安装DeepSeek开发框架 - 《DeepSeek原生应用与智能体开发实践》第2章实践案例

DeepSeek开发环境配置与开放API使用实践指南

本文对应《DeepSeek原生应用与智能体开发实践》第2章完整实践案例
在这里插入图片描述

安装DeepSeek开发框架

第 2 章　DeepSeek开发环境配置与开放API使用

本章将引导读者完成DeepSeek开发环境的搭建，并初步体验DeepSeek开放API的使用。本节将重点介绍DeepSeek开发框架的安装过程。

2.1 安装Python开发环境

在安装DeepSeek开发框架之前，需要确保我们的计算机上已经配置好Python开发环境。推荐使用Miniconda作为Python环境管理器，并使用PyCharm作为集成开发环境（IDE）。

2.1.1 Miniconda的下载与安装

Miniconda是一个轻量级的Anaconda发行版，仅包含conda、Python和一些必要的包。我们可以从Anaconda官网下载适合我们操作系统的Miniconda安装包。

操作步骤：

  1. 访问Anaconda官网的Miniconda下载页面：https://docs.conda.io/en/latest/miniconda.html

  2. 根据我们的操作系统（Windows、macOS或Linux）选择对应的Python 3.x版本的安装包进行下载。

  3. 下载完成后，运行安装包并按照提示进行安装。在安装过程中，建议勾选将Miniconda添加到系统环境变量的选项。

  4. 安装完成后，打开命令行终端（Windows下为Anaconda Prompt，macOS/Linux下为Terminal），输入以下命令检查conda是否安装成功：

    conda --version

    如果能正确显示conda的版本信息，则说明Miniconda安装成功。

2.1.2 PyCharm的下载与安装

PyCharm是一款功能强大的Python IDE，可以提供代码编辑、调试、项目管理等多种功能，有助于提高开发效率。我们可以从JetBrains官网下载PyCharm Community Edition（社区版），该版本免费且功能足够满足DeepSeek开发的需求。

操作步骤：

  1. 访问JetBrains官网的PyCharm下载页面：https://www.jetbrains.com/pycharm/download/
  2. 在下载页面中，选择Community Edition进行下载。
  3. 下载完成后，运行安装包并按照提示进行安装。
  4. 安装完成后，启动PyCharm。首次启动时，会提示进行一些基本配置，我们可以根据自己的习惯进行设置。

2.2 安装DeepSeek开发框架

DeepSeek开发框架的安装主要依赖于PyTorch，因为DeepSeek模型通常基于PyTorch实现。根据我们的硬件配置，可以选择安装CPU版本或GPU版本的PyTorch。

2.2.1 不同显卡与运行库的选择

如果我们希望利用GPU加速DeepSeek模型的运行，需要安装与我们的NVIDIA显卡兼容的CUDA和cuDNN运行库。

  • CUDA (Compute Unified Device Architecture) 是NVIDIA推出的并行计算平台和API，用于在NVIDIA GPU上进行通用计算。
  • cuDNN (CUDA Deep Neural Network library) 是NVIDIA提供的针对深度神经网络的GPU加速库，包含了常用的神经网络计算优化。

在安装PyTorch GPU版本之前，请确保我们的计算机满足以下条件：

  • 拥有NVIDIA独立显卡。
  • 安装了与我们的显卡驱动版本兼容的CUDA Toolkit。我们可以访问NVIDIA官网下载并安装CUDA Toolkit：https://developer.nvidia.com/cuda-toolkit-archive
  • （可选，但推荐）下载并安装与我们的CUDA版本兼容的cuDNN。我们需要在NVIDIA开发者网站注册并下载cuDNN：https://developer.nvidia.com/cudnn 下载后，通常需要将cuDNN的库文件复制到CUDA Toolkit的安装目录下。

注意： 不同版本的PyTorch可能对CUDA和cuDNN的版本有要求，请务必参考PyTorch官网的安装指南，选择与我们环境兼容的版本。

如果我们没有NVIDIA显卡或者不希望使用GPU加速，可以选择安装PyTorch的CPU版本，DeepSeek框架在CPU上也可以运行，但速度可能会相对较慢。

2.2.2 PyTorch GPU版本的安装

在确认我们的GPU环境配置满足要求后，可以使用conda命令安装PyTorch GPU版本。请访问PyTorch官网的安装指南页面：https://pytorch.org/get-started/locally/，根据我们的CUDA版本选择合适的安装命令。

示例（请根据PyTorch官网的最新信息进行调整）：

假设我们的CUDA版本是11.8，我们可以使用以下命令安装PyTorch GPU版本：

conda install pytorch torchvision torchaudio pytorch-cuda=11.8 -c pytorch -c nvidia

如果我们希望安装指定版本的PyTorch，可以在命令中指定版本号，例如：

conda install pytorch==1.13.1 torchvision torchaudio pytorch-cuda=11.8 -c pytorch -c nvidia

对于CPU版本，可以使用以下命令安装：

conda install pytorch torchvision torchaudio cpuonly -c pytorch

在执行安装命令之前，建议我们创建一个新的conda环境，以避免与其他Python包产生冲突：

conda create -n deepseek_env python=3.9  # 创建一个名为deepseek_env的Python 3.9环境
conda activate deepseek_env             # 激活该环境

然后在激活的环境中执行PyTorch的安装命令。

2.2.3 测试PyTorch和CUDA安装信息

安装完成后，可以通过Python代码来测试PyTorch是否安装成功以及CUDA是否可用。

操作步骤：

  1. 打开PyCharm或者在命令行终端中输入python进入Python交互式环境。

  2. 输入以下代码并执行：

    import torch

print(torch.__version__)
print(torch.cuda.is_available())
if torch.cuda.is_available():
    print(torch.cuda.device_count())
    print(torch.cuda.get_device_name(0))

代码解释：

  • import torch: 导入PyTorch库。
  • print(torch.__version__): 打印PyTorch的版本信息，用于确认安装是否成功。
  • print(torch.cuda.is_available()): 返回一个布尔值，指示CUDA是否可用。如果返回True，则说明PyTorch可以检测到可用的CUDA设备。
  • if torch.cuda.is_available():: 如果CUDA可用，则执行以下代码。
  • print(torch.cuda.device_count()): 打印可用的CUDA设备的数量。
  • print(torch.cuda.get_device_name(0)): 打印第一个CUDA设备的名称。

如果能够正确打印PyTorch版本信息，并且在CUDA可用时显示True以及我们的GPU信息，则说明PyTorch和CUDA安装成功。

2.3 在线DeepSeek应用配置详解

在成功安装Python开发环境和PyTorch之后，我们可以开始体验DeepSeek的在线API。DeepSeek提供了一系列强大的语言模型，我们可以通过简单的API调用在我们的应用中使用它们。

2.3.1 DeepSeek简介与免费使用

DeepSeek是一家专注于人工智能大模型研发的公司，提供了包括文本生成、代码生成等多种能力的API。通常，DeepSeek会提供一定的免费额度供开发者体验和测试。我们需要访问DeepSeek的官方网站或者开发者平台注册账号并获取API密钥。

操作步骤：

  1. 访问DeepSeek官方网站（请查阅最新的DeepSeek官方网址）。
  2. 注册并登录我们的开发者账号。
  3. 在开发者平台中找到API密钥（API Key）的管理页面，创建或获取我们的API密钥。请妥善保管我们的API密钥，避免泄露。

2.3.2 带有特定格式的DeepSeek在线调用

DeepSeek的API通常允许我们以特定的格式发送请求，例如JSON格式。我们需要在请求中指定要使用的模型、输入的文本以及其他相关的参数。

示例（使用Python的requests库进行API调用）：

首先，确保我们已经安装了requests库：

pip install requests

然后，可以使用以下Python代码进行API调用（请替换为DeepSeek最新的API接口地址、模型名称和我们的API密钥）：

import requests
import json

api_key = "YOUR_DEEPSEEK_API_KEY"  # 替换为我们的API密钥
api_url = "https://api.deepseek.com/v1/chat/completions"  # 示例API接口地址，请查阅DeepSeek官方文档
model_name = "deepseek-llm-default"  # 示例模型名称，请查阅DeepSeek官方文档

headers = {
    "Content-Type": "application/json",
    "Authorization": f"Bearer {api_key}"
}

data = {
    "model": model_name,
    "messages": [
        {"role": "user", "content": "请用一句话总结一下Python语言的特点。"}
    ]
}

try:
    response = requests.post(api_url, headers=headers, data=json.dumps(data))
    response.raise_for_status()  # 如果请求失败，会抛出HTTPError异常
    result = response.json()
    print(json.dumps(result, indent=4, ensure_ascii=False))
    if "choices" in result and len(result["choices"]) > 0:
        print("DeepSeek的回答：", result["choices"][0]["message"]["content"])
    else:
        print("未能在响应中找到有效内容。")
except requests.exceptions.RequestException as e:
    print(f"API请求失败：{e}")
except json.JSONDecodeError as e:
    print(f"JSON解码失败：{e}")

请务必查阅DeepSeek官方API文档，了解最新的API接口地址、请求参数、响应格式以及错误处理机制。

2.3.3 带有约束的DeepSeek在线调用

DeepSeek的API通常支持在请求中添加一些约束条件，以控制模型的输出。例如，我们可以限制生成文本的长度、指定生成文本的风格、或者提供一些负面提示词来避免生成不希望出现的内容。

示例（添加最大生成长度的约束）：

在上面的示例代码中，我们可以向data字典中添加max_tokens参数来限制生成文本的最大长度：

data = {
    "model": model_name,
    "messages": [
        {"role": "user", "content": "请用一句话总结一下Python语言的特点。"}
    ],
    "max_tokens": 50  # 限制生成文本的最大长度为50个token
}

其他约束条件的设置请参考DeepSeek官方API文档。

2.3.4 将DeepSeek与PyCharm相连

虽然DeepSeek的API是在线调用的，但我们可以将API调用的代码集成到PyCharm项目中，方便我们进行开发、测试和管理。

操作步骤：

  1. 在PyCharm中创建一个新的Python项目或者打开一个已有的项目。
  2. 创建一个新的Python文件（例如deepseek_api_test.py）。
  3. 将前面示例中的API调用代码复制到该文件中，并替换为我们的API密钥和相关的配置信息。
  4. 我们可以根据我们的需求，编写更多的代码来处理API的请求和响应，例如构建用户界面、处理用户输入等。
  5. 使用PyCharm的运行和调试功能来测试我们的代码。

实践总结

  1. 环境配置的重要性： 正确配置Python开发环境（包括Miniconda和PyCharm）是进行DeepSeek开发的前提。选择合适的Python版本并管理好依赖包，能够避免在后续开发过程中遇到不必要的环境问题。

  2. PyTorch的选择与安装： DeepSeek框架的运行依赖于PyTorch。根据硬件条件选择安装CPU版本或GPU版本至关重要。如果计算机配备了NVIDIA显卡，并且正确安装了CUDA和cuDNN，那么安装GPU版本的PyTorch可以显著提升模型运行的效率，尤其是在处理大规模数据和复杂模型时。务必参考PyTorch官方文档选择与环境兼容的版本。

  3. API密钥的管理： 在使用DeepSeek在线API时，API密钥是身份的凭证，务必妥善保管，避免泄露。不会将API密钥硬编码到公开的代码仓库中，可以考虑使用环境变量或者配置文件来管理API密钥。

  4. 理解API的请求与响应： 熟悉DeepSeek API的请求格式（例如JSON）和所需的参数，能够更有效地与模型进行交互。同时，理解API的响应格式，能够正确地解析和使用模型返回的结果。

  5. 善用约束条件： DeepSeek API提供的约束条件（如max_tokens）是控制模型输出的重要手段。根据应用场景合理地设置这些约束，可以使模型生成更符合需求的内容。

  6. 集成开发环境的优势： 使用PyCharm等集成开发环境可以提高开发效率。它提供的代码编辑、自动补全、调试等功能，能够帮助更便捷地编写和测试DeepSeek API的调用代码。

  7. 持续学习和查阅文档： 人工智能技术和API都在不断发展和更新。持续关注DeepSeek的官方文档和最新的动态，以便及时了解新的功能和最佳实践。

通过本次实践，已经迈出了使用DeepSeek开发原生应用和智能体的第一步。在接下来的章节中，将基于这些基础知识，深入学习如何利用DeepSeek的强大能力解决实际问题。

# python # pytorch # 语言模型 # pycharm
Logo
ModelEngine社区

更多推荐

从崩溃到自愈：Temporal+MCP-Agent构建永不中断的AI工作流

你是否遇到过AI工作流执行到90%突然崩溃的绝望？训练了数小时的模型因服务器重启前功尽弃？团队协作时因某人未及时审批导致整个流程停滞？本文将展示如何通过Temporal与MCP-Agent的深度集成，彻底解决这些痛点，构建真正企业级的可靠AI工作流系统。读完本文你将掌握：- 3行代码实现工作流故障自愈- 零停机升级正在运行的AI任务- 跨团队协作的工作流信号机制- 从本地开发到生产集群

avatar ModelEngine社区
cover

从"数据喂养"到"数据工程"：大模型时代的数据哲学

avatar ModelEngine社区
cover

GPU 虚拟化：从理论到落地（一）三维正交坐标系讲透分类

avatar ModelEngine社区