deepseek-r1本地安装教程（超详细）
本地安装deepseek-r1模型
1 首先下载ollama
打开网址：https://ollama/（注意前面有没有www），无需魔法工具。
点击Download
选择你电脑对应的版本：
下载之后安装，安装成功后，会出现这样的ollama标志：
或者用cmd命令，打开终端，输入：
ollama --version
终端响应命令，出现版本号，则说明ollama已经安装成功，并且运行。
ollama version is 0.5.7
2 下载deepseek-r1:1.5b
在ollama官网上点击Models
看看有哪些模型：
点击deepseek-r1,具体看看细节。
ollama run deepseek-r1，命令，默认安装7b模型。
我们要根据自己电脑配置来选择模型，模型越小，跑得越快。我的显卡不够，但是我的内存有40G，我决定用我的内存来跑。一般的，空闲的内存是模型大小的两倍，才能跑起这个模型，比如7b模型，大小是4.7G，那么你空闲的内存要大于10G才行（我发现它的模型大小，比huggingface的模型要小得多，huggingface上的7b模型，大小约是14G）。
我们先从最简单的模型开始下载，在终端输入：
ollama pull deepseek-r1:1.5b
就会开始下载deepseek-r1:1.5b模型（说明：无需科学上网，在huggingface上下载模型，还需要科学上网），我的下载速度约为2-10M/s。
下载成功后，我们进行验证，在终端输入：
ollama list
出现已安装的模型的列表，说明安装成功：
NAME ID SIZE MODIFIED
deepseek-r1:1.5b a42b25d8c10a 1.1 GB 11 seconds ago
3 试用deepseek-r1
在终端运行：
ollama run deepseek-r1:1.5b
然后就可以跟她对话了：
开始，我发现不能显示思考部分，于是就加了--verbose显示中间过程。
ollama run deepseek-r1:1.5b --verbose
以下是终端的一些简单用法，更详细的教程可参考ollama的教程。
1）/? 获得帮助
2）/? set 获得set子命令的帮助
3）/clear 清除历史会话
4）/bye 退出模型，回到cmd命令
5）/show 显示模型细节
4 更改模型的目录
默认模型的文件存储在：
C:\Users\Administrator\.ollama\models
具体到个人，路径可能稍有不同。
我们查看models文件夹大小，约为1G，说明deepseek-r1:1.5b确实存在这。
我们将models下面的两个子文件夹剪切到想要更改模型的目录：
D:\Ollama\Models（可以自定义）
这时，再次依照3来运行大模型，发现会出错。
我们通过更改环境变量，来改变ollama模型的文件存储位置。
点击windows窗口图标，搜索环境变量：
点击编辑系统环境变量：
再点击下方的环境变量：
在系统变量的下方点击新建，输入变量名和变量值（变量值就是之前设定的目录）：
点击确定，设定完环境变量后，重启电脑，再次进行3来运行大模型，如果能够正常运行大模型，说明ollama模型默认存储位置更改成功。
5 各种模型运行时的比较
这里着重比较其运行速度。
分别下载了1.5b、7b、32b大模型：
首先运行1.5b的大模型：
ollama run deepseek-r1:1.5b --verbose
装载之后，内存增加5%（我是40G的内存）
然后问同样的问题：你好，请详细介绍什么是人工智能？
我们看到速度可以达到29.08 tokens/s
运行7b的大模型：
ollama run deepseek-r1:7b --verbose
装载之后，内存增加14%（我是40G的内存）
然后问同样的问题：你好，请详细介绍什么是人工智能？
我们看到速度可以达到5.02 tokens/s，这速度勉强还能接受。
运行32b的大模型：
ollama run deepseek-r1:32b --verbose
装载之后，内存增加48%（我是40G的内存）
然后问同样的问题：你好，请详细介绍什么是人工智能？
我们看到速度可以达到1.26 tokens/s，这速度有点慢，但是也值得的，毕竟我的笔记本电脑运行了堪比ChatGPT o1-mini的大模型。
6 总结
用ollama下载大模型与用huggingface下载，主要区别有：
1）huggingface下载需要科学上网，而ollama不需要。
2）同样规格的模型，ollama下载的比huggingface要小3-4倍（有哪位好心人知道原因，科普一下）。
3）同样规格的模型，ollama推理运行速度比huggingface要快3-4倍。
接下来的研究方向：
1）使用Web UI，搭建本地知识库问答。
2）使用ollama的API，实现自已的应用程序。
3）结合LangChain，实现各种功能的智能体。
