快速部署 DeepSeek R1 模型

1. DeepSeek R1 模型的介绍

DeepSeek R1 模型是专为自然语言处理（NLP）和其他复杂任务设计的先进大规模深度学习模型 ，其高效的架构设计是一大亮点，能够更高效地提取特征，减少冗余计算。这意味着在处理海量数据时，它能快速地抓住关键信息，极大地提升了数据处理速度，大大缩短了训练时间。比如在处理长篇文本时，它可以迅速提取出核心要点，比一些传统模型快上数倍。

强大的泛化能力也是 DeepSeek R1 的一大优势。它经过大量丰富多样的数据训练，对不同任务和场景都有很强的适应能力。无论是文本生成、智能问答，还是代码生成与分析等任务，它都能应对自如。在文本生成中，它可以根据给定的主题生成逻辑连贯、内容丰富的文章；在智能问答中，面对各种复杂问题，它都能给出准确且详细的回答。

并且，DeepSeek R1 对参数的高效利用优化了参数设置，在训练时减少了内存占用。即使在算力资源有限的情况下，它依然能够稳定运行，保证良好的性能。

下面是与其它模型的对比数据：

虽然 deepseek 的功能如此强大，但是由于一些恶意攻击，在官网上使用的速度不是很好，下面给大家介绍一下如何在蓝耕 GPU 智算平台上部署 deepseek

2. 蓝耘GPU智算云平台的介绍

蓝耘GPU智算云平台是一个现代化的、基于Kubernetes的云平台，基于行业领先的灵活的基础设施及大规模的GPU 算力资源，为客户提供开放、高性能、高性价比的算力云服务，助力AI客户模型构建、训练和推理的业务全流程，以及教科研客户科研创新加速。旨在为科研工作者、工程师和创新者提供无与伦比的计算解决方案，其 速度可比传统云服务提供商快35倍，成本降低30%。

针对大模型训练场景，蓝耘算力云平台将运行环境、模型、 训练框架等打包到容器中，并通过定制化Kubernetes容器 编排工具进行容器的调度、管理和扩展，可以解决开发环 境设置以及运维和管理问题，让算法工程师能够使用统一 的环境模板进行开发，免除了初期大量的开发环境设置， 以及在新的环境中管理新的算力资源的问题，为用户提供 开箱即用的大模型训练、推理平台。 除此之外，针对大模型训练中遇到的容器进程死机、大规 模分布式训练中GPU驱动丢失、GPU硬件损坏、甚至是计 算节点宕机等难题，都做了定制化设计，为以上难题提供 了自动化调度和强大的自愈能力，实现了更高的开发和训 练效率以及整体资源利用率。

官方也提供了非常详细的操作指南：

3. 配置并使用 deepseek

DeepSeek 在 R1 模型的基础上，使用 Qwen 和 Llama 蒸馏了几个不同大小的模型，适配目前市面上对模型尺寸的最主流的几种需求。Qwen 和 Llama 系列模型架构相对简洁，并提供了高效的权重参数管理机制，适合在大模型上执行高效的推理能力蒸馏。蒸馏的过程中不需要对模型架构进行复杂修改 ，减少了开发成本。

以 deepseek-r1_1.5b_7b_8b 为例，点击部署

初次使用的话可以先选择按量计费，体验一下，然后选择 GPU 型号和 GPU 卡数，也免费提供了 50GB 的数据盘

购买之后就能跳转到工作空间，在这里可以点击快速启动应用

然后就能跳转到登录界面

官方也提供了账号和密码：

登录之后就可以进行使用

先来测试一下，让它介绍一下深度学习：

可以看出响应速度也是非常快的，并且回答的条理也十分清晰，也可以切换其它规格

再来测试一下它的代码能力，可以看出，代码能力也十分出色

import math

class DecisionTreeNode:
    def __init__(self):
        self.left = None
    self.right = None
    self.threshold = 0.0

class DecisionTree:
    def __init__(self, train_data, labels):
        self.train_data = train_data
    self.labels = labels
    self.root = self.build_tree(train_data, labels)

    def build_tree(self, data, labels):
        if not data or len(data) == 1:
        return DecisionTreeNode()

    best_feature, max_gain = self.choose_best_feature(data, labels)
    left_data = []
    right_data = []

    for i in range(len(data)):
        if labels[i] == 0:
        left_data.append(data[i])
else:
    right_data.append(data[i])

    node = DecisionTreeNode()
    node.threshold = max_gain
    node.left = self.build_tree(left_data, [0]*len(labels))
    node.right = self.build_tree(right_data, [1]*len(labels))
    return node

    def choose_best_feature(self, data, labels):
        max_gain = -1.0
    best_feature = 0

    for feature in range(len(data[0])):
        gain = self.information_gain(data, labels, feature)
    if gain > max_gain:
        max_gain = gain
    best_feature = feature

    return (best_feature, max_gain)

    def information_gain(self, data, labels, feature):
        total_ent = self.entropy(labels)
    left_size = sum(1 for i in range(len(labels)) if labels[i] == 0)
    right_size = len(labels) - left_size

    if left_size == 0 or right_size == 0:
        return 0.0

    left_entropy = self.entropy([0]*left_size)
    right_entropy = self.entropy([1]*right_size)

    info_gain = total_ent - (left_entropy + right_entropy)/2
    return info_gain

    def entropy(self, probs):
        ent = 0.0
    for p in probs:
        if p == 0:
        continue
    ent -= p * math.log(p, 2)
    return ent

    def main():
        train_data = [[1, 2], [3, 4], [5, 6]]
    labels = [0, 1, 0]

    tree = DecisionTree(train_data, labels)
    print("树的结构：", tree.root)

    test_data = [[1, 2]]
    prediction = tree.predict(test_data[0])
    print("预测结果：", prediction)

    if __name__ == "__main__":
        main()

如果说需要升级卡数也可以在应用详情的选项操作

根据需要可以添加 GPU 卡数

4. 总结

DeepSeek R1 模型与蓝耘智算平台的结合，为我们展示了人工智能技术在实际应用中的巨大潜力。随着技术的不断发展和创新，我们有理由相信，它们将在更多领域发挥重要作用，为我们的生活和工作带来更多的便利和创新。无论是推动科研的进步，还是助力企业的发展，这一组合都将成为强大的助推器，引领我们走向更加智能的未来。让我们拭目以待，期待它们创造更多的精彩！

蓝耕平台注册链接：https://cloud.lanyun.net//#/registerPage?promoterCode=0131