一、环境准备

1. 硬件要求

   • GPU：建议NVIDIA GPU（显存≥8GB，如RTX 3060/4090），具体显存需求根据模型参数选择（如7B模型需8GB显存，32B需24GB）。
   • 内存：建议≥16GB（7B模型），32B及以上模型需≥64GB。
   • 存储：预留足够磁盘空间（如7B模型约9GB，14B模型约14GB）。

2. 软件依赖

   • 安装CUDA和cuDNN以支持GPU加速。
   • 安装Docker（可选，用于容器化部署）。

---

二、安装Ollama

方法一：脚本安装（推荐）

# 下载并执行安装脚本
curl -fsSL https://ollama.com/install.sh | sh

# 验证安装
ollama version  # 输出版本号即成功

方法二：Docker安装

# 使用Docker运行Ollama服务
docker run -d --name ollama -p 11434:11434 -v ollama-data:/root/.ollama ollama/ollama

# 若下载超时，可替换Docker镜像源（国内加速）
sudo tee /etc/docker/daemon.json <<-'EOF'
{
    "registry-mirrors": ["https://docker.mirrors.ustc.edu.cn"]
}
EOF
sudo systemctl restart docker

---

三、拉取并运行DeepSeek模型

1. 选择模型版本

   • 低配置设备：deepseek-r1:1.5b或deepseek-r1:7b。
   • 高性能设备：deepseek-r1:32b或deepseek-chat:7b-quant（量化版节省显存）。

2. 拉取模型

# 拉取模型（以7B为例）
ollama pull deepseek-r1:7b

3. 启动交互式会话

ollama run deepseek-r1:7b  # 输入问题后按回车获取回答

4. 后台运行

ollama run deepseek-r1:7b &  # 后台运行，按Ctrl+C退出

---

四、API调用示例

Python调用

import requests

response = requests.post(
    'http://localhost:11434/api/generate',
    json={
        "model": "deepseek-r1:7b",
        "prompt": "用Python写一个快速排序算法",
        "stream": False,
        "options": {"temperature": 0.7, "max_tokens": 1000}
    }
)
print(response.json()["response"])

Java调用（需Apache HTTP库）

// 示例代码参考网页8，通过HTTP客户端发送POST请求至API端点

---

五、高级配置与优化

1. GPU加速

   • 确保CUDA已正确安装，Ollama默认启用GPU加速。
   • 指定多GPU：CUDA_VISIBLE_DEVICES=0,1 ollama run...。

2. 性能优化

   • 量化模型：使用deepseek-r1:7b-q4_0降低显存占用。
   • 多线程：设置OLLAMA_NUM_THREADS=8提升CPU推理速度。
   • 内存限制：调整vm.overcommit_memory=1避免内存不足。

3. 图形化界面（可选）

   • 部署Open WebUI：

     docker run -d -p 3000:8080 -v open-webui:/app/backend/data ghcr.io/open-webui/open-webui:main
     

     访问http://localhost:3000使用类ChatGPT界面。

---

六、常见问题解决

1. 拉取模型失败

   • 网络问题：更换镜像源（如OLLAMA_MODELS=https://mirror.zhcdn.com）。
   • 端口冲突：检查11434端口占用，终止冲突进程。

2. 显存不足

   • 换用量化模型或更小参数版本。

3. 修改监听地址

   • 编辑Ollama服务配置，设置OLLAMA_HOST=0.0.0.0:11434支持远程访问。

---

七、应用场景

• 代码开发：生成算法或API代码。
• 数据分析：处理长文本或生成可视化报告。
• 隐私场景：本地部署避免数据外泄。

---

通过以上步骤，可在Linux系统完成DeepSeek的本地部署与优化。如需进一步扩展功能（如微调模型或企业级部署），可参考相关配置文档。