DeepSeek R1模型基于ollama部署

1、安装部署ollama (windows)

Ollama是一个专为本地机器设计的开源框架，旨在简化大型语言模型（LLM）的部署和运行过程。

它提供了一套工具和命令，使用户能够轻松地下载、管理和运行各种语言模型，包括DeepSeek、LLaMA、LLaVA等流行模型

可以去直接去官网下载: https://ollama.com/

也可以直接下载：
https://github.com/ollama/ollama/releases/download/v0.5.7/OllamaSetup.exe

下载完，点击：OllamaSetup.exe 安装, 会强行安装在C盘

检查是否安装成功： windows cmd 命令： where ollama

2、在ollama中使用deepseek r1

第一次执行ollama run deepseek-r1:1.5b 会自动下载模型

注：ollama deepseek r1 模型网址：https://ollama.com/library/deepseek-r1:1.5b

F:\pro\deepseek_demo>ollama run deepseek-r1:1.5b
pulling manifest
pulling aabd4debf0c8... 100% ▕████████████████████████████████████████████████████████▏ 1.1 GB
pulling 369ca498f347... 100% ▕████████████████████████████████████████████████████████▏  387 B
pulling 6e4c38e1172f... 100% ▕████████████████████████████████████████████████████████▏ 1.1 KB
pulling f4d24e9138dd... 100% ▕████████████████████████████████████████████████████████▏  148 B
pulling a85fe2a2e58e... 100% ▕████████████████████████████████████████████████████████▏  487 B
verifying sha256 digest
writing manifest
success
>>> Send a message (/? for help)

3、问答示例

F:\pro\deepseek_demo>ollama run deepseek-r1:1.5b
>>> AI算法学习教程
<think>

</think>

AI算法的学习可以从以下几个方面入手：

### 1. **基础概念与原理**
   - **理解基本概念**：掌握机器学习、深度学习的基本概念，了解它们在AI中的应用。
   - **学习算法原理**：深入理解线性回归、逻辑回归、k-近邻算法等简单算法的原理和工作机制。

### 2. **常用算法与模型**
   - **线性回归**：掌握最小二乘法、梯度下降等方法，能够实现对简单数据集的建模。
   - **逻辑回归**：理解 odds ratio 和 classification performance指标，能够应用到分类问题中。
   - **k-近邻算法（KNN）**：学习如何选择k值和降维技术提升性能。
   - **决策树与随机森林**：掌握特征重要性分析和模型的泛化能力。
   - **梯度下降**：理解其在训练神经网络中的作用，能够优化目标函数。
   - **Backpropagation**：掌握前向传播、损失计算和反向传播算法的应用。
   - **卷积神经网络（CNN）**：学习特征提取和分类任务中CNN的优势。
   - **循环神经网络（RNN）/长短期记忆网络（LSTM）**：理解序列建模的基本原理，能够处理时间序列数据。
   - **自监督学习**：掌握无标签数据的生成模型，如 autoencoders 和 contrastive learning。
   - **生成模型**：了解VAE和GAN的思路，能够生成高质量的数据样本。
   - **深度学习框架**：熟练使用TensorFlow或PyTorch等框架，训练多层神经网络。

### 3. **算法优化与超参数调优**
   - **评估指标**：理解准确率、召回率、F1 score 等指标的作用和适用范围。
   - **正则化技术**：掌握L2正则化（ ridge regression）和 dropout等方法，防止过拟合。
   - **优化算法**：了解Adam、SGD等优化器的参数更新策略，提升训练速度。

### 4. **深度学习与模型综合**
   - **多层感知机（MLP）**：掌握神经网络的基本结构和训练方法。
   - **循环神经网络扩展**：理解LSTM和GRU的差异及其在语音识别、时间序列分析中的应用。
   - **自监督学习技术**：了解数据无标签化和任务生成的潜力。

### 5. **模型评估与探索**
   - **交叉验证**：掌握K-fold交叉验证等方法，避免过拟合。
   - **异常检测与可视化**：学习特征分析和降维技术（如t-SNE）进行数据可视化。
   - **模型解释性**：理解深度学习模型的可解释性问题及其解决方向。

### 6. **实际应用**
   - **数据预处理**：掌握数据清洗、特征工程和归一化等技能，为建模打下基础。
   - **实战项目实践**：通过简单的项目（如分类或回归）积累经验，并逐步挑战复杂任务。

### 7. **持续学习与资源**
   - **深入研究论文**：阅读深度学习领域的经典论文，了解最新技术。
   - **参与社区讨论**：参加AI论坛和比赛，获取经验并提出问题。
   - **关注新技术**：如GPT-4、Transformer架构等，保持对前沿技术的敏感。

### 总结
AI算法的学习是一个系统工程，需要耐心积累基础，逐步提升能力。通过不断实践和深入研究，逐步掌握复杂算法，并在实际应用中
探索新领域的潜力。

退出ollama

 Ctrl + d

4、python调用接口

import requests
import json

# Ollama 的地址和端口（默认是 11434）
ollama_url = "http://localhost:11434" # 可以在浏览器测试是否可以请求
 
# API 路径和参数
api_path = "/api/generate"
data = {
    "model": "deepseek-r1:1.5b",  # 使用你想要的模型名称，例如 "mistral" 或 "llama2"
    "prompt": "如何学习AI算法",  # 你想要模型生成的文本的提示
    "stream": False, # 如果True 则response 的content-type类型为：application/x-ndjson, false则为 application/json
}
 
# 发送 POST 请求到 Ollama API
response = requests.post(f"{ollama_url}{api_path}", json=data)

# 检查响应状态码
print(response.headers)
if response.status_code == 200:
    # print(response.text)
    if "application/x-ndjson" in response.headers.get("Content-Type").lower():
        data = response.text.split("\n")
        data = [json.loads(i.strip()) for i in data if i]
        for i in data:
            print("===",i)
            
    elif "application/json" in response.headers.get("Content-Type").lower():
        data = response.json()
        # print(data)
        print(data["response"])
else:
    print("Error:", response.status_code, response.text)
	

5、ollama 常用命令

启动 ollama 服务器
ollama serve

运行模型
注：第一次运行会自动下载模型
ollama run 模型名称
进入shell以后，可以通过Ctrl + D退出

列出全部模型
ollama list

列出正在运行的模型
ollama ps