【文章摘要】
针对零基础用户推出的DeepSeek本地部署速成指南，通过环境配置、模型加载、参数调试三步实现AI技术平民化。教程涵盖Anaconda/PyCharm工具链选择、轻量化模型适配技巧及GPU资源优化方案，3分钟完成从安装到运行全流程。结合终端命令实时演示，即使无编程经验者亦可轻松攻克部署难点，快速验证生成效果，为中小企业和个人开发者提供“低门槛+高可控性”的AI生产力解决方案。
主要内容：

一：DeepSeek本地部署及模型下载

二：第三方助手下载及配置调试

三：基础知识点

1：下载Ollama(https://ollama.com/)

2：按提示安装后，输入cmd，打开命令提示符后，输入ollama回车确认，看到图片提示的输出，说明安装成功

注：出现提示：‘ollama’不是内部或外部命令，也不是可运行的程序或批处理文件。到环境变量中>path里是否有ollama安装目录，如果有，但是还是提示ollama’不是内部或外部命令，也不是可运行的程序或批处理文件，尝试重启电脑

3：到ollama官网首页，点击deepseek-R1，下载模型，选择适合电脑的模型(我演示所用的是笔记本4070 8G显存，所以下载的是8b的模型)

显存参考：

显存	模型选择
无独立显卡	1.5b模型
4G或8G	选择7b或8b模型

确定好模型之后，下拉网页，复制对应的命令，粘贴到cam终端回车确认，等待模型下载完成，提示出现success就说明deepseek本地版部署完成

可以在cmd终端命令行进行对话

下面我们测试一下8b版本的效果，让它计算一道小学数学题，测试一下准确度

问题：甲乙二人从两地同时相对而行，经过4小时，在距离中点4千米处相遇。甲比乙速度快，甲每小时比乙快多少千米?

正确答案：甲每小时比乙快2千米。

下面是DeepSeek 8b模型的效果

答案准确

4：下载Cherry Studio第三方工具，方便调用，打开https://cherry-ai.com/（这是一个支持多加大模型的AI客户终端，直接对接Ollama的api，实现窗口式的大模型的对话效果），下载Cherry Studio，按照提示完成安装

5：配置模型

点击左下角设置，在模型服务中选择ollama，打开右上角的开关，点击底部的管理按钮，添加刚才下载的deepseek模型

然后在设置界面，选择第二个默认模型，然后在默认助手模型中，选择你要调用的模型（你刚才下载的模型）

6：完成上边的流程后，就可以和deepseek进行对话了，下边是效果展示

问题：甲乙二人从两地同时相对而行，经过4小时，在距离中点4千米处相遇。甲比乙速度快，甲每小时比乙快多少千米?

正确答案：甲每小时比乙快2千米。

7：基础知识点

B	billion=10亿
fp：指的是模型计算时的数值精度，精度越高，计算结果越准确，但是需要的计算资源也越多，推理速度就会变慢。主要是用在模型训练的过程当中，训练完成后精度就不再改变	FP32   标准训练精度，也是大模型训练最常用的精度   4字节/参数 FP16   半精度浮点:可以减少内存占用和计算成本，但是会损失结果质量   2字节/参数 BF16   全称bfloat16:和FP16类似，但更适合深度学习   2字节/参数 FP8     8 位浮点数，进一步压缩模型的精度浮点，适合加速推理   1字节/参数
量化（Q）：是对模型权重和激活值进行数值压缩，让模型的体积变小，可以节约运行需要的显存，但是会少量牺牲模型的精度，影响模型智商。这类似于将无损图片转换为高清JPG格式，虽然会轻微影响画质，但能大幅减少存储空间。主要用在推理过程，量化后模型体积变小，对显存要求就更低，同样的硬件配置，推理速度就会加快。	INT8   8 位整数量化，将 32 位或16 位浮点数转换为 8位整数，减少存储和计算需求   1字节/参数 INT4   4位整数量化，最常用的量化方案，进一步减少模型大小，但会损失更多的模型精度   0.5字节/参数 INT2及INT1   这个属于极端压缩了，仅仅适用于特殊应用，不太常用

这份完整版的DeepSeek入门资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】