- 综合排序
- 最热优先
- 最新优先
- 来自专栏老张的求知思考世界
DeepSeek原理与项目实战
今天，小异带来一本新书《DeepSeek 原理与项目实战》，这本书还未正式出版，便已引发广泛关注，其中文繁体版和英文版版权更是抢先售出，收获了读者们如潮的好评。 当技术爆炸遇见知识鸿沟，《DeepSeek 原理与项目实战》这本兼顾理论深度、技术广度和实践经验的好书，便为读者打开了通向DeepSeek世界的大门。 实战与高级集成应用 理论和工具都学会后，就要动手实战了，第三部分（第 10~12章）详细讲解了从函数回调、缓存机制到实际应用开发的全流程。 集成实战1：基于LLM的Chat类客户端开发 集成实战2：AI 智能助理开发 集成实战3：基于VS Code的辅助编程插件开发 Part.3 结语 在当下大模型技术快速迭代的浪潮中，本书以技术前瞻性、实战系统性和应用普适性形成显著特色 ● 实战系统性：突破传统技术书籍重理论轻实践的局限，从生成式AI的理论基础讲解到DeepSeek-V3的技术架构，再到具体的开发实践，构建了从模型部署、参数微调到应用落地的全链路技术框架。
83510编辑于 2025-03-10 - 来自专栏前端必修课
DeepSeek 文生图实战指南
我是程序员 NEO 让我们开始今天的技术分享~ 想让 DeepSeek 生成精美图片吗？本文将为您揭示一个简单而强大的解决方案，让您轻松实现 AI 创意的可视化呈现。 突破 DeepSeek 的限制 DeepSeek 作为新晋的 AI 助手，虽然在对话能力上表现出色，但并不直接支持图像生成功能。 不过，通过本文介绍的方法，我们可以轻松突破这一限制，让 DeepSeek 秒变"画家"。 核心解决方案 关键在于利用 Pollinations.ai 提供的图像生成 API。 =100&model=flux&nologo=true 参数说明： width/height：控制图片尺寸 seed：随机种子，保证图片的可重复性 nologo=true：去除水印，获得清晰原图 实战指南
95611编辑于 2025-03-07 DeepSeek-7B-chat langchain 接入
DeepSeek-7B-chat langchain 接入 这篇主要讲 DeepSeek-7B-chat 如何对接Langchain中 langchain.llms.base 的 LLM 模块，其他关于如何对接向量数据库和 pip install langchain==0.0.292 DeepSeek-7B-chat 接入 LangChain 为便捷构建 LLM 应用，我们需要基于本地部署的 DeepSeek-7B-chat ，自定义一个 LLM 类，将 DeepSeek-7B-chat 接入到 LangChain 框架中。 基于本地部署的 DeepSeek-7B-chat 自定义 LLM 类并不复杂，我们只需从 LangChain.llms.base.LLM 类继承一个子类，并重写构造函数与 _call 函数即可： from llm = DeepSeek_LLM('/root/autodl-tmp/deepseek-ai/deepseek-llm-7b-chat') llm('你好') 如下图所示：
38010编辑于 2025-07-17- 来自专栏大模型成长之路
【大模型学习 | RAG & DeepSeek 实战】
Deepseek & RAG 实战 编者常常有许多材料需要阅读查阅，但自己又比较懒，为此，想在大模型的学习过程中基于RAG技术将本地知识库与大模型结合起来，加快自身的效率。 在本次的项目设计，需要达成以下目标： 开源大模型的本地部署及使用 （以Deepseek为例）； PDF文本分析 ➕ 相似prompt检索提取 （关键）； 将检索到的信息与原prompt结合作为输入，得到结果 : f"""请根据以下参考内容回答问题： {retrieved} 问题：{query}"""}]4️⃣ 模型部署mode_name_or_path = '/root/autodl-tmp/deepseek-ai /deepseek-llm-7b-chat'# 加载预训练的分词器和模型tokenizer = AutoTokenizer.from_pretrained(mode_name_or_path, trust_remote_code
1K31编辑于 2025-07-19 DeepSeek-7B-chat WebDemo 部署
DeepSeek-7B-chat WebDemo 部署 DeepSpeek 介绍 由70亿个参数组成的高级语言模型 DeepSeek LLM。 为了促进研究，DeepSeek 已经为研究社区开放了DeepSeek LLM 7B/67B Base 和 DeepSeek LLM 7B/67B Chat。 /deepseek-llm-7b-chat', cache_dir='/root/autodl-tmp', revision='master') 代码准备 在/root/autodl-tmp路径下新建 之间，默认值为512 max_length = st.slider("max_length", 0, 1024, 512, step=1) # 创建一个标题和一个副标题 st.title(" DeepSeek /deepseek-llm-7b-chat' # 定义一个函数，用于获取模型和tokenizer @st.cache_resource def get_model(): # 从预训练的模型中获取
64510编辑于 2025-07-17DeepSeek-7B-chat Lora 微调
DeepSeek-7B-chat Lora 微调 概述 本节我们简要介绍如何基于 transformers、peft 等框架，对 DeepSeek-7B-chat 模型进行 Lora 微调。 ": input_ids, "attention_mask": attention_mask, "labels": labels } 这里的格式化输入参考了， DeepSeek /deepseek-ai/deepseek-llm-7b-chat/', use_fast=False, trust_remote_code=True) tokenizer.padding_side = /deepseek-ai/deepseek-llm-7b-chat/', trust_remote_code=True, torch_dtype=torch.half, device_map="auto /deepseek-ai/deepseek-llm-7b-chat/') model.generation_config.pad_token_id = model.generation_config.eos_token_id
41310编辑于 2025-07-17DeepSeek-7B-chat FastApi 部署调用
DeepSeek-7B-chat FastApi 部署调用 DeepSpeek 介绍 由70亿个参数组成的高级语言模型 DeepSeek LLM。 为了促进研究，DeepSeek 已经为研究社区开放了DeepSeek LLM 7B/67B Base 和 DeepSeek LLM 7B/67B Chat。 /deepseek-llm-7b-chat', cache_dir='/root/autodl-tmp', revision='master') 代码准备 在/root/autodl-tmp路径下新建api.py return answer # 返回响应 # 主函数入口 if __name__ == '__main__': mode_name_or_path = '/root/autodl-tmp/deepseek-ai /deepseek-llm-7b-chat' # 加载预训练的分词器和模型 tokenizer = AutoTokenizer.from_pretrained(mode_name_or_path
37710编辑于 2025-07-17- 来自专栏大模型成长之路
【大模型学习 | RAG & DeepSeek 实战（二）】
Deepseek & RAG 实战（二）在【大模型学习 | RAG & DeepSeek 实战】-腾讯云开发者社区-腾讯云文章中，已经实现了基于RAG建立了本地知识库，通过检索相似度最高的知识来辅助大模型的问答系统
89621编辑于 2025-07-20 腾讯云 DeepSeek 系列模型部署HAI实战
在这一技术浪潮中，国内头部云厂商加速布局AI基础设施与工具链建设，其中腾讯云凭借其Deepseek系列大模型与**高性能AI计算实例（HAI）**的深度整合，为开发者提供了从模型训练到应用落地的全栈解决方案 操作过程：第一步：跳转链接https://cloud.tencent.com/act/pro/deepseek2025#HAI-CPU购买一个体验版的HAI，用于本次部署HAI的必要条件；第二步：点击立即购买选择一个可以购买的资源 所以说要选择一个可以购买的进行支付即可；第三步：进行支付支付成功：选择已成功支付即可；第四步：登录cnb.cool地址登录成功：第五步：跳转这个地址https://cnb.cool/ai-awesome/deepseek 但是如果只是根据视频进行搭建还是会存在一定的问题，只有实际搭建的时候，才会发现一些问题，当然了搭建好了模型之后只是第一步，如何根据搭建的服务进行调用，才是最重要的，这个点后续会继续更新对应的文章进行介绍，毕竟现在搭建deepseek
54521编辑于 2025-03-23TencentOS Server 3.1 部署 DeepSeek-R1-7B
-1.5B4C/8G>4GBDeepSeek-R1-7B8C/16GB>8GBDeepSeek-R1-14B12C/32GB>16GBDeepSeek-R1-32B16C/64GB>24GB2. 部署环境说明本次部署计划部署DeepSeek-R1-7B，根据资源要求，实验配置的硬件资源为海光CPU+Nvidia T4 GPU，海光CPU分配8核资源，配置32GB内存，磁盘为100GB SSD磁盘 使用Ollama运行DeepSeek R1 7b下载DeepSeek R1 7b# ollama pull deepseek-r1:7b查看模型信息ollama listNAME ID SIZE MODIFIEDdeepseek-r1:7b 0a8c26691023 4.7 GB 27 seconds ago运行DeepSeek-R1ollama run deepseek-r1:7b>>> 你是谁<think></think>您好！
1K00编辑于 2025-02-16- 来自专栏网络安全技术点滴分享
DeepseekScanner deepseek+python实现代码审计实战
一、功能概述 DeepseekScanner实现了扫描源代码项目中的所有代码文件发送给deepseek进行安全审计的功能。 具体细节包括扫描所有子目录中的代码文件，然后依次将代码文件切片发送到deepseek api进行智能代码审计。审计结果包含存在安全问题的代码文件、代码位置行数、安全漏洞问题名称、存在安全漏洞的代码块。 save_results_to_file(filepath, file_scan_results) except Exception as e: print(e) 2.代码文件切片发送给deepseek 做安全审计 //从项目中的各个目录提取代码文件后，开始对代码进行切片发送给deepseek做安全审计 def scan_file(file_path, scan_results, directory): 对项目中的所有代码进行安全审计 python scanner.py E:\work\sqli-secound-order --all 2.结果展示 四、总结 DeepseekScanner通过python+deepseek
53610编辑于 2025-06-16 如何用DeepSeek优化代码生成？实战案例分析
如何用DeepSeek优化代码生成？ 实战案例分析一、DeepSeek的技术特点与优势DeepSeek是一款基于大规模预训练模型的代码生成工具，具有以下特点和优势：多任务能力：支持代码生成、代码补全、代码优化等多种任务。 二、实战案例：使用DeepSeek生成代码案例1：快速生成快速排序算法以下是使用DeepSeek生成快速排序算法的代码示例：from transformers import AutoTokenizer, AutoModelForCausalLM# 加载模型和分词器tokenizer = AutoTokenizer.from_pretrained("deepseek-ai/deepseek-coder- 使用上下文数据DeepSeek可以根据项目上下文生成符合规范的代码。例如，在电商系统中，它可以自动生成折扣计算逻辑。四、总结与展望DeepSeek在代码生成和优化方面展现了强大的能力。
1.6K10编辑于 2025-04-06- 来自专栏人工智能
腾讯云AI实战：DeepSeek模型训练与微调
关于DeepSeek模型简介DeepSeek是由腾讯控股，中国知名私募巨头幻方量化旗下的人工智能公司深度求索（DeepSeek）自主研发的AI大模型。 DeepSeek致力于研究和开发先进的通用人工智能模型AGI，其模型包括DeepSeek LLM、DeepSeek MoE、DeepSeek V2、DeepSeek-V3等，并且全部开源。 DeepSeek是基于Transformer架构，广泛应用于自然语言处理任务，比如文本分类、情感分析、机器翻译等，DeepSeek模型具有以下特点：高性能：基于Transformer架构，性能卓越。 从零开始：DeepSeek模型训练接下来就来从头开始进行DeepSeek模型训练。（一）准备工作在开始训练之前，需要做些准备工作，如下所示：注册腾讯云账号：访问腾讯云官网，注册账号并完成实名认证。 1、创建训练任务在TI One平台上创建一个新的训练任务，选择DeepSeek模型，并配置训练参数。
4.1K82编辑于 2025-02-06 - 来自专栏技术专栏全家桶
OpenClaw整合DeepSeek、Kimi模型并嵌入飞书实战
01、接入Kimi-K2.5模型 上一篇总结了OpenClaw的运行原理和基于MimiMax模型的部署实战：Agent之最新OpenClaw原理与实战大全 这篇将整合DeepSeek和Kimi模型，OpenClaw 国外模型成本费用较高，这里我们选择国内的DeepSeek和Kimi 2.5模型，这些模型在性能及价格方面评价都不错。 02、接入DeepSeek OpenClaw里面的列出来的模型里面没有deepseek。 : { "deepseek": { "baseUrl": "https://api.deepseek.com/v1", "apiKey": "${DEEPSEEK_API_KEY /deepseek-chat" } } } } 不用重启直接热加载配置。
13.5K24编辑于 2026-03-05 - 来自专栏全栈程序员必看
Activiti7实战-入门
Activiti7的使用 1.什么是工作流？ 1.1工作流介绍 工作流：通过计算机对业务流程自动化执行管理。多个参与者按照某种预定规则自动进行传递文档、信息任务处理的过程。 1.4工作流原理分析 2.什么是Activiti7 Activiti 是一个工作流引擎， activiti 可以将业务系统中复杂的业务流程抽取出来，使用专门的 建模语言（BPMN2.0）进行定义 SpringBoot Activiti7 发布正式版之后，它与 SpringBoot2.x 已经完全支持整合开发。 我们可以将 Activiti7 与SpringBoot 整合开发的坐标引入到工程中，从而达到 SpringBoot 支持 Activti7 整合。 dependency> 步骤二：配置文件application.yml spring: datasource: url: jdbc:mysql://192.168.1.168:3306/activiti7?
83720编辑于 2022-11-19 -DeepSeek技术解析：MoE架构实现与代码实战
以下是一篇结合DeepSeek技术解析与代码示例的技术文章，重点展示其核心算法实现与落地应用：DeepSeek技术解析：MoE架构实现与代码实战作为中国AI领域的创新代表，DeepSeek在混合专家模型 本文将通过代码实例解析其核心技术，并展示如何基于DeepSeek-MoE框架实现高效推理。 DeepSeek的 「专家位置感知调度」 算法通过：预分析计算图，将高频共现的专家分配到同物理设备采用RDMA网络传输协议，降低跨节点通信延迟一、MoE架构设计原理DeepSeek的稀疏化MoE架构通过动态路由机制 结语通过代码实践可以看出，DeepSeek的技术优势源于算法创新与工程优化的深度结合。 未来应用deepseek将更加广泛
1.4K10编辑于 2025-03-15- 来自专栏叽叽西
7. Git 命令实战
简而言之 -- mirror 强制推送 all refs under refs/ 下的所有. 保持绝对的同步.
49010编辑于 2022-05-17 - 来自专栏EdisonTalk
MongoDB入门实战教程（7）
本系列教程目录： MongoDB入门实战教程（1） MongoDB入门实战教程（2） MongoDB入门实战教程（3） MongoDB入门实战教程（4） MongoDB入门实战教程（5） MongoDB入门实战教程（6） 前面我们学习了聚合查询，本篇我们来看看在模型设计中如何应用引用模式来提高查询效率。 参考资料 唐建法，《MongoDB高手课》（极客时间） 郭远威，《MongoDB实战指南》（图书）
1.2K10发布于 2021-06-22 - 来自专栏单细胞天地
RNAvelocity7：scVelo实战
[7]: scv.tl.velocity_graph(adata) computing velocity graph finished (0:00:12) --> added 'velocity_graph 此外，我们可以通过scv.tl.terminal_states沿着马尔科夫链追踪细胞的起源和潜在命运，从而在轨迹中获取根细胞和终点： [7]: scv.tl.velocity_graph(adata) Granule immature Granule mature Microglia Mossy Neuroblast OL OPC Radial Glia-like nIPC 0 Phkg1 Utrn Golga7b
2.2K32发布于 2021-10-09 - 来自专栏C++
【DeepSeek】DeepSeek概述 | 本地部署deepseek
1 -> 概述 DeepSeek是由中国的深度求索公司开发的一系列人工智能模型，以其高效的性能和低成本的训练而受到关注。 知识蒸馏：DeepSeek-R1通过知识蒸馏，将长链推理(CoT)模型的推理能力蒸馏到标准LLM中，显著提升了推理性能。 Janus-Pro：2025年1月28日发布，分为7B(70亿)和1.5B(15亿)两个参数量版本，且均为开源，在多模态理解和文本到图像的指令跟踪功能方面取得重大进步，同时增强了文本到图像生成的稳定性， 2.2 -> 部署deepseek-r1模型 回到ollama官网点击左上角的Models进入如下界面。 这样本地部署deepseek就算完成啦
3.5K32编辑于 2025-02-08
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号