当前位置：首页 > article >正文

DeepSeek本地搭建

article 2026/2/28 4:16:29

1. 软件下载安装

Miniconda

Miniconda下载地址
选择对应的版本下载，此处下载如下版本
Python 3.10
conda 25.1.1
在这里插入图片描述
安装完成后，配置环境变量，打开cmd命令窗口验证

Python

Python的版本为 3.10
在这里插入图片描述

PyTorch

PyTorch下载地址
后面通过命令下载
在这里插入图片描述

2. 环境配置

2.1 系统环境变量配置

我的电脑–属性–高级系统设置–系统属性(高级)–环境变量
在这里插入图片描述

2.1.1 配置NVSMI_HOME

新建环境变量，点击确定
在这里插入图片描述

编辑Path，点击新建
在这里插入图片描述

增加NVSMI_HOME配置后，点击确定
在这里插入图片描述

2.1.2 配置miniconda

安装miniconda时若勾选添加到环境变量，则忽略该步骤
在这里插入图片描述
编辑环境变量，点击新建，添加miniconda的路径，最后点击确定

2.2 查看cuda版本

方式一：打开cmd窗口,查看cuda版本

C:\Users\Administrator>nvidia-smi

在这里插入图片描述

方式二：打开NVIDIA控制面板

在这里插入图片描述

3. 创建虚拟环境及安装依赖

操作步骤

# python版本为3.10
conda create -n deepseek python=3.10
conda activate deepseek
# 安装deepseek-sdk
pip install deepseek-sdk
# 安装torch 对应cuda12.8版本
pip3 install --pre torch torchvision torchaudio --index-url https://download.pytorch.org/whl/nightly/cu128
# transformers
pip install transformers>=4.33 accelerate sentencepiece
pip install protobuf
# 检查
conda list

D:\AI>conda create -n deepseek python=3.10
Channels:- defaults
Platform: win-64
Collecting package metadata (repodata.json): done
Solving environment: done==> WARNING: A newer version of conda exists. <==current version: 25.1.1latest version: 25.3.0Please update conda by running$ conda update -n base -c defaults conda## Package Plan ##environment location: D:\AI\soft\miniconda\envs\deepseekadded / updated specs:- python=3.10The following packages will be downloaded:package                    |            build---------------------------|-----------------ca-certificates-2025.2.25  |       haa95532_0         130 KBopenssl-3.0.16             |       h3f729d1_0         7.8 MBxz-5.6.4                   |       h4754444_1         280 KB------------------------------------------------------------Total:         8.2 MBThe following NEW packages will be INSTALLED:bzip2              pkgs/main/win-64::bzip2-1.0.8-h2bbff1b_6ca-certificates    pkgs/main/win-64::ca-certificates-2025.2.25-haa95532_0libffi             pkgs/main/win-64::libffi-3.4.4-hd77b12b_1openssl            pkgs/main/win-64::openssl-3.0.16-h3f729d1_0pip                pkgs/main/win-64::pip-25.0-py310haa95532_0python             pkgs/main/win-64::python-3.10.16-h4607a30_1setuptools         pkgs/main/win-64::setuptools-75.8.0-py310haa95532_0sqlite             pkgs/main/win-64::sqlite-3.45.3-h2bbff1b_0tk                 pkgs/main/win-64::tk-8.6.14-h0416ee5_0tzdata             pkgs/main/noarch::tzdata-2025a-h04d1e81_0vc                 pkgs/main/win-64::vc-14.42-haa95532_4vs2015_runtime     pkgs/main/win-64::vs2015_runtime-14.42.34433-he0abc0d_4wheel              pkgs/main/win-64::wheel-0.45.1-py310haa95532_0xz                 pkgs/main/win-64::xz-5.6.4-h4754444_1zlib               pkgs/main/win-64::zlib-1.2.13-h8cc25b3_1Proceed ([y]/n)? yDownloading and Extracting Packages:Preparing transaction: done
Verifying transaction: done
Executing transaction: done
#
# To activate this environment, use
#
#     $ conda activate deepseek
#
# To deactivate an active environment, use
#
#     $ conda deactivateD:\AI>conda activate deepseek(deepseek) D:\AI>
(deepseek) D:\AI>pip install deepseek-sdk
Collecting deepseek-sdkDownloading deepseek_sdk-0.1.0-py3-none-any.whl.metadata (1.4 kB)
Collecting openai>=1.0.0 (from deepseek-sdk)Downloading openai-1.68.2-py3-none-any.whl.metadata (25 kB)
Collecting anyio<5,>=3.5.0 (from openai>=1.0.0->deepseek-sdk)Downloading anyio-4.9.0-py3-none-any.whl.metadata (4.7 kB)
Collecting distro<2,>=1.7.0 (from openai>=1.0.0->deepseek-sdk)Downloading distro-1.9.0-py3-none-any.whl.metadata (6.8 kB)
Collecting httpx<1,>=0.23.0 (from openai>=1.0.0->deepseek-sdk)Downloading httpx-0.28.1-py3-none-any.whl.metadata (7.1 kB)
Collecting jiter<1,>=0.4.0 (from openai>=1.0.0->deepseek-sdk)Downloading jiter-0.9.0-cp310-cp310-win_amd64.whl.metadata (5.3 kB)
Collecting pydantic<3,>=1.9.0 (from openai>=1.0.0->deepseek-sdk)Downloading pydantic-2.10.6-py3-none-any.whl.metadata (30 kB)
Collecting sniffio (from openai>=1.0.0->deepseek-sdk)Downloading sniffio-1.3.1-py3-none-any.whl.metadata (3.9 kB)
Collecting tqdm>4 (from openai>=1.0.0->deepseek-sdk)Downloading tqdm-4.67.1-py3-none-any.whl.metadata (57 kB)
Collecting typing-extensions<5,>=4.11 (from openai>=1.0.0->deepseek-sdk)Downloading typing_extensions-4.12.2-py3-none-any.whl.metadata (3.0 kB)
Collecting exceptiongroup>=1.0.2 (from anyio<5,>=3.5.0->openai>=1.0.0->deepseek-sdk)Downloading exceptiongroup-1.2.2-py3-none-any.whl.metadata (6.6 kB)
Collecting idna>=2.8 (from anyio<5,>=3.5.0->openai>=1.0.0->deepseek-sdk)Downloading idna-3.10-py3-none-any.whl.metadata (10 kB)
Collecting certifi (from httpx<1,>=0.23.0->openai>=1.0.0->deepseek-sdk)Downloading certifi-2025.1.31-py3-none-any.whl.metadata (2.5 kB)
Collecting httpcore==1.* (from httpx<1,>=0.23.0->openai>=1.0.0->deepseek-sdk)Downloading httpcore-1.0.7-py3-none-any.whl.metadata (21 kB)
Collecting h11<0.15,>=0.13 (from httpcore==1.*->httpx<1,>=0.23.0->openai>=1.0.0->deepseek-sdk)Downloading h11-0.14.0-py3-none-any.whl.metadata (8.2 kB)
Collecting annotated-types>=0.6.0 (from pydantic<3,>=1.9.0->openai>=1.0.0->deepseek-sdk)Downloading annotated_types-0.7.0-py3-none-any.whl.metadata (15 kB)
Collecting pydantic-core==2.27.2 (from pydantic<3,>=1.9.0->openai>=1.0.0->deepseek-sdk)Downloading pydantic_core-2.27.2-cp310-cp310-win_amd64.whl.metadata (6.7 kB)
Collecting colorama (from tqdm>4->openai>=1.0.0->deepseek-sdk)Downloading colorama-0.4.6-py2.py3-none-any.whl.metadata (17 kB)
Downloading deepseek_sdk-0.1.0-py3-none-any.whl (2.4 kB)
Downloading openai-1.68.2-py3-none-any.whl (606 kB)---------------------------------------- 606.1/606.1 kB 99.1 kB/s eta 0:00:00
Downloading anyio-4.9.0-py3-none-any.whl (100 kB)
Downloading distro-1.9.0-py3-none-any.whl (20 kB)
Downloading httpx-0.28.1-py3-none-any.whl (73 kB)
Downloading httpcore-1.0.7-py3-none-any.whl (78 kB)
Downloading jiter-0.9.0-cp310-cp310-win_amd64.whl (208 kB)
Downloading pydantic-2.10.6-py3-none-any.whl (431 kB)
Downloading pydantic_core-2.27.2-cp310-cp310-win_amd64.whl (2.0 MB)---------------------------------------- 2.0/2.0 MB 79.5 kB/s eta 0:00:00
Downloading sniffio-1.3.1-py3-none-any.whl (10 kB)
Downloading tqdm-4.67.1-py3-none-any.whl (78 kB)
Downloading typing_extensions-4.12.2-py3-none-any.whl (37 kB)
Downloading annotated_types-0.7.0-py3-none-any.whl (13 kB)
Downloading exceptiongroup-1.2.2-py3-none-any.whl (16 kB)
Downloading idna-3.10-py3-none-any.whl (70 kB)
Downloading certifi-2025.1.31-py3-none-any.whl (166 kB)
Downloading colorama-0.4.6-py2.py3-none-any.whl (25 kB)
Downloading h11-0.14.0-py3-none-any.whl (58 kB)
Installing collected packages: typing-extensions, sniffio, jiter, idna, h11, exceptiongroup, distro, colorama, certifi, annotated-types, tqdm, pydantic-core, httpcore, anyio, pydantic, httpx, openai, deepseek-sdk
Successfully installed annotated-types-0.7.0 anyio-4.9.0 certifi-2025.1.31 colorama-0.4.6 deepseek-sdk-0.1.0 distro-1.9.0 exceptiongroup-1.2.2 h11-0.14.0 httpcore-1.0.7 httpx-0.28.1 idna-3.10 jiter-0.9.0 openai-1.68.2 pydantic-2.10.6 pydantic-core-2.27.2 sniffio-1.3.1 tqdm-4.67.1 typing-extensions-4.12.2(deepseek) D:\AI\soft>pip3 install --pre torch torchvision torchaudio --index-url https://download.pytorch.org/whl/nightly/cu128
Looking in indexes: https://download.pytorch.org/whl/nightly/cu128
Collecting torchDownloading https://download.pytorch.org/whl/nightly/cu128/torch-2.8.0.dev20250321%2Bcu128-cp310-cp310-win_amd64.whl.metadata (29 kB)
Collecting torchvisionDownloading https://download.pytorch.org/whl/nightly/cu128/torchvision-0.22.0.dev20250321%2Bcu128-cp310-cp310-win_amd64.whl.metadata (6.3 kB)
Collecting torchaudioDownloading https://download.pytorch.org/whl/nightly/cu128/torchaudio-2.6.0.dev20250321%2Bcu128-cp310-cp310-win_amd64.whl.metadata (6.8 kB)
Collecting filelock (from torch)Downloading https://download.pytorch.org/whl/nightly/filelock-3.16.1-py3-none-any.whl (16 kB)
Requirement already satisfied: typing-extensions>=4.10.0 in d:\ai\soft\miniconda\envs\deepseek\lib\site-packages (from torch) (4.12.2)
Collecting sympy>=1.13.3 (from torch)Downloading https://download.pytorch.org/whl/nightly/sympy-1.13.3-py3-none-any.whl (6.2 MB)---------------------------------------- 6.2/6.2 MB 3.7 MB/s eta 0:00:00
Collecting networkx (from torch)Downloading https://download.pytorch.org/whl/nightly/networkx-3.4.2-py3-none-any.whl (1.7 MB)---------------------------------------- 1.7/1.7 MB 3.2 MB/s eta 0:00:00
Collecting jinja2 (from torch)Downloading https://download.pytorch.org/whl/nightly/jinja2-3.1.4-py3-none-any.whl (133 kB)
Collecting fsspec (from torch)Downloading https://download.pytorch.org/whl/nightly/fsspec-2024.10.0-py3-none-any.whl (179 kB)
Collecting numpy (from torchvision)Downloading https://download.pytorch.org/whl/nightly/numpy-2.1.2-cp310-cp310-win_amd64.whl (12.9 MB)---------------------------------------- 12.9/12.9 MB 3.5 MB/s eta 0:00:00
Collecting torchDownloading https://download.pytorch.org/whl/nightly/cu128/torch-2.8.0.dev20250320%2Bcu128-cp310-cp310-win_amd64.whl.metadata (29 kB)
Collecting pillow!=8.3.*,>=5.3.0 (from torchvision)Downloading https://download.pytorch.org/whl/nightly/pillow-11.0.0-cp310-cp310-win_amd64.whl (2.6 MB)---------------------------------------- 2.6/2.6 MB 4.2 MB/s eta 0:00:00
Collecting mpmath<1.4,>=1.1.0 (from sympy>=1.13.3->torch)Downloading https://download.pytorch.org/whl/nightly/mpmath-1.3.0-py3-none-any.whl (536 kB)---------------------------------------- 536.2/536.2 kB 4.4 MB/s eta 0:00:00
Collecting MarkupSafe>=2.0 (from jinja2->torch)Downloading https://download.pytorch.org/whl/nightly/MarkupSafe-2.1.5-cp310-cp310-win_amd64.whl (17 kB)
Downloading https://download.pytorch.org/whl/nightly/cu128/torchvision-0.22.0.dev20250321%2Bcu128-cp310-cp310-win_amd64.whl (7.6 MB)---------------------------------------- 7.6/7.6 MB 4.2 MB/s eta 0:00:00
Downloading https://download.pytorch.org/whl/nightly/cu128/torch-2.8.0.dev20250320%2Bcu128-cp310-cp310-win_amd64.whl (3327.8 MB)---------------------------------------- 3.3/3.3 GB 2.7 MB/s eta 0:00:00
Downloading https://download.pytorch.org/whl/nightly/cu128/torchaudio-2.6.0.dev20250321%2Bcu128-cp310-cp310-win_amd64.whl (4.7 MB)---------------------------------------- 4.7/4.7 MB 4.9 MB/s eta 0:00:00
Installing collected packages: mpmath, sympy, pillow, numpy, networkx, MarkupSafe, fsspec, filelock, jinja2, torch, torchvision, torchaudio
Successfully installed MarkupSafe-2.1.5 filelock-3.16.1 fsspec-2024.10.0 jinja2-3.1.4 mpmath-1.3.0 networkx-3.4.2 numpy-2.1.2 pillow-11.0.0 sympy-1.13.3 torch-2.8.0.dev20250320+cu128 torchaudio-2.6.0.dev20250321+cu128 torchvision-0.22.0.dev20250321+cu128(deepseek) D:\AI\>

4. 模型下载

DeepSeek模型下载地址
此处下载DeepSeek-R1-Distill-Qwen-7B版本
在这里插入图片描述
本地创建文件夹，将下载的文件全部复制到文件夹下

5. 测试

创建测试目录，在目录下创建脚本文件test.py，脚本内容如

#使用transformer加载模型
from transformers import AutoTokenizer, AutoModelForCausalLM
#加载本地模型路径
model_path = "D:\AI\models"
tokenizer = AutoTokenizer.from_pretrained(model_path)
model = AutoModelForCausalLM.from_pretrained(model_path,device_map="balanced_low_0",torch_dtype='float16'
)
prompt = "请给一个deepseek的搭建步骤"
inputs = tokenizer(prompt, return_tensors="pt").to("cuda")
outputs = model.generate(**inputs,max_new_tokens=128,do_sample=True,temperature=0.7
)
print(tokenizer.decode(outputs[0], skip_special_tokens=True))

执行测试脚本

# 激活deepseek环境
conda activate deepseek
cd D:\AI\scripts
# 执行脚本
python test.py
# 测试完成后退出
#conda deactivate

长时间等待的结果
在这里插入图片描述

CPU、内存和GPU

在这里插入图片描述

6. 其他模型

6.1 下载deepseek-llm-7b-chat模型

# 1.安装modelscope
(deepseek) D:\AI>pip install modelscope
# 2.下载模型文件
(deepseek) D:\AI>modelscope download --model deepseek-ai/deepseek-llm-7b-chat

(deepseek) D:\AI\scripts>pip install modelscope
Collecting modelscopeDownloading modelscope-1.24.0-py3-none-any.whl.metadata (39 kB)
Requirement already satisfied: requests>=2.25 in d:\ai\soft\miniconda\envs\deepseek\lib\site-packages (from modelscope) (2.32.3)
Requirement already satisfied: tqdm>=4.64.0 in d:\ai\soft\miniconda\envs\deepseek\lib\site-packages (from modelscope) (4.67.1)
Requirement already satisfied: urllib3>=1.26 in d:\ai\soft\miniconda\envs\deepseek\lib\site-packages (from modelscope) (2.3.0)
Requirement already satisfied: charset-normalizer<4,>=2 in d:\ai\soft\miniconda\envs\deepseek\lib\site-packages (from requests>=2.25->modelscope) (3.4.1)
Requirement already satisfied: idna<4,>=2.5 in d:\ai\soft\miniconda\envs\deepseek\lib\site-packages (from requests>=2.25->modelscope) (3.10)
Requirement already satisfied: certifi>=2017.4.17 in d:\ai\soft\miniconda\envs\deepseek\lib\site-packages (from requests>=2.25->modelscope) (2025.1.31)
Requirement already satisfied: colorama in d:\ai\soft\miniconda\envs\deepseek\lib\site-packages (from tqdm>=4.64.0->modelscope) (0.4.6)
Downloading modelscope-1.24.0-py3-none-any.whl (5.9 MB)---------------------------------------- 5.9/5.9 MB 42.8 kB/s eta 0:00:00
Installing collected packages: modelscope
Successfully installed modelscope-1.24.0(deepseek) D:\AI\scripts>(deepseek) D:\AI\scripts>modelscope download --model deepseek-ai/deepseek-llm-7b-chat
Downloading Model from https://www.modelscope.cn to directory: C:\Users\Administrator\.cache\modelscope\hub\models\deepseek-ai\deepseek-llm-7b-chat
Downloading [README.md]: 100%|███████████████████████████████████████████████████████████████████████████| 3.16k/3.16k [00:00<00:00, 8.49kB/s]
Downloading [configuration.json]: 100%|██████████████████████████████████████████████████████████████████████| 73.0/73.0 [00:00<00:00, 176B/s]
Downloading [generation_config.json]: 100%|████████████████████████████████████████████████████████████████████| 181/181 [00:00<00:00, 387B/s]
Downloading [pytorch_model.bin.index.json]: 100%|████████████████████████████████████████████████████████| 21.9k/21.9k [00:00<00:00, 49.1kB/s]
Downloading [config.json]: 100%|█████████████████████████████████████████████████████████████████████████████| 594/594 [00:00<00:00, 1.26kB/s]
Downloading [tokenizer_config.json]: 100%|███████████████████████████████████████████████████████████████| 1.25k/1.25k [00:00<00:00, 2.21kB/s]
Downloading [tokenizer.json]: 100%|██████████████████████████████████████████████████████████████████████| 4.40M/4.40M [00:03<00:00, 1.33MB/s]
Processing 9 items:  78%|███████████████████████████████████████████████████████████████▊                  | 7.00/9.00 [00:03<00:01, 1.61it/s]
Downloading [tokenizer_config.json]:   0%|                                                                        | 0.00/1.25k [00:00<?, ?B/s]Downloading [pytorch_model-00001-of-00002.bin]:   0%|                                                  | 6.00M/9.28G [00:03<1:08:33, 2.42MB/s]
Downloading [pytorch_model-00001-of-00002.bin]:   1%|▌                                                    | 110M/9.28G [00:42<55:11, 2.98MB/s]
Downloading [pytorch_model-00002-of-00002.bin]:   0%|                                                    | 4.00M/3.59G [00:03<52:32, 1.22MB/s]
Downloading [pytorch_model-00002-of-00002.bin]:   2%|█▏                                                  | 88.0M/3.59G [00:42<42:44, 1.47MB/s]
Downloading [tokenizer.json]: 100%|██████████████████████████████████████████████████████████████████████| 4.40M/4.40M [00:03<00:00, 1.49MB/s]

6.2 修改脚本中模型的路径

下载完成后，默认在C:\Users\Administrator.cache\modelscope\hub\models\deepseek-ai目录下，将deepseek-llm-7b-chat文件夹复制到自定义的文件夹model下。
修改test.py脚本

#使用transformer加载模型
from transformers import AutoTokenizer, AutoModelForCausalLM
#加载本地模型路径
model_path = "D:\AI\model\deepseek-llm-7b-chat"
tokenizer = AutoTokenizer.from_pretrained(model_path)
model = AutoModelForCausalLM.from_pretrained(model_path,device_map="balanced_low_0",torch_dtype='float16'
)
prompt = "请给一个deepseek的搭建步骤"
inputs = tokenizer(prompt, return_tensors="pt").to("cuda")
outputs = model.generate(**inputs,max_new_tokens=1000,do_sample=True,temperature=0.8
)
print(tokenizer.decode(outputs[0], skip_special_tokens=True))

执行脚本

# 激活deepseek环境
conda activate deepseek
cd D:\AI\scripts
# 执行脚本
python test.py

在这里插入图片描述

DeepSeek本地搭建

1. 软件下载安装 Miniconda Miniconda下载地址选择对应的版本下载，此处下载如下版本 Python 3.10 conda 25.1.1 安装完成后，配置环境变量，打开cmd命令窗口验证 Python Python的版本为 3.10 PyTorch PyTorch下载地址后面通过命令下…...

编程日记 2026/2/23 13:41:00

维普AIGC降重方法有哪些？

在学术写作和论文创作中，重复率过高是许多人面临的一大难题。随着科技的发展，维普 AIGC 为我们提供了一系列有效的降重方法。那么，维普AIGC降重方法有哪些呢？接下来就为大家详细介绍。语义理解与改写维普 AIGC 具备强大的语义理…...

编程日记 2026/2/27 4:38:13

设计模式之命令模式：原理、实现与应用

引言命令模式（Command Pattern）是一种行为型设计模式，它将请求封装为对象，从而使你可以用不同的请求对客户进行参数化。命令模式支持请求的排队、记录日志、撤销操作等功能。本文将深入探讨命令模式的原理、实现方式以及实际应用…...

编程日记 2026/2/22 9:35:30

2025年十大AI工具对比

2025年十大AI工具对比以下是2025年各大AI工具的详细对比，涵盖性能、功能、用户评价等方面，并以表格形式呈现。数据来源于多个权威来源，确保信息全面且准确。对比表格排名AI工具名称主要功能性能特点用户评价适用场景1DeepSeek多模态AI、…...

编程日记 2026/2/19 23:07:15

100道C#高频经典面试题及答案解析：C#程序员面试题库分类总结

分类一：C#基础语法 1. 值类型与引用类型的核心区别？ 答案： 存储位置：值类型存栈/堆内联，引用类型存堆赋值方式：值类型复制内容，引用类型复制地址示例类型：int（值类型&…...

编程日记 2026/2/15 6:23:57

南京审计大学：《面向工程审计行业的DeepSeek大模型应用指南》.pdf（免费下载）

大家好，我是吾鳴。今天吾鳴要给大家分享的是由南京审计大学出品的《面向工程审计行业的DeepSeek大模型应用指南》，这份报告与《面向审计行业DeepSeek大模型操作指南》不同，这份报告更多的讲述DeepSeek怎么与工程审计行业结合，应该…...

编程日记 2026/2/14 17:40:35

DeepSeek AI大模型工作机制及未来方向

DeepSeek模型作为一款先进的人工智能模型，其工作原理结合了深度学习的前沿技术与工程优化策略，以下是其核心工作机制的分步解析： 1. 模型架构：基于Transformer的演进 - 核心结构：采用多层Transformer解码器堆叠&am…...

编程日记 2026/2/14 15:42:04

第十七章:Future Directions_《C++ Templates》notes

Future Directions 核心重难点：示例代码： 设计题多选题答案设计题详解核心重难点： 泛型非类型模板参数允许任意类型作为非类型模板参数（如template<typename T, auto N>）需解决类型推导和链接问题编译期控制…...

编程日记 2026/2/18 3:06:03

Ref https://github.com/PyO3/maturin Rust 程序设计语言代码库： https://github.com/ai-dynamo/dynamo https://github.com/ai-dynamo/nixl dynamo/container/Dockerfile.vllm 相关whl包官方提供了4个whl包 ai_dynamo # 这个包ubuntu 22.04也可以用&…...

编程日记 2026/2/19 15:41:54

【前端】Canvas画布实现在线的唇膏换色功能

【前端】Canvas画布实现在线的唇膏换色功能推荐超级课程：本地离线DeepSeek AI方案部署实战教程【完全版】Docker快速入门到精通Kubernetes入门到大师通关课AWS云服务快速入门实战目录【前端】Canvas画布实现在线的唇膏换色功能背景概述以下是我们的实现方法！第一步 — 找…...

编程日记 2026/2/15 20:45:48

arcgispro加载在线地图

World_Imagery (MapServer)https://services.arcgisonline.com/ArcGIS/rest/services/World_Imagery/MapServer添加arcgis server WMTS 服务 by xdcxdc.at xdc的个人站点。博客请转至 http://i.xdc.at/ http://xdc.at/map/wmts 添加WMTS服务器...

编程日记 2026/2/20 1:03:39

华为网路设备学习-16 虚拟路由器冗余协议（VRRP）

VRRP是针对干线上三层网络设备（如：路由器、防火墙等）的网络虚拟化技术，提供冗余和状态监测等功能。确保在网络中的单点故障发生时，能够快速切换到备份设备，从而保证网络通信的连续性和可靠性。‌ VRRP通过…...

编程日记 2026/2/21 3:03:11

使用请求调用本地部署的stable-diffusion接口

stable-diffusion-webui项目地址具体部署教程请去B站寻找或者直接使用整合包这里直接编写工具类 public class StableDiffusionUtil {private static final String BASE_URL "http://127.0.0.1:7860";private static final OkHttpClient CLIENT new OkHttpClien…...

编程日记 2026/2/18 10:53:11

封装一个分割线组件

最终样式 Vue2代码 <template><div class"sep-line"><div class"sep-label"><span class"sep-box-text"><slot>{{ title }}</slot> &…...

编程日记 2026/2/14 21:33:42

网络HTTPS协议

Https HTTPS（Hypertext Transfer Protocol Secure）是 HTTP 协议的加密版本，它使用 SSL/TLS 协议来加密客户端和服务器之间的通信。具体来说： • 加密通信：在用户请求访问一个 HTTPS 网站时，客户端&#x…...

编程日记 2026/2/24 8:43:38

CMake 函数和宏

CMake 函数 CMake 函数定义语法如下, 其中 name 为函数名, <arg1> 为参数名, <commands> 为函数体. 函数定义后, 可以通过 name 调用函数. 函数名允许字母数字下划线, 不区分大小写. function(name [<arg1> ...])<commands> endfunction()如下的样例…...

编程日记 2026/2/14 17:47:23

OSASIS（One-Shot Structure-Aware Stylized Image Synthesis）

文章目录摘要abstract论文摘要方法损失函数实验结论总结摘要本周阅读了一篇关于新型图像风格化的论文《One-Shot Structure-Aware Stylized Image Synthesis》，旨在解决现有GAN模型在风格化过程中难以保持输入图像结构的问题。通过分离图像的结构和语义信息&am…...

编程日记 2026/2/14 17:12:38

C++学习之网盘项目单例模式

目录 1.知识点概述 2.单例介绍 3.单例饿汉模式 4.饿汉模式四个版本 5.单例类的使用 6.关于token的作用和存储 7.样式表使用方法 8.qss文件中选择器介绍 9.qss文件样式讲解和测试 10.qss美化登录界面补充 11.QHTTPMULTIPART类的使用 12.文件上传协议 13.文件上传协议…...

编程日记 2026/2/23 1:02:47

Leetcode—15. 三数之和（哈希表—基础算法）

题目： 给你一个整数数组 nums ，判断是否存在三元组 [nums[i], nums[j], nums[k]] 满足 i ! j、i ! k 且 j ! k ，同时还满足 nums[i] nums[j] nums[k] 0 。请你返回所有和为 0 且不重复的三元组。注意：答案中不可以包含重复的…...

编程日记 2026/2/24 2:08:43

Apache Flink技术原理深入解析：任务执行流程全景图

前言本文隶属于专栏《大数据技术体系》，该专栏为笔者原创，引用请注明来源，不足和错误之处请在评论区帮忙指出，谢谢！本专栏目录结构和参考文献请见大数据技术体系思维导图 📌 引言 Apache Flink 作为一款高性能的分布式流处理引擎，其内部执行机制精妙而复杂。本文将…...

编程日记 2026/2/22 1:06:43

DeepBI：重构流量逻辑，助力亚马逊广告实现高效流量增长

在日益激烈的跨境电商竞争环境中，广告投放早已从“粗放撒网”走向“精细化运营”。尤其是在亚马逊这样一个成熟且竞争白热化的平台，如何在广告预算有限的前提下实现高效曝光、精准触达、稳定转化，成为众多卖家和运营团队面临的核心挑战。 De…...

编程日记 2026/2/19 13:23:59

RAG（Retrieval-Augmented Generation）基建之PDF解析的“魔法”与“陷阱”

嘿，亲爱的算法工程师们！今天咱们聊一聊PDF解析的那些事儿，简直就像是在玩一场“信息捉迷藏”游戏！PDF文档就像是个调皮的小精灵，表面上看起来规规矩矩，但当你想要从它那里提取信息时，它就开始跟…...

编程日记 2026/2/28 1:00:04

C语言【文件操作】详解中（会使用fgetc，fputc，fgets，fputs，fscanf，fprintf，fread，fwrite函数）

引言介绍和文件操作中文件的顺序读写相关的函数看这篇博文前，希望您先仔细看一下这篇博文，理解一下文件指针和流的概念：C语言【文件操作】详解上-CSDN博客文章浏览阅读606次，点赞26次，收藏4次。先整体认识一下文件是…...

编程日记 2026/2/14 13:17:35

【Python Cookbook】字符串和文本（一）

字符串和文本（一） 1.使用多个界定符分割字符串2.字符串开头或结尾匹配3.用 Shell 通配符匹配字符串4.字符串匹配和搜索5.字符串搜索和替换 1.使用多个界定符分割字符串你需要将一个字符串分割为多个字段，但是分隔符（还有周围的空…...

编程日记 2026/2/13 23:57:18

GpuGeek：破解算力难题，赋能AI创新与普及

文章目录一、引言二、填补算力资源供需缺口，降低使用门槛三、提升算力资源利用率，推动高效协作四、满足多样化需求，支持AI技术落地五、推动算力市场创新，促进生态良性发展六、助力AI人才培养，推动行业长远发展七、结语…...

编程日记 2026/2/15 13:00:59

扣子平台知识库不能上传成功

扣子平台知识库不能上传成功目录扣子平台知识库不能上传成功查看模板复制头部到自己的excel中json数据转为excel或者csv（一定使用excel，csv总是报错） 查看模板复制头部到自己的excel中 json数据转为excel或者csv（一定使用excel&…...

编程日记 2026/2/27 20:19:34

蓝桥杯 R格式

问题描述小蓝最近在研究一种浮点数的表示方法：R 格式。对于一个大于 0 的浮点数 d，可以用 R 格式的整数来表示。给定一个转换参数 n，将浮点数转换为 R 格式整数的做法是： 将浮点数乘以 2^n；将结果四舍五入到最接…...

编程日记 2026/2/25 12:05:07

计算机视觉的多模态模型

计算机视觉的多模态模型是指能够同时处理和理解多种类型数据（模态） 的模型。这些模态可以包括图像、文本、音频、视频、深度信息等。多模态模型的核心目标是利用不同模态之间的互补信息，提升模型的性能和泛化能力。 1. 多模态模型的核心思想…...

编程日记 2026/2/14 23:41:23

JVM的组成--运行时数据区

JVM的组成 1、类加载器（ClassLoader） 类加载器负责将字节码文件从文件系统中加载到JVM中，分为：加载、链接（验证、准备、解析）、和初始化三个阶段 2、运行时数据区运行时数据区包括：程序计数…...

编程日记 2026/2/27 3:10:13

c++进阶之------红黑树

一、概念红黑树（Red-Black Tree）是一种自平衡二叉查找树，它在计算机科学的许多领域中都有广泛应用，比如Java中的TreeMap和C中的set/map等数据结构的底层实现。红黑树通过在每个节点上增加一个颜色属性（红色或黑色&am…...

编程日记 2026/2/14 4:31:53

1. 软件下载安装

Miniconda

Python

PyTorch

2. 环境配置

2.1 系统环境变量配置

2.1.1 配置NVSMI_HOME

2.1.2 配置miniconda

2.2 查看cuda版本

3. 创建虚拟环境及安装依赖

4. 模型下载

5. 测试

6. 其他模型

6.1 下载deepseek-llm-7b-chat模型

6.2 修改脚本中模型的路径

相关文章：