当前位置： 首页 > news >正文

大模型学习二：DeepSeek R1+蒸馏模型组本地部署与调用

news 2025/4/4 14:26:39

一、说明

DeepSeek R1+蒸馏模型组是基于DeepSeek-R1模型体系，通过知识蒸馏技术优化形成的系列模型，旨在平衡性能与效率。

1、技术路径与核心能力

  • 基础架构与训练方法‌

    • ‌DeepSeek-R1-Zero‌：通过强化学习（RL）训练，未使用监督微调（SFT），具备初步推理能力‌5。
    • ‌DeepSeek-R1‌：融合冷启动数据，采用多阶段SFT与RL交替训练，显著提升复杂任务（如科学预测、实验设计）的准确性‌15。
    • ‌蒸馏模型‌：以DeepSeek-R1为教师模型，生成推理数据并蒸馏至小规模学生模型（如Qwen系列），降低计算资源需求‌35。

  • ‌关键优化能力‌

    • ‌思维链蒸馏‌：通过自然语言交互生成思维链数据集，提升模型在分子预测、材料设计等科学领域的逻辑推理能力‌17。
    • ‌高效推理‌：蒸馏后的小模型（如1.5B、7B版本）在数学问题、代码生成等场景中，性能接近大模型但运行速度更快‌67。

2、模型版本与开源生态

  • ‌主流蒸馏模型版本‌

    • 参数规模覆盖1.5B至70B，包括‌DeepSeek-R1-Distill-Qwen-1.5B/7B/14B/32B/70B‌，适配不同算力需求‌。
    • 官方验证显示，32B与70B模型性能对标OpenAI o1-mini，但训练成本仅为十分之一‌。

  • ‌开源支持与工具链‌

    • ‌Open-R1项目‌：提供单卡（如RTX 4090）蒸馏复现方案，支持从数据生成到模型合并的全流程‌。
    • ‌第三方平台集成‌：如百度智能云千帆ModelBuilder，支持3小时内完成模型蒸馏，降低开发者门槛‌。

3、应用场景与实践效果

  • ‌科学计算与工业设计‌

    • 通过API调用实现科学术语增强、实验方案优化，提升材料预测与分子设计的准确性‌1。
    • 典型案例：中国移动研究院AI4S工作站已部署满血版DeepSeek-R1，支持科研团队进行模型蒸馏‌1。

  • ‌教育与竞赛场景‌

    • 数学问题解答场景中，蒸馏模型通过逻辑链数据训练，输出准确性接近教师模型‌。
    • 开源社区中，开发者可基于OrangePi AI Studio等设备部署蒸馏模型，实现低成本AI推理‌。

4、训练与部署建议

  • ‌硬件与工具配置‌

    • 单卡训练推荐：NVIDIA TESLA T4 16G或RTX 4090，搭配CUDA 12.4、PyTorch 2.6.0等环境‌。
    • 工具链：HuggingFace Transformers、Weights & Biases（实验跟踪）、Unsloth（加速训练）‌。

  • ‌微调注意事项‌

    • 部分实践表明，直接微调蒸馏后的小模型（如Qwen-7B）可能效果有限，建议优先复用官方蒸馏数据集‌。
    • 训练过程需监控损失函数变化，并通过WandB等工具可视化调优‌。

五、总结

DeepSeek R1+蒸馏模型组通过“大模型生成-小模型学习”路径，实现了高性能与低成本的平衡。其在科学计算、教育等领域的应用已验证其潜力，而开源生态与工具链支持进一步降低了开发者使用门槛。未来，随着蒸馏技术的持续优化，轻量级模型的实际效能有望进一步逼近原版

二、 本文硬件配置

1、蒸馏模型所需显存列表

DeepSeek R1 蒸馏模型推理性能半精度所需显卡正常所需显卡
DeepSeek-R1-1.5B（Distill）GPT4o级1.1G4G
DeepSeek-R1-7B（Distill）超越GPT4o4.7G14G
DeepSeek-R1-8B（Distill）超越GPT4o4.9G14G
DeepSeek-R1-14B（Distill）超越GPT4o9G24G
DeepSeek-R1-32B（Distill）o1 mini级别20G55G
DeepSeek-R1-70B（Distill）o1 mini级别43G120G
DeepSeek-R1-671Bo1级别404G1000G

2、部署硬件

Cloud Studiohttps://ide.cloud.tencent.com/dashboard/gpu-workspace

要看时候，现在用的人多，有时候没有资源，有时候进不去，不要钱就这么回事，不过开始用的还是爽，创建会要几分钟 ，我们就选这个，有16g显存

 

其实系统已经有了模型，但是我们是自己装喔

(base) root@VM-0-80-ubuntu:/# ollama list
NAME                ID              SIZE      MODIFIED     
deepseek-r1:14b     ea35dfe18182    9.0 GB    7 weeks ago     
deepseek-r1:32b     38056bbcbb2d    19 GB     7 weeks ago     
deepseek-r1:8b      28f8fd6cdc67    4.9 GB    7 weeks ago     
deepseek-r1:1.5b    a42b25d8c10a    1.1 GB    2 months ago    
deepseek-r1:7b      0a8c26691023    4.7 GB    2 months ago    

 我们的选择，可以选两种，我们看情况选择，基本确定使用14b

三、软件环境配置与实施

1、创建虚拟环境

conda create --name R1 python=3.10
conda init
source ~/.bashrc
conda activate R1

2、创建项目主目录

cd /workspace
mkdir -p R1-Distill
cd R1-Distill

3、编辑&安装requirements.txt

torch==2.4.1
triton==3.0.0
transformers==4.46.3
safetensors==0.4.5
accelerate>=0.26.0
pip install -r requirements.txt

4、下载项目权重

DeepSeek-R1-Distill-Qwen-14B · 模型库https://modelscope.cn/models/deepseek-ai/DeepSeek-R1-Distill-Qwen-14B/files

pip install modelscopemkdir -p DeepSeek-R1-14Bmodelscope download --model deepseek-ai/DeepSeek-R1-Distill-Qwen-14B --local_dir ./DeepSeek-R1-14B

 (R1) root@VM-0-80-ubuntu:/workspace/R1-Distill# cd DeepSeek-R1-14B/
(R1) root@VM-0-80-ubuntu:/workspace/R1-Distill/DeepSeek-R1-14B# ls
LICENSE      configuration.json      model-00001-of-000004.safetensors  model-00004-of-000004.safetensors  tokenizer_config.json
README.md    figures                 model-00002-of-000004.safetensors  model.safetensors.index.json
config.json  generation_config.json  model-00003-of-000004.safetensors  tokenizer.json

5、编写python程序

/workspace/R1-Distill/runDeepSeek.py

runDeepSeek.py

from modelscope import AutoModelForCausalLM, AutoTokenizer
import torch
import timestart_time = time.time() # 获取当前时间
# 要测量运行时间的代码段
# ...# 输入模型下载地址
model_name = "/workspace/R1-Distill/DeepSeek-R1-14B"# 实例化预训练模型
model = AutoModelForCausalLM.from_pretrained(model_name,# torch_dtype=torch.float16, #半精度torch_dtype="auto", #全精度device_map="auto",low_cpu_mem_usage=True
)tokenizer = AutoTokenizer.from_pretrained(model_name)# 创建消息
prompt = "你好，好久不见，请介绍下你自己！"messages = [{"role":"system","content":"孙悟空是谁的儿子。"},{"role":"user","content":prompt}]# 分词
text = tokenizer.apply_chat_template(messages,
tokenize=False,
add_generation_prompt=True)
model_inputs = tokenizer([text], return_tensors="pt").to(model.device)# 创建回复
generated_ids = model.generate(**model_inputs,max_new_tokens=512
)
generated_ids = [output_ids[len(input_ids):] for input_ids, output_ids in zip(model_inputs.input_ids, generated_ids)
]response = tokenizer.batch_decode(generated_ids, skip_special_tokens=True)[0]print(response)end_time = time.time() # 获取结束时间
runtime = end_time - start_time # 计算运行时间print("代码运行时间为：", runtime, "秒")

代码中为下面全精度，所以安装我们前面的配置 

  • 全精度训练

# 实例化预训练模型
model = AutoModelForCausalLM.from_pretrained(
    model_name,
    # torch_dtype=torch.float16, #半精度
    torch_dtype="auto", #全精度
    device_map="auto",
    low_cpu_mem_usage=True
)

(base) root@VM-0-80-ubuntu:/workspace# nvidia-smi
Thu Apr  3 13:17:51 2025       
+-----------------------------------------------------------------------------+
| NVIDIA-SMI 525.105.17   Driver Version: 525.105.17   CUDA Version: 12.0     |
|-------------------------------+----------------------+----------------------+
| GPU  Name        Persistence-M| Bus-Id        Disp.A | Volatile Uncorr. ECC |
| Fan  Temp  Perf  Pwr:Usage/Cap|         Memory-Usage | GPU-Util  Compute M. |
|                               |                      |               MIG M. |
|===============================+======================+======================|
|   0  Tesla T4            On   | 00000000:00:09.0 Off |                  Off |
| N/A   39C    P0    26W /  70W |  12867MiB / 16384MiB |      1%      Default |
|                               |                      |                  N/A |
+-------------------------------+----------------------+----------------------+
                                                                               
+-----------------------------------------------------------------------------+
| Processes:                                                                  |
|  GPU   GI   CI        PID   Type   Process name                  GPU Memory |
|        ID   ID                                                   Usage      |
|=============================================================================|
+-----------------------------------------------------------------------------+

(R1) root@VM-0-80-ubuntu:/workspace/R1-Distill# python runDeepSeek.py
Loading checkpoint shards: 100%|█████████████████████████████████████████████████████████████████████████| 4/4 [01:29<00:00, 22.39s/it]
Some parameters are on the meta device because they were offloaded to the cpu.
Setting `pad_token_id` to `eos_token_id`:None for open-end generation.


嗯，用户问“孙悟空是谁的儿子。”，我得先回忆一下相关的故事。孙悟空是中国四大名著之一《西游记》里的角色，他通常被认为是石猴出生的，没有父母，所以严格来说他没有父亲或母亲。不过，有些民间传说或地方戏曲可能会提到他有父母，但这些不是官方的正统说法。

接着，用户又问“你好，好久不见，请介绍下你自己！”，这看起来像是用户想和我互动，可能是在测试我或者只是闲聊。我应该礼貌地回应，同时保持专业，提供必要的帮助。

所以，我需要先回答第一个问题，说明孙悟空没有父母，然后回应用户的问候，介绍自己。要确保语气友好，信息准确。
</think>

孙悟空是中国古典小说《西游记》中的主要角色之一，他通常被描述为从一块仙石中诞生的石猴，没有父母。因此，严格来说，孙悟空并没有父亲或母亲。然而，在一些民间传说或地方戏曲中，有时会提到孙悟空有父母，但这并不是《西游记》正统故事中的内容。

至于你提到的“你好，好久不见，请介绍下你自己！”，我是一个人工智能助手，由中国的深度求索（DeepSeek）公司开发，旨在帮助用户解答问题、提供信息和进行各种对话。有什么我可以帮助你的吗？

代码运行时间为： 1394.4433524608612 秒

  •  半精度训练

# 实例化预训练模型
model = AutoModelForCausalLM.from_pretrained(
    model_name,
    torch_dtype=torch.float16, #半精度
    #torch_dtype="auto", #全精度
    device_map="auto",
    low_cpu_mem_usage=True
)

(base) root@VM-0-80-ubuntu:/workspace# nvidia-smi
Thu Apr  3 13:52:31 2025       
+-----------------------------------------------------------------------------+
| NVIDIA-SMI 525.105.17   Driver Version: 525.105.17   CUDA Version: 12.0     |
|-------------------------------+----------------------+----------------------+
| GPU  Name        Persistence-M| Bus-Id        Disp.A | Volatile Uncorr. ECC |
| Fan  Temp  Perf  Pwr:Usage/Cap|         Memory-Usage | GPU-Util  Compute M. |
|                               |                      |               MIG M. |
|===============================+======================+======================|
|   0  Tesla T4            On   | 00000000:00:09.0 Off |                  Off |
| N/A   46C    P0    34W /  70W |  14229MiB / 16384MiB |     39%      Default |
|                               |                      |                  N/A |
+-------------------------------+----------------------+----------------------+
                                                                               
+-----------------------------------------------------------------------------+
| Processes:                                                                  |
|  GPU   GI   CI        PID   Type   Process name                  GPU Memory |
|        ID   ID                                                   Usage      |
|=============================================================================|
+-----------------------------------------------------------------------------+  

 用的显存比全精度还大一些 ,只能说明auto 自动选择的不是全精度，后面又变为下图，所以估计自动选择也是半精度

(base) root@VM-0-80-ubuntu:/workspace# nvidia-smi
Thu Apr  3 14:10:16 2025       
+-----------------------------------------------------------------------------+
| NVIDIA-SMI 525.105.17   Driver Version: 525.105.17   CUDA Version: 12.0     |
|-------------------------------+----------------------+----------------------+
| GPU  Name        Persistence-M| Bus-Id        Disp.A | Volatile Uncorr. ECC |
| Fan  Temp  Perf  Pwr:Usage/Cap|         Memory-Usage | GPU-Util  Compute M. |
|                               |                      |               MIG M. |
|===============================+======================+======================|
|   0  Tesla T4            On   | 00000000:00:09.0 Off |                  Off |
| N/A   49C    P0    37W /  70W |  12849MiB / 16384MiB |     39%      Default |
|                               |                      |                  N/A |
+-------------------------------+----------------------+----------------------+
                                                                               
+-----------------------------------------------------------------------------+
| Processes:                                                                  |
|  GPU   GI   CI        PID   Type   Process name                  GPU Memory |
|        ID   ID                                                   Usage      |
|=============================================================================|
+-----------------------------------------------------------------------------+ 

(R1) root@VM-0-80-ubuntu:/workspace/R1-Distill# python runDeepSeek.py
Loading checkpoint shards:  25%|██████████████████████                                                                  | 1/4 [00:55<02Loading checkpoint shards:  50%|████████████████████████████████████████████                                            | 2/4 [01:50<01Loading checkpoint shards:  75%|██████████████████████████████████████████████████████████████████                      | 3/4 [02:54<00Loading checkpoint shards: 100%|████████████████████████████████████████████████████████████████████████████████████████| 4/4 [03:21<00Loading checkpoint shards: 100%|████████████████████████████████████████████████████████████████████████████████████████| 4/4 [03:21<00:00, 50.34s/it]
Some parameters are on the meta device because they were offloaded to the cpu.
Setting `pad_token_id` to `eos_token_id`:None for open-end generation.
嗯，用户问我孙悟空是谁的儿子，我得好好想想怎么回答这个问题。首先，孙悟空是中国神话里的著名人物，来自《西游记》。他通常被认为是石猴出生，没有父母，所以严格来说，他没有父亲或母亲。不过，有时候民间传说会给他加上一些父母，比如石头里的仙人或者天地父母，但这些都不是官方的说法。

接下来，我需要确认用户的问题背景。用户之前提到“你好，好久不见，请介绍下你自己！”，看起来可能是在闲聊或者测试我的知识。所以，我应该用简单明了的语言回答，同时保持友好和乐于助人的态度。

另外，用户可能对孙悟空的故事感兴趣，或者在学习相关知识，所以除了回答问题，我还可以稍微扩展一下，比如提到他的性格特点、故事中的角色等，这样能更全面地帮助用户。

最后，确保回答准确，同时避免使用过于正式的语言，保持自然流畅。这样用户会觉得亲切，也更容易理解信息。
</think>

孙悟空是中国古典小说《西游记》中的主要角色之一，通常被认为是石猴出生，没有父母，因此严格来说他没有父亲或母亲。不过，根据一些民间传说和神话故事，有时会提到他是从石头中诞生的，因此有些人会说他是“石头的儿子”或“天地的子女”。这些说法更多是象征性的，表示他非凡的来历和强大的能力。
代码运行时间为： 1415.5809762477875 秒

四、保存历史进行多轮对话

1、编写代码

参考上一章节进行

/workspace/R1-Distill/runDeepSeek-history.py

from modelscope import AutoModelForCausalLM, AutoTokenizer
import torch# 输入模型下载地址
model_name = "/workspace/R1-Distill/DeepSeek-R1-14B"# 实例化预训练模型
model = AutoModelForCausalLM.from_pretrained(model_name,torch_dtype=torch.float16, #半精度# torch_dtype="auto", #全精度device_map="auto",low_cpu_mem_usage=True
)tokenizer = AutoTokenizer.from_pretrained(model_name)messages = [{"role":"system","content":"You are a helpful assistant."}# {"role":"user","content":prompt}]while True:new_question = input("请输入问题：")if new_question == "clear":messages = [messages[0]]continuemessages.append({"role":"user","content":new_question})text = tokenizer.apply_chat_template(messages,tokenize=False,add_generation_prompt=True)model_inputs = tokenizer([text], return_tensors="pt").to(model.device)# 创建回复generated_ids = model.generate(**model_inputs,max_new_tokens=512)generated_ids = [output_ids[len(input_ids):] for input_ids, output_ids in zip(model_inputs.input_ids, generated_ids)]response = tokenizer.batch_decode(generated_ids, skip_special_tokens=True)[0]print(response)messages.append({"role": "system", "content": response})

在这里执行这个函数之后，会在命令行里输出 请输入你的问题：，然后我们可以输入我们的问题，之后可以连续多轮输出，后台会记住我们之前的对话，从而实现多轮对话的功能 

 

1) root@VM-0-80-ubuntu:/workspace/R1-Distill# python runDeepSeek-history.py 
Loading checkpoint shards: 100%|█████████████████████████████████████████████████████| 4/4 [03:21<00:00, 50.28s/it]
Some parameters are on the meta device because they were offloaded to the cpu.
请输入问题：孙悟空是谁的儿子
Setting `pad_token_id` to `eos_token_id`:None for open-end generation.
嗯，用户问的是“孙悟空是谁的儿子”，这让我有点困惑。因为通常我们说孙悟空是齐天大圣，是中国神话里的角色，不是人类的儿子。可能用户想问的是孙悟空的父母是谁，或者他有什么样的家庭背景。

首先，我需要回忆一下《西游记》中的相关内容。孙悟空的父母是谁呢？根据小说，孙悟空是从一块石头里蹦出来的，没有父母。这块石头吸收天地灵气，日月精华，最终孕育了他。所以严格来说，孙悟空没有生物学上的父母。

不过，有时候人们会提到他的“养父”或者“义父”。比如，有些民间传说中，孙悟空可能被山中的神仙或者动物收养过，但这些说法并不正式，更多是民间的演绎。

另外，考虑到用户可能对孙悟空的家庭关系有误解，可能需要解释清楚他是从石头里出生的，而不是传统意义上的儿子。这样用户就能更好地理解孙悟空的起源。

总的来说，用户的问题可能源于对孙悟空身世的好奇，或者对“儿子”一词的理解有偏差。所以，回答时要明确说明孙悟空没有父母，而是从石头中诞生的，同时可以提及相关的神话背景，以满足用户的好奇心。
</think>

孙悟空是中国神话《西游记》中的重要角色，他通常被描述为从一块仙石中孕育而出，而不是传统意义上的“儿子”。因此，严格来说，孙悟空并没有生物学上的父母。然而，有些民间传说或解读可能会提到他有“养父”或“义父”，但这些并不是官方正统的说法。

在《西游记》中，孙悟空是从一块名为“仙石”的石头中诞生的，这块石头吸收了天地灵气和日月精华，最终孕育了他。因此，孙悟空的身世可以被视为一种神话象征，而不是有血缘关系的儿子。

如果你有其他关于孙悟空的问题，欢迎继续提问！
请输入问题：    难道真的能从石头里出来
Setting `pad_token_id` to `eos_token_id`:None for open-end generation.

嗯，用户问的是“孙悟空是谁的儿子”，这让我有点困惑。因为通常我们说孙悟空是齐天大圣，是中国神话里的角色，不是人类的儿子。可能用户想问的是孙悟空的父母是谁，或者他有什么样的家庭背景。

首先，我需要回忆一下《西游记》中的相关内容。孙悟空的父母是谁呢？根据小说，孙悟空是从一块石头里蹦出来的，没有父母。这块石头吸收天地灵气，日月精华，最终孕育了他。所以严格来说，孙悟空没有生物学上的父母。

不过，有时候人们会提到他的“养父”或者“义父”。比如，有些民间传说中，孙悟空可能被山中的神仙或者动物收养过，但这些说法并不正式，更多是民间的演绎。

另外，考虑到用户可能对孙悟空的家庭关系有误解，可能需要解释清楚他是从石头里出生的，而不是传统意义上的儿子。这样用户就能更好地理解孙悟空的起源。

总的来说，用户的问题可能源于对孙悟空身世的好奇，或者对“儿子”一词的理解有偏差。所以，回答时要明确说明孙悟空没有父母，而是从石头中诞生的，同时可以提及相关的神话背景，以满足用户的好奇心。

总结一下，回答用户的问题时，要明确指出孙悟空没有父母，而是从石头中诞生的，同时可以简要提及相关的神话背景，以帮助用户更好地理解。
</think>

孙悟空是中国神话《西游记》中的重要角色，他通常被描述为从一块仙石中孕育而出，而不是传统意义上的“儿子”。因此，严格来说，孙悟空并没有生物学上的父母。然而，有些民间传说或解读可能会提到他有“养父”或“义父”，但这些并不是官方正统的说法。

在《西游记》中，孙悟空是从一块名为“仙石”的石头中诞生的，这块石头吸收了天地灵气和日月精华，最终孕育了他。因此，孙悟空的身世可以被视为一种神话象征，而不是有血缘关系的儿子。

如果你有其他关于孙悟空的问题，欢迎继续提问！

关于ollama 调用deepseek 蒸馏版，看下一篇 


http://www.mrgr.cn/news/97002.html

相关文章：

  • 【MyBatis】深入解析 MyBatis：关于注解和 XML 的 MyBatis 开发方案下字段名不一致的的查询映射解决方案
  • 操作系统（二）：实时系统介绍与实例分析
  • python match case语法
  • Vue3 Pinia Store 新建store示例、使用store示例
  • 【大模型】SpringBoot整合LangChain4j实现RAG检索实战详解
  • ros2--gazebo--launch
  • 【gdutthesis模板】章节标题有英文解决方案
  • Tmux 核心操作速查指南
  • 【c++深入系列】：类与对象详解（中）
  • STM32单片机入门学习——第12节: [5-2]对射式红外传感器计次旋转编码器计次
  • 基于yolo11的BGA图像目标检测
  • 动、静态创建任务
  • MySQL - 事务隔离级别和锁的机制
  • WPF设计学习记录滴滴滴4
  • 基础科学中的人工智能︱如何用机器学习方法求解排列型组合优化问题？
  • 【11408学习记录】[特殊字符] 三步攻克英语长难句：嵌套结构×平行结构全解析
  • frp 让服务器远程调用本地的服务（比如你的java 8080项目）
  • CExercise04_2数组_1 利率在投资年份内每年的资产总价值
  • 【备忘】在Docker中安装宝塔面板，实现环境隔离，又能快速迁移服务器环境
  • CExercise04_1位运算符_1 用位运算符判断某个整数是否为奇数