解锁DeepSeek潜能：Docker+Ollama打造本地大模型部署新范式

Ne0inhk

— 6 min read
解锁DeepSeek潜能：Docker+Ollama打造本地大模型部署新范式

🐇明明跟你说过：个人主页

🏅个人专栏：《深度探秘：AI界的007》 🏅

🔖行路有良友，便是天堂🔖

目录

一、引言

1、什么是Docker

2、什么是Ollama

二、准备工作

1、操作系统

2、镜像准备

三、安装

1、安装Docker

2、启动Ollama

3、拉取Deepseek大模型

4、启动Deepseek 

一、引言

1、什么是Docker

Docker：就像一个“打包好的App”

想象一下，你写了一个很棒的程序，在自己的电脑上运行得很好。但当你把它发给别人，可能会遇到各种问题：

  • “这个软件需要 Python 3.8，但我只有 Python 3.6！”
  • “我没有你用的那个库，安装失败了！”
  • “你的程序要跑在 Linux，我的电脑是 Windows！”

💡 Docker 的作用：它就像一个“打包好的 App”，把你的软件、依赖、环境、系统配置等 全部封装到一个“容器” 里，别人拿到这个容器，就能直接运行，而不用关心它内部的细节。

🚀 把 Docker 想象成“集装箱”

传统运输 vs. 集装箱运输

以前（传统部署）：

  • 货物（程序）需要不同的包装方式（运行环境）
  • 货物可能损坏（环境不兼容）
  • 装卸麻烦（程序迁移难）

有了 Docker（容器部署）：

  • 货物装进标准化集装箱（Docker 容器）
  • 不管运到哪里，集装箱里东西不变（程序环境一致）
  • 码头和船只可以直接装卸（轻松部署到不同系统）

Docker 让软件像“集装箱”一样标准化、可移植、易部署！ 🚢

2、什么是Ollama

Ollama 是一个本地运行大语言模型（LLM）的工具，它可以让你 在自己的电脑上直接运行 AI 模型，而不需要连接云端服务器。

💡 简单来说：Ollama 让你像运行普通软件一样，轻松在本地使用 ChatGPT、Llama、Mistral、Gemma 等大语言模型。

🚀 Ollama 的核心特点

  1. 本地运行 🏠
    • 你不需要联网，也不用担心隐私问题，所有计算都在你的电脑上完成。
  2. 支持多种开源模型 📚
    • 可以运行 Llama 3、Mistral、Gemma、Code Llama 等不同的大模型。
  3. 易于安装和使用 🔧
    • 只需要几条命令，就能下载并运行 AI 模型。
  4. 轻量化优化 ⚡
    • 适配 Mac（Apple Silicon）、Linux 和 Windows，支持 GPU 加速，让模型运行更快。
  5. 离线推理 🔒
    • 适合不想依赖 OpenAI API 或其他云端 AI 服务的用户。

二、准备工作

1、操作系统

这里我们使用的操作系统为Centos 7.9，配置为4核8G，大家也可以使用其他的Linux发行版本，或者使用Windows。

2、镜像准备

如果已经安装了Docker，可以提前准备好镜像，ollama/ollama，镜像比较大，拉取会耗一些时间

三、安装

1、安装Docker

1.关闭防火墙

systemctl stop firewalld && systemctl disabled firewalld

2.关闭SELinux

setenforce 0

3.更换yum源

rm -f /etc/yum.repos.d/* curl -o /etc/yum.repos.d/CentOS-Base.repo http://mirrors.aliyun.com/repo/Centos-7.repo yum clean all && yum makecache

4.安装依赖项

yum install -y yum-utils device-mapper-persistent-data lvm2

5. 添加Docker源

yum-config-manager --add-repo http://mirrors.aliyun.com/docker-ce/linux/centos/docker-ce.repo

 6.安装Docker

yum install docker-ce -y

7.添加Docker镜像加速器

vim /etc/docker/daemon.json # 添加如下内容 { "registry-mirrors": [ "https://docker.m.daocloud.io", "https://noohub.ru", "https://huecker.io", "https://dockerhub.timeweb.cloud", "https://0c105db5188026850f80c001def654a0.mirror.swr.myhuaweicloud.com", "https://5tqw56kt.mirror.aliyuncs.com", "https://docker.1panel.live", "http://mirrors.ustc.edu.cn/", "http://mirror.azure.cn/", "https://hub.rat.dev/", "https://docker.ckyl.me/", "https://docker.chenby.cn", "https://docker.hpcloud.cloud", "https://docker.m.daocloud.io" ] }

8.启动Docker

systemctl start docker

2、启动Ollama

1.启动Ollama容器

docker run -itd -v ollama:/root/.ollama -p 11434:11434 --name ollama ollama/ollama
  • docker run    运行一个新的 Docker 容器
  • -itd    组合多个选项：
    •  ✅ -i（保持标准输入）
    •  ✅ -t（分配终端）
    •  ✅ -d（后台运行容器）
  • -v ollama:/root/.ollama    挂载数据卷，把 ollama 这个 Docker 数据卷 绑定到容器的 /root/.ollama 目录，确保数据持久化（如下载的模型不会丢失）。
  • -p 11434:11434    端口映射，把 宿主机（本机）的 11434 端口 映射到 容器 内部的 11434 端口，这样宿主机可以通过 http://localhost:11434 访问 Ollama 服务。
  • --name ollama    指定 容器名称 为 ollama，方便管理和启动。
  • ollama/ollama    使用的 Docker 镜像，这里是 官方的 Ollama 镜像。

如果是使用GPU运行，则用下面的命令启动

docker run -itd --name ollama --gpus=all -v ollama:/root/.ollama -p 11434:11434 ollama/ollama

 2.查看Ollama容器

docker ps

 

 

3、拉取Deepseek大模型

1.进入到容器中 

docker exec -it ollama /bin/bash

2.拉取模型

ollama pull deepseek-r1:7b

 

 

在官网中，有许多Deepseek的模型，这里主要是演示，所以拉取了一个较小的模型

官网地址：deepseek-r1

 

 

3.查看模型

ollama list

 

 

4、启动Deepseek 

ollama run deepseek-r1:7b

 

 

 💕💕💕每一次的分享都是一次成长的旅程，感谢您的陪伴和关注。希望这些文章能陪伴您走过技术的一段旅程，共同见证成长和进步！😺😺😺



🧨🧨🧨让我们一起在技术的海洋中探索前行，共同书写美好的未来！！！  

Read more

Python文本为什么会乱码？从根源到解决方案的深度解析

“乱码”是每个Python开发者，尤其是处理中文、日文等非ASCII字符时，都会遇到的“噩梦”。明明代码逻辑正确，文件也存在，但打印出来或保存的文件却是一堆莫名其妙的符号（如éÂ\x87Â\x91éÂ\x9eÂ\x93）。 这篇文章将带你彻底理解乱码产生的根本原因，并提供一套行之有效的解决方案和最佳实践。 一、乱码的本质：编码与解码的“鸡同鸭讲” 要理解乱码，首先必须明白两个核心概念：字符集（Charset） 和 字符编码（Character Encoding）。 1. 字符集（Charset）：是一个系统支持的所有抽象字符的集合。比如： * ASCII：包含128个字符（英文字母、数字、符号），用1个字节（8位）表示。 * GBK/GB2312：中国国家标准，包含汉字、符号等，用1或2个字节表示。 * Unicode：

By Ne0inhk

B站充电视频下载器（需配合会员Cookie使用，仅供学习交流，Python）

这个程序是一个用于下载B站充电视频的工具，依赖于用户提供的会员Cookies。如何获取B站cookie请参考本站cookie登录b站获取cookie登录billbill教程。 程序主要功能：加载和验证Cookies，从文件中读取Cookies，并验证其有效性。获取视频信息，通过B站API获取视频的详细信息。获取视频播放地址，通过B站API获取视频的实际播放地址。 下载视频，从播放地址下载视频文件，并显示下载进度。 首先，类定义和初始化。初始化时从 cookie_file 中加载Cookies，并设置HTTP请求头。 class ChargeVideoDownloader: def __init__(self, cookie_file): self.headers = { 'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/

By Ne0inhk

python addict的用法

addict 是一个流行的 Python 第三方库，主要用来让你像访问属性一样访问字典里的数据（即点操作符访问属性，而不是方括号），从而使字典操作更方便和美观。常用的核心类为Dict。 基本用法 安装 addict pip install addict 基本示例 from addict import Dict data = Dict() data.name ="Tom"# 直接赋值属性 data.age =21print(data)# {'name': 'Tom', 'age': 21}print(data.name)# 'Tom'print(data[

By Ne0inhk

FMPy完全指南：Python中FMU仿真的终极解决方案

FMPy完全指南：Python中FMU仿真的终极解决方案 【免费下载链接】FMPySimulate Functional Mockup Units (FMUs) in Python 项目地址: https://gitcode.com/gh_mirrors/fm/FMPy 在当今复杂的工程仿真领域，功能性模型单元（FMU）已成为系统建模和仿真的标准格式。FMPy作为一款强大的Python库，为工程师和研究人员提供了在Python环境中轻松模拟FMU文件的完整工具链。这款免费开源工具支持从FMI 1.0到3.0的全系列标准，无论是Co-Simulation还是Model Exchange模式，都能在Windows、Linux和macOS系统上无缝运行。 为什么选择FMPy进行FMU仿真？ 多平台兼容性保障 FMPy采用纯Python实现，确保了跨平台的兼容性。无论您使用的是哪种操作系统，都能获得一致的仿真体验。这种设计理念使得团队协作更加顺畅，无需担心环境差异带来的问题。 完整的FMI标准支持 从基础到高级，FMPy全面覆盖FMI标准的所有版本。这意味着您可以导入和使用市面

By Ne0inhk