featurizer = TextFeaturizer(stopWords removal=True, wordFeatureCount=1000) features_data = featurizer.fit(data).transform(data) # 使用特征训练模型 model = rx_fast_forest(label_col="label", feature_cols=["Features"], num_trees=10) trained_model = model.fit(features_data) # 预测新数据 new_data = spark.createDataFrame([(None, "Great service!")]).toDF("label", "text") new_features = featurizer.transform(new_data) predictions = trained_model.transform(new_features) predictions.select("text", "PredictedLabel").show() ``` 这段代码说明了如何利用 SynapseML 在分布式环境中进行文本特征提取，并结合 MicrosoftML 库训练预测模型[^3]。 --- ### 特征工程实践指南 - **选择合适的特征**：根据问题领域和数据特性选择最相关的特征。 - **避免过拟合**：通过降维技术（如 PCA）减少特征数量，防止模型过度复杂化。 - **特征缩放**：确保所有特征在同一尺度上，有助于提升模型性能。 - **自动化特征工程**：考虑使用自动化工具（如 FeatureTools）来发现潜在有用的特征组合。 - **持续迭代**：随着更多数据的积累，定期重新评估和更新特征集。 ---
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
 
红包 添加红包
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

打赏作者

leecheni

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

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