手把手教你在Windows+docker本地部署DeepSeek-R1
摘要：本文详细介绍了在 Windows 系统上通过 Docker 部署 DeepSeek-R1 模型的完整过程。DeepSeek-R1 是一款由 DeepSeek 公司于 2025 年 1 月 20 日发布的开源推理大模型，具有出色的性能和广泛的应用场景。文章从部署前的准备工作开始，包括硬件和软件要求，详细阐述了 Docker 环境的搭建、基于 Ollama 和 Docker 的部署方式，以及部署后的测试与验证。此外，文章还提供了常见问题的解决方法和相关代码示例，帮助读者更好地理解和应用 DeepSeek-R1 模型。
一、DeepSeek-R1 简介
DeepSeek-R1 是一款由量化巨头幻方量化旗下大模型公司 DeepSeek 在 2025 年 1 月 20 日发布的推理大模型，它凭借着独特的技术和出色的性能，在人工智能领域中脱颖而出。该模型采用 MIT 许可协议，意味着它完全开源，支持免费商用、任意修改和衍生开发，这极大地降低了开发者的使用门槛，促进了 AI 技术的共享与创新，也让更多人能够基于它进行个性化的开发和应用。
在技术创新上，DeepSeek-R1 的最大亮点在于其训练方法。DeepSeek-R1-Zero 是首个完全通过强化学习（RL）训练的大型语言模型，无需依赖监督微调（SFT）或人工标注数据 。这一突破验证了仅通过奖励信号，模型也能发展出强大的推理能力。在 AIME 2024 数学测试中，其准确率从 15.6% 提升至 71.0%，使用多数投票机制后达到了 86.7%，接近 OpenAI o1-0912 的水平。为了进一步提升模型性能，DeepSeek-R1 引入了冷启动数据，结合强化学习进行训练，解决了 R1-Zero 在可读性和语言混合方面的局限性，显著提升了模型的推理能力。
在性能表现上，DeepSeek-R1 在多个基准测试中展现出了卓越的实力。在 AIME 2024 测试中，DeepSeek-R1 取得了 79.8% 的成绩，略高于 OpenAI o1 的 79.2%；在 MATH-500 测试中，DeepSeek-R1 的成绩为 97.3%，OpenAI o1 为 96.4%；在 Codeforces 评分中，DeepSeek-R1 达到 2029 分，OpenAI o1 为 2061 分；在 MMLU 测试中，DeepSeek-R1 获得了 90.8% 的成绩，OpenAI o1 则是 91.8% 。这些数据表明，DeepSeek-R1 在数学、编程和推理等多个任务上达到了与 OpenAI o1 相当的表现水平。
DeepSeek-R1 的应用场景也十分广泛，在数学与逻辑推理领域，它能够高效解决复杂数学问题，可应用于教育、科研等场景，帮助学生更好地理解数学知识，辅助科研人员进行复杂的计算和推理；在代码生成与优化方面，它表现出色，能够生成高质量代码，优化现有代码库，提高软件开发的效率和质量，为程序员提供强大的编程辅助工具；在科学研究与问答场景中，模型在科学问题解答和假设生成方面展现了强大的能力，为研究人员提供了有力支持，加速科研进展。
而将 DeepSeek-R1 进行本地部署具有重要意义。本地部署可以带来更低的延迟，当我们在使用模型进行交互时，能够更快地得到响应，无需等待网络传输和云端处理的时间，大大提高了使用效率；同时，本地部署能提供更高的隐私性，对于一些涉及敏感信息的应用场景，数据无需上传到云端，避免了数据泄露的风险；此外，本地部署还能让我们对 AI 应用拥有更大的控制权，可以根据自身需求对模型进行定制化配置和优化，满足不同的业务需求 。
二、部署前的准备工作
2.1 硬件要求
在硬件方面，运行 DeepSeek-R1 对设备有一定要求。不同版本的模型对硬件的需求有所差异，以常见的 7B 版本为例，推荐使用至少 8 核心的 CPU，如 Intel Core i7 或 AMD Ryzen 7 系列处理器，主频越高越好，这样在处理复杂任务时能更加高效。内存方面，建议配备 16GB 及以上的内存，以确保模型在运行过程中能够流畅地加载和处理数据。如果同时运行多个任务或者处理大规模数据，更大的内存会显著提升运行效率 。
以下是DeepSeek-R1不同模型版本的电脑配置要求整理成的表格：
| 模型版本 | 参数量 | CPU | 内存 | 硬盘 | 显卡 | 适用场景 |
|---|---|---|---|---|---|---|
| DeepSeek-R1-1.5B | 1.5B | 4核及以上 | 8GB+ | 3GB+ | 非必需（若有4GB+显存更佳） | 轻量级任务，如短文本生成、基础问答等 |
| DeepSeek-R1-7B | 7B | 8核及以上 | 16GB+ | 8GB+ | 推荐8GB+显存（如RTX 3070/4060） | 中等复杂度任务，如文案撰写、表格处理等 |
| DeepSeek-R1-8B | 8B | 8核及以上 | 16GB+ | 8GB+ | 推荐8GB+显存（如RTX 3070/4060） | 需更高精度的轻量级任务，如代码生成等 |
| DeepSeek-R1-14B | 14B | 12核及以上 | 32GB+ | 15GB+ | 16GB+显存（如RTX 4090或A5000） | 企业级复杂任务，如合同分析、报告生成等 |
| DeepSeek-R1-32B | 32B | 16核及以上 | 64GB+ | 30GB+ | 24GB+显存（如A100 40GB或双卡RTX 3090） | 高精度专业领域任务，如医疗/法律咨询等 |
| DeepSeek-R1-70B | 70B | 16核及以上 | 64GB+ | 60GB+ | 48GB+显存（如A100 80GB*4） | 顶级规模模型，适用于前沿研究和超高性能需求 |
请注意，以上配置是根据模型的参数量和一般硬件需求推测的，实际部署时可能需要根据具体情况进行调整。
对于显卡，若想利用 GPU 加速提升模型的运行速度，推荐使用 NVIDIA 的 RTX 系列显卡，显存不低于 8GB，例如 RTX 3060 及以上型号。NVIDIA 显卡在深度学习任务中表现出色，能够大幅缩短模型的推理时间，提供更流畅的使用体验。而对于硬盘，至少需要预留 50GB 的可用空间，用于存储模型文件、数据以及相关的依赖库。随着数据量的增加和模型的更新，建议预留更大的硬盘空间，以便未来扩展使用 。
如果是更高参数规模的模型，如 14B、32B 版本，对硬件的要求会相应提高。14B 版本模型可能需要 12 核心以上的 CPU、32GB 及以上的内存和 16GB 显存的显卡；32B 版本模型则可能需要 16 核心以上的 CPU、64GB 及以上的内存以及 24GB 显存的高端显卡 。因此，在选择部署的模型版本时，需要根据自身硬件配置进行合理评估，以确保模型能够在设备上稳定运行。
2.2 软件要求
软件方面，首先需要安装 Windows 系统，建议使用 Windows 10 及以上版本，以确保系统的兼容性和稳定性。Windows 系统作为广泛使用的操作系统，拥有丰富的软件资源和良好的用户界面，为 DeepSeek-R1 的部署和使用提供了便利的环境 。其次，Docker 是必不可少的软件。Docker 是一个开源的应用容器引擎，它可以将应用程序及其依赖项打包成一个可移植的容器，使得应用在不同的环境中能够稳定运行。在 Windows 上安装 Docker，可以通过官方网站（https://docs.docker.com/desktop/windows/install/）下载 Docker Desktop 安装包。下载完成后，双击安装包，按照安装向导的提示进行安装。在安装过程中，可能需要启用 Hyper-V 功能，对于 Windows 10 专业版，可以通过 “控制面板 - 程序和功能 - 启用或关闭 Windows 功能”，勾选 Hyper-V 来启用；对于 Windows 10 家庭版，需要通过特殊操作来添加，可在 cmd 命令行中输入 “systeminfo” 查看系统是否支持 Hyper-V 功能，若支持，可通过新建文本文档，复制相关代码并将后缀改为.cmd，以管理员身份运行该文件，重启后即可启用 Hyper-V。安装完成后，启动 Docker，在 cmd 命令行中输入 “docker version”，若能显示出版本信息，则说明安装成功 。另外，Ollama 也是部署 DeepSeek-R1 的重要工具。Ollama 是一个运行大模型的工具，类似于 Docker，它可以方便地下载和运行大模型。可以在 Ollama 官网（Ollama）下载适合 Windows 系统的安装包。下载完成后，正常安装即可。安装完成后，可以在命令行中输入 “ollama -v” 验证是否安装成功。为了方便管理模型文件，还可以配置环境变量，打开 windows 设置，依次点击 “系统 - 系统信息 - 高级系统设置 - 环境变量”，在系统变量中新建一个名为 “OLLAMA_MODELS” 的变量，变量值设置为希望存储模型文件的目录 。
三、Docker 环境搭建
3.1 安装 Docker Desktop
推荐查看我之前写的Windows10安装Docker Desktop精选文章，里面安装写得很详细，如下：Windows10安装Docker Desktop（大妈看了都会）https://xiaoxiang113.blog.csdn.net/article/details/137970794
https://xiaoxiang113.blog.csdn.net/article/details/137970794
在 Windows 系统上安装 Docker Desktop，首先需要访问 Docker 官方网站（https://www.docker.com/products/docker-desktop），在页面中找到适合 Windows 系统的下载链接，点击下载 Docker Desktop 安装程序。下载完成后，双击运行安装程序，安装向导会引导你完成后续安装步骤。
在安装过程中，会出现欢迎界面，点击 “OK” 继续。接着，需要接受许可协议，然后点击 “Install” 开始安装。安装过程可能需要一些时间，请耐心等待。安装完成后，系统会提示重新启动计算机，点击 “Close and restart” 完成重启。这一步非常重要，重启计算机可以启用必要的功能，确保 Docker Desktop 能够正常运行 。
重启计算机后，Docker Desktop 应该会自动启动。如果没有自动启动，可以在 “开始” 菜单中找到 Docker Desktop 并手动启动它。启动后，会看到 Docker 的欢迎界面，此时 Docker Desktop 正在自动配置环境，完成后会在系统托盘中显示 Docker 图标 。
3.2 配置 Docker
安装完成 Docker Desktop 后，为了加快镜像的下载速度，我们需要配置镜像源。国内有许多优质的镜像源可供选择，如阿里云、腾讯云等。以阿里云为例，首先使用淘宝或支付宝账号登录阿里云官网，在控制台中找到 “容器镜像服务”，点击进入后找到 “镜像加速器” 选项，即可获取专属的镜像加速器地址 。
接下来，打开 Docker Desktop 的设置。在系统右下角的托盘图标中，右键单击 Docker 图标，选择 “Settings”。在弹出的设置窗口中，左侧导航栏选择 “Docker Engine”，在右侧的编辑窗口中，找到 “registry-mirrors” 字段，将获取到的阿里云镜像加速器地址添加进去，例如：
{
"registry-mirrors": ["https://xxxx.mirror.aliyuncs.com"]
}修改完成后，点击 “Apply & Restart” 按钮，Docker 会自动重启并应用新的配置。这样，在后续拉取镜像时，就会从配置的镜像源下载，大大提高下载速度 。
配置完成后，可以通过命令行来验证镜像源是否配置成功。打开命令提示符或 PowerShell，输入 “docker info” 命令，在输出信息中查找 “Registry Mirrors” 字段，如果显示的是刚刚配置的镜像源地址，就说明配置成功了 。
四、方式1-基于 Ollama 部署
4.1 下载与安装 Ollama
在部署 DeepSeek-R1 模型时，Ollama 是一个非常实用的工具，它可以帮助我们轻松地在本地运行和管理大语言模型。首先，我们需要在 Windows 系统上下载和安装 Ollama。
访问 Ollama 官方下载网站（https://ollama.com/download），在网站上找到适用于 Windows 系统的下载链接，点击下载安装包。下载完成后，找到下载的安装包文件，通常是一个.exe 后缀的文件，双击运行安装程序。
在安装向导中，按照提示逐步进行操作。一般会出现欢迎界面，点击 “Next” 继续；然后阅读许可协议，勾选 “I accept the agreement” 接受协议，再点击 “Next”；接着选择安装路径，默认情况下会安装到系统盘（通常是 C 盘），如果想要更改安装路径，可以点击 “Browse” 选择其他磁盘和目录，设置好路径后点击 “Install” 开始安装。安装过程可能需要一些时间，请耐心等待，安装完成后点击 “Finish” 完成安装 。
安装完成后，需要验证 Ollama 是否安装成功。打开命令提示符（CMD）或 PowerShell，在命令行中输入 “ollama -v”，如果安装成功，会显示 Ollama 的版本信息，例如 “ollama version 0.5.7” 。这表明 Ollama 已经成功安装在你的系统中，可以开始使用它来下载和管理大模型了。
4.2 使用 Ollama 下载 DeepSeek-R1 模型
安装好 Ollama 后，就可以使用它来下载 DeepSeek-R1 模型了。Ollama 提供了简洁的命令行接口，让模型下载变得非常方便。
DeepSeek-R1 模型有多个版本可供选择，不同版本的模型参数规模和性能有所差异，你可以根据自己的硬件配置来选择合适的版本。例如，如果你使用的是配置较低的设备，如只有普通 CPU 且内存较小，可以选择下载参数规模较小的版本，像 1.5B 版本，它对硬件要求较低，在 CPU 上也能相对流畅地运行；如果你拥有高性能的 GPU 和较大的内存，那么可以选择下载参数规模更大的版本，如 7B、14B、32B 甚至 70B 版本，以获得更好的模型性能 。
在命令行中，使用以下命令来下载 DeepSeek-R1 模型：
# 下载1.5B版本
ollama run deepseek-r1:1.5b
# 下载7B版本（默认指令，若不指定版本，会下载此版本）
ollama run deepseek-r1
# 下载8B版本
ollama run deepseek-r1:8b
# 下载14B版本
ollama run deepseek-r1:14b
# 下载32B版本
ollama run deepseek-r1:32b
# 下载70B版本
ollama run deepseek-r1:70b当你执行上述命令时，Ollama 会首先检查本地是否已经存在该版本的模型，如果不存在，它会自动从远程仓库下载模型文件。模型的下载速度取决于你的网络状况，可能需要几分钟到几十分钟不等，请耐心等待下载完成 。
模型下载完成后，默认会存储在 Ollama 的模型存储目录中。如果你在安装 Ollama 后配置了环境变量 “OLLAMA_MODELS”，那么模型会存储在你指定的目录中；如果没有配置环境变量，模型会存储在默认的安装目录下，例如 “C:Users 你的用户名.ollamamodels” 。你可以通过 “ollama list” 命令来查看本地已经下载的模型列表，包括模型名称、ID、大小和修改时间等信息，确认 DeepSeek-R1 模型是否已经成功下载到本地 。本人电脑路径，仅供参考：C:UsersAdministrator.ollamamodels
4.3 与DeepSeek-R1对话
第一次对话可能有缓存，关掉对话框，重新打开PowerShell对话就正常了，如下所示：
对话测试1：
我失业了，没有存款，有老人要赡养和孩子养育，每月有5000的房贷和3000的房租，还有日常花销，我该怎么力?
对话测试2：
介绍一下广州
五、方式2-基于 Docker 的部署
5.1 拉取相关镜像（可选）
在基于 Docker 部署 DeepSeek-R1 时，若有官方或其他可靠来源提供的 Docker 镜像【目前作者试了还docker官方还没有，预计一段时间后会上映，docker pull deepseek-r1:latest】，拉取镜像这一步就十分关键。拉取镜像能快速获取预配置好的运行环境，大大简化部署流程。
打开命令提示符或 PowerShell，输入以下命令拉取 DeepSeek-R1 的 Docker 镜像。假设镜像名称为deepseek-r1:latest，其中latest表示最新版本标签，也可指定具体版本号，如deepseek-r1:v1.0：
docker pull deepseek-r1:latest执行该命令后，Docker 会从镜像仓库中查找并下载指定的 DeepSeek-R1 镜像。下载过程中，能看到下载进度条，显示已下载的镜像层和剩余下载量。下载速度取决于网络状况，若网络稳定且带宽充足，下载会较快完成；若网络不稳定，可能需要耐心等待。
拉取镜像前，可先使用docker images命令查看本地已有的镜像列表，确认是否已存在 DeepSeek-R1 镜像，避免重复下载 。
5.2 创建并运行容器
拉取镜像后，需创建并运行 Docker 容器，让 DeepSeek-R1 模型在容器中运行。创建容器时，要设置多个重要参数，以确保模型正常运行且便于与外部交互。
使用以下命令创建并运行 DeepSeek-R1 容器：
docker run -d -p 8080:8080 -v /path/to/local/data:/app/data --name deepseek-r1-container deepseek-r1:latest- -d：表示以后台模式运行容器，即容器在后台运行，不会占用当前命令行终端，可继续执行其他命令 。
- -p 8080:8080：将容器内的 8080 端口映射到宿主机的 8080 端口。这样，通过访问宿主机的 8080 端口，就能访问容器内运行的 DeepSeek-R1 服务。若宿主机 8080 端口已被占用，可修改为其他未被占用的端口，如-p 8081:8080，将容器内 8080 端口映射到宿主机 8081 端口 。
- -v /path/to/local/data:/app/data：将宿主机的/path/to/local/data目录挂载到容器内的/app/data目录。这允许容器访问宿主机上的指定目录，方便数据共享和持久化存储。例如，若要将本地的模型文件存储在/home/user/deepseek-r1-data目录，可设置为-v /home/user/deepseek-r1-data:/app/data。确保宿主机上的/path/to/local/data目录存在且有正确的读写权限，否则容器可能无法正常访问 。
- --name deepseek-r1-container：为容器指定名称deepseek-r1-container，方便后续管理和操作容器，如使用docker stop deepseek-r1-container停止容器，docker start deepseek-r1-container启动容器 。
- deepseek-r1:latest：指定要运行的 Docker 镜像，这里使用拉取的deepseek-r1:latest镜像 。
容器创建并运行后，可通过docker ps命令查看正在运行的容器列表，确认 DeepSeek-R1 容器是否成功启动。若容器启动失败，可使用docker logs deepseek-r1-container命令查看容器日志，了解错误原因并进行排查 。
5.3 官方推荐Sglang部署
因为上面官方Docker里面还没有镜像，本人推荐使用DeepSeek官方推荐的sglang部署，有5种方式，下面我我使用docker compose方式：
Install SGLang — SGLang
services:
sglang:
image: lmsysorg/sglang:latest
container_name: sglang
volumes:
- ${HOME}/.cache/huggingface:/root/.cache/huggingface
# If you use modelscope, you need mount this directory
# - ${HOME}/.cache/modelscope:/root/.cache/modelscope
restart: always
network_mode: host # required by RDMA
privileged: true # required by RDMA
# Or you can only publish port 30000
# ports:
# - 30000:30000
environment:
HF_TOKEN:
# if you use modelscope to download model, you need set this environment
# - SGLANG_USE_MODELSCOPE: true
entrypoint: python3 -m sglang.launch_server
command: --model-path meta-llama/Llama-3.1-8B-Instruct
--host 0.0.0.0
--port 30000
ulimits:
memlock: -1
stack: 67108864
ipc: host
healthcheck:
test: ["CMD-SHELL", "curl -f http://localhost:30000/health || exit 1"]
deploy:
resources:
reservations:
devices:
- driver: nvidia
device_ids: ["0"]
capabilities: [gpu] 将 compose.yml 复制到本地计算机
在终端中执行命令。docker compose up -d
六、部署后的测试与验证
6.1 启动服务
完成上述部署步骤后，即可启动 DeepSeek-R1 服务。若通过 Docker 部署，且容器已成功创建并运行，可通过以下命令确保容器正在运行：
docker ps在输出结果中，应能看到名为deepseek-r1-container（若在创建容器时指定了该名称）的容器，其状态为 “Up”，表明容器正在运行，DeepSeek-R1 服务也在正常运行中 。
若使用 Ollama 部署，可在命令行中输入以下命令启动 Ollama 服务（若服务未自动启动）：
ollama serve该命令会启动 Ollama 服务，使其监听默认端口（通常为 11434），以便与 DeepSeek-R1 模型进行交互 。
6.2 测试模型
测试 DeepSeek-R1 模型的方法有多种，这里介绍通过命令行和 Web 界面两种方式进行测试。
命令行测试：
若使用 Ollama 部署，可在命令行中直接与模型进行交互。在命令行中输入以下命令，即可进入与 DeepSeek-R1 模型的交互界面：
ollama run deepseek-r1若下载的是特定版本的模型，如deepseek-r1:7b，则使用对应的命令：
ollama run deepseek-r1:7b进入交互界面后，会看到命令行提示符发生变化，此时可输入问题或任务让模型处理。例如，输入 “请介绍一下 Python 语言的特点”，模型会进行分析和处理，并返回相应的回答 。模型处理过程中，可能会显示一些中间信息，如思考过程等，最终会输出完整的回答内容。回答完成后，可继续输入新的问题，持续与模型进行交互 。
Web 界面测试：
为了通过 Web 界面与 DeepSeek-R1 模型进行交互，可使用一些支持 Ollama 模型的 WebUI 工具，如 Open WebUI。首先，需要按照相应的部署指南部署 Open WebUI。以 Docker 部署为例，使用以下命令启动 Open WebUI 容器：
docker run -d -p 3006:8080 --add-host=host.docker.internal:host-gateway -v open-webui:/app/backend/data --name open-webui --restart always ghcr.io/open-webui/open-webui:main上述命令中，-p 3006:8080将容器内的 8080 端口映射到宿主机的 3006 端口，通过浏览器访问http://localhost:3006即可打开 Open WebUI 界面 。首次访问时，可能需要创建管理员账号，按照提示完成注册。
登录 Open WebUI 后，在界面中找到模型配置相关的选项，选择 “Ollama 兼容” 模型类型，并配置模型名称为deepseek-r1（若为特定版本，如deepseek-r1:7b，则填写对应的名称），API 地址为http://host.docker.internal:11434（若 Ollama 与 Open WebUI 在同一宿主机上部署） 。配置完成后，点击 “验证连接”，确保模型连接正常。
连接成功后，即可在 Web 界面的输入框中输入问题或任务，如 “介绍一下广州塔”，点击发送按钮，模型会在后台处理请求，并在界面中返回回答结果 。Web 界面通常还提供了更多的交互功能，如查看历史对话记录、调整模型参数（如温度、最大生成长度等），方便用户更好地使用模型 。
七、常见问题及解决方法
在部署 DeepSeek-R1 的过程中，可能会遇到各种问题，以下是一些常见问题及解决方法。
7.1 网络问题
- 问题描述：在使用 Ollama 下载模型或通过 Docker 拉取镜像时，可能会因为网络不稳定或速度过慢导致下载失败，出现超时错误或下载中断的情况 。
- 解决方法：检查网络连接是否正常，可以尝试访问其他网站或下载其他文件来确认。如果网络连接正常，但下载速度较慢，可以更换网络环境，如从移动网络切换到 Wi-Fi 网络；或者使用代理服务器，在命令行中设置代理环境变量，例如在 Windows 系统的命令提示符中，使用命令set HTTP_PROXY=http://your_proxy:port和set HTTPS_PROXY=https://your_proxy:port（将your_proxy:port替换为实际的代理地址和端口） 。此外，还可以在 Docker 的配置中添加代理设置，在 Docker Desktop 的设置中，找到 “Proxies” 选项，填写代理服务器信息，然后重启 Docker 使设置生效 。
7.2 依赖冲突
- 问题描述：如果系统中已经安装了与 DeepSeek-R1 部署相关的依赖库，且版本不兼容，可能会导致部署失败。例如，已经安装的 Python 库版本与 Ollama 或 Docker 依赖的库版本冲突，可能会出现模块导入错误或运行时错误 。
- 解决方法：使用虚拟环境来隔离不同项目的依赖。对于 Python 项目，可以使用venv或conda创建虚拟环境。以venv为例，在命令行中输入python -m venv deepseek-env创建名为deepseek-env的虚拟环境，然后使用deepseek-envScriptsctivate（Windows 系统）或source deepseek-env/bin/activate（Linux 和 macOS 系统）激活虚拟环境，在虚拟环境中安装所需的依赖，这样可以避免与系统全局环境中的依赖冲突 。如果已经出现依赖冲突问题，可以通过pip list命令查看已安装的库及其版本，使用pip uninstall卸载冲突的库，然后重新安装指定版本的库，或者参考项目的官方文档，查看推荐的依赖版本并进行相应调整 。
7.3 硬件资源不足
- 问题描述：运行 DeepSeek-R1 模型对硬件资源有一定要求，如果硬件配置较低，可能会出现运行缓慢、内存不足甚至无法启动的问题。例如，在使用较低配置的 CPU 和内存时，模型推理速度会明显变慢；当模型所需的显存超过显卡的实际显存时，会出现显存不足的错误 。
- 解决方法：对于内存不足的问题，可以关闭其他不必要的程序，释放系统内存。如果是运行较大参数规模的模型，如 32B、70B 版本，而硬件配置无法满足要求，可以考虑更换更高配置的硬件，如增加内存容量、升级显卡等 。另外，也可以选择下载和运行参数规模较小的模型版本，如 1.5B、7B 版本，这些版本对硬件要求相对较低，在配置较低的设备上也能较好地运行 。在运行模型时，可以使用系统监控工具，如 Windows 系统的任务管理器或 Linux 系统的top命令，实时监控硬件资源的使用情况，以便及时发现和解决资源不足的问题 。
7.4 Docker 容器启动失败
- 问题描述：在创建和运行 Docker 容器时，可能会因为各种原因导致容器启动失败，如端口冲突、挂载目录错误等。例如，指定的端口已经被其他程序占用，会导致端口映射失败，容器无法正常启动；挂载目录不存在或权限不足，会导致容器内无法访问宿主机的指定目录 。
- 解决方法：如果是端口冲突问题，可以使用netstat -ano命令（Windows 系统）或lsof -i :端口号命令（Linux 和 macOS 系统）查看指定端口的占用情况，找到占用端口的程序并关闭它，或者修改 Docker 容器的端口映射，将容器内的端口映射到其他未被占用的端口 。对于挂载目录错误，首先确保宿主机上的挂载目录存在，可以使用mkdir命令创建目录；然后检查目录的权限，确保运行 Docker 的用户对该目录有读写权限，必要时可以使用chmod命令修改目录权限 。此外，还可以通过docker logs 容器名称命令查看容器的日志，获取详细的错误信息，以便更准确地定位和解决问题 。
八、DeepSeek相关的代码示例
8.1Python SDK调用示例
配置API，进行基础对话和推理模型示例调用。
import openai
# 配置API
openai.api_key = "YOUR_API_KEY"
openai.api_base = "https://api.deepseek.com/v1"
# 基础对话示例
def basic_chat():
try:
response = openai.ChatCompletion.create(
model="deepseek-chat",
messages=[
{"role": "user", "content": "你好，请介绍一下你自己"}
]
)
print(response.choices[0].message.content)
except Exception as e:
print(f"Error: {e}")
# 推理模型示例
def reasoning_chat():
try:
response = openai.ChatCompletion.create(
model="deepseek-reasoner",
messages=[
{"role": "user", "content": "请解决这个问题：一个小球从10米高度自由落下，每次弹起高度为原高度的一半，问第三次落地时共经过多少米？"}
]
)
print(response.choices[0].message.content)
except Exception as e:
print(f"Error: {e}")
if __name__ == "__main__":
basic_chat()
reasoning_chat()
8.2使用DeepSeek R1和Ollama开发RAG系统
利用PDFPlumberLoader提取PDF文本，SemanticChunker进行文档语义分块，HuggingFaceEmbeddings生成文本嵌入，FAISS构建向量数据库，Ollama配置DeepSeek R1模型，以及PromptTemplate定义提示模板，组装RAG处理链。
import streamlit as st
from langchain_community.document_loaders import PDFPlumberLoader
from langchain_experimental.text_splitter import SemanticChunker
from langchain_community.embeddings import HuggingFaceEmbeddings
from langchain_community.vectorstores import FAISS
from langchain_community.llms import Ollama
# 创建Streamlit文件上传组件
uploaded_file = st.file_uploader("上传PDF文件", type="pdf")
if uploaded_file:
# 临时存储PDF文件
with open("temp.pdf", "wb") as f:
f.write(uploaded_file.getvalue())
# 加载PDF内容
loader = PDFPlumberLoader("temp.pdf")
docs = loader.load()
# 初始化语义分块器
text_splitter = SemanticChunker(
HuggingFaceEmbeddings(model_name="all-MiniLM-L6-v2")
)
# 执行分块操作
documents = text_splitter.split_documents(docs)
# 生成文本嵌入
embeddings = HuggingFaceEmbeddings()
vector_store = FAISS.from_documents(documents, embeddings)
# 配置检索器
retriever = vector_store.as_retriever(search_kwargs={"k": 3})
# 初始化本地模型
llm = Ollama(model="deepseek-r1:1.5b")
# 定义提示模板
prompt_template = """
根据以下上下文：
{context}
问题：{question}
回答要求：
1. 仅使用给定上下文
2. 不确定时回答"暂不了解"
3. 答案控制在四句话内
最终答案：
"""
QA_PROMPT = PromptTemplate.from_template(prompt_template)
# 创建LLM处理链
llm_chain = LLMChain(llm=llm, prompt=QA_PROMPT)
# 配置文档组合模板
document_prompt = PromptTemplate(
template="上下文内容:
{page_content}
来源:{source}",
input_variables=["page_content", "source"]
)
# 构建完整RAG管道
qa = RetrievalQA(
combine_documents_chain=StuffDocumentsChain(
llm_chain=llm_chain,
document_prompt=document_prompt
),
retriever=retriever
)
# 创建问题输入框
user_question = st.text_input("输入您的问题：")
if user_question:
with st.spinner("正在生成答案..."):
# 执行查询并显示结果
response = qa(user_question)["result"]
st.success(response)这些代码示例可以帮助您更好地理解和使用DeepSeek，实现各种应用场景。
8.3 DeepSeek-R1 API来生成文章的大纲
如果您需要使用DeepSeek-R1来撰写文章，可以参考以下代码示例，它展示了如何调用DeepSeek-R1 API来生成文章的大纲，包括引言、主体部分和结论。您可以根据这个大纲来撰写文章的结尾部分，确保它与文章的主要内容和观点相呼应。
import requests
# 填写你的 API Key
API_KEY = "sk-你的密钥"
url = "https://api.deepseek.com/chat/completions"
headers = {
"Content-Type": "application/json",
"Authorization": f"Bearer {API_KEY}"
}
data = {
"model": "deepseek-reasoner", # 指定使用 R1 模型（deepseek-reasoner）
"messages": [
{"role": "system", "content": "你是一个专业的助手"},
{"role": "user", "content": "请帮我生成“中国农业情况”这篇文章的大纲"}
],
"stream": False # 关闭流式传输
}
response = requests.post(url, headers=headers, json=data)
if response.status_code == 200:
result = response.json()
print(result['choices'][0]['message']['content']) # 输出大纲内容
else:
print("请求失败，错误码：", response.status_code)请注意，上述代码需要您替换API_KEY为您自己的DeepSeek API密钥。此外，您可能需要根据实际需求调整API的URL、请求头和数据内容。
九、总结与展望
在本次部署指南中，我们全面且深入地探讨了在 Windows 系统上借助 Docker 进行 DeepSeek-R1 本地部署的详细过程。从前期的准备工作，包括对硬件和软件的严格要求，到 Docker 环境的精心搭建、Ollama 的巧妙运用，再到基于 Docker 的具体部署步骤以及最后的测试与验证，每一个环节都至关重要，共同构成了成功部署 DeepSeek-R1 的关键路径。
DeepSeek-R1 的本地部署具有不可忽视的价值。它为我们带来了低延迟的交互体验，让我们在与模型对话时能够迅速得到回应，极大地提高了工作效率；同时，高度的隐私性确保了敏感数据的安全，无需担忧数据在云端传输和存储过程中的泄露风险；强大的控制权则允许我们根据自身的特定需求，对模型进行灵活的定制化配置和优化，使其更好地服务于各种业务场景 。
展望未来，随着技术的不断进步，DeepSeek-R1 有望在更多领域得到广泛应用。在教育领域，它可以作为智能辅导工具，为学生提供个性化的学习指导，帮助学生更好地理解和掌握知识；在医疗领域，能够辅助医生进行疾病诊断和药物研发，为医疗决策提供有力支持；在工业制造领域，可用于生产流程的优化和故障预测，提高生产效率和产品质量 。
在优化方向上，模型的性能提升将是持续的追求目标。研发团队可以进一步优化算法，提高模型的推理速度和准确性，使其能够处理更复杂的任务；在资源利用方面，通过技术创新，实现对硬件资源的更高效利用，降低部署成本，让更多用户能够轻松使用 DeepSeek-R1；而在功能拓展上，增加对多模态数据的支持，如语音、图像等，将极大地丰富模型的应用场景，为用户带来更加多样化的服务 。相信在未来，DeepSeek-R1 将在人工智能领域发挥更大的作用，为我们的生活和工作带来更多的便利和创新。
感谢您耐心阅读本文。希望本文能为您提供有价值的见解和启发。如果您对[Windows+docker本地部署DeepSeek-R1]有更深入的兴趣或疑问，欢迎继续关注相关领域的最新动态，或与我们进一步交流和讨论。让我们共同期待[Windows+docker本地部署DeepSeek-R1]在未来的发展历程中，能够带来更多的惊喜和突破。
再次感谢，祝您拥有美好的一天！
博主还写了本文相关文章，欢迎大家批评指正：
1、DeepSeek：打工人的高效工作神器
2、DeepSeek开启程序员副业增收新通道，财富密码大公开！
3、手把手教你在Windows+docker本地部署DeepSeek-R1
