怎样利用蓝耘快速摆设 DeepSeek R1 模子

1. DeepSeek R1 模子的先容

DeepSeek R1 模子是专为自然语言处理处罚（NLP）和其他复杂任务操持的先辈大规模深度学习模子 ，其高效的架构操持是一大亮点，可以或许更高效地提取特性，淘汰冗余盘算。这意味着在处理处罚海量数据时，它能快速地捉住关键信息，极大地提拔了数据处理处罚速率，大大紧缩了练习时间。比如在处理处罚长篇文本时，它可以敏捷提取出核心要点，比一些传统模子快上数倍。
强大的泛化本事也是 DeepSeek R1 的一大上风。它颠末大量丰富多样的数据练习，对差异任务和场景都有很强的顺应本事。无论是文本天生、智能问答，照旧代码天生与分析等任务，它都能应对自若。在文本天生中，它可以根据给定的主题天生逻辑连贯、内容丰富的文章；在智能问答中，面对各种复杂题目，它都能给出精确且具体的答复。
而且，DeepSeek R1 对参数的高效利用优化了参数设置，在练习时淘汰了内存占用。纵然在算力资源有限的环境下，它依然可以或许稳固运行，包管良好的性能。
下面是与别的模子的对比数据：

模子	DeepSeek-R1	GPT-4	Gemini 2.0
技能架构	基于 Transformer 架构，操持上更注意推理本事和输出简便性，接纳多阶段练习，包罗强化学习（RL）、监督微调（SFT）和蒸馏6	基于 Transformer 架构，拥有千亿级别的参数目，通过自注意力机制和多头注意力机制捕获长隔断依靠关系	接纳多模态架构，可以或许同时处理处罚文本、图像和音频等多种数据范例
练习数据	除了大量文本数据外，还参加逻辑推理和究竟行证方面的练习数据	利用大规模的文本数据举行练习，数据泉源广泛	利用大规模的多模态数据举行练习，包罗文本、图像、音频等
性能体现	在谈天呆板人竞技场综合榜单上排名第三，在风格控制类模子分类中与 OpenAI o1 并列第一；在高难度提示词、代码和数学等技能性极强的范畴体现精彩；在推理使掷中体现稳固，尤其在办理复杂数学题目和逻辑推理任务方面本事较强2	在语言天生和明白方面体现强大，可以或许处理处罚复杂的自然语言任务，在英文使掷中体现优秀，但处理处罚中文时偶尔会出现语义毛病或文化配景明白不敷的题目；推理本事较强，但偶尔会出现 “幻觉” 题目	在多模态任务（如图像形貌、视频分析）中体现突出，在纯文本任务上的体现略逊于 GPT-4 系列

固然 deepseek 的功能云云强大，但是由于一些恶意攻击，在官网上利用的速率不是很好，下面给各人先容一下怎样在蓝耕 GPU 智算平台上摆设 deepseek
2. 蓝耘GPU智算云平台的先容

蓝耘GPU智算云平台是一个今世化的、基于Kubernetes的云平台，基于行业领先的机动的底子办法及大规模的GPU 算力资源，为客户提供开放、高性能、高性价比的算力云服务，助力AI客户模子构建、练习和推理的业务全流程，以及教科研客户科研创新加速。旨在为科研工作者、工程师和创新者提供无与伦比的盘算办理方案，其 速率可比传统云服务提供商快35倍，本钱低落30%。
针对大模子练习场景，蓝耘算力云平台将运行环境、模子、 练习框架等打包到容器中，并通过定制化Kubernetes容器 编排工具举行容器的调理、管理和扩展，可以办理开辟环 境设置以及运维和管理题目，让算法工程师可以或许利用同一 的环境模板举行开辟，免除了初期大量的开辟环境设置， 以及在新的环境中管理新的算力资源的题目，为用户提供 开箱即用的大模子练习、推理平台。 除此之外，针对大模子练习中碰到的容器历程死机、大规 模分布式练习中GPU驱动丢失、GPU硬件破坏、乃至是计 算节点宕机等困难，都做了定制化操持，为以上困难提供 了主动化调理和强大的自愈本事，实现了更高的开辟和训 练服从以及团体资源利用率。

官方也提供了非常具体的操纵指南：

3. 设置并利用 deepseek

DeepSeek 在 R1 模子的底子上，利用 Qwen 和 Llama 蒸馏了几个差异巨细的模子，适配如今市面上对模子尺寸的最主流的几种需求。Qwen 和 Llama 系列模子架构相对简便，并提供了高效的权重参数管理机制，适当在大模子上实行高效的推理本事蒸馏。蒸馏的过程中不必要对模子架构举行复杂修改 ，淘汰了开辟本钱。
以 deepseek-r1_1.5b_7b_8b 为例，点击摆设

初次利用的话可以先选择按量计费，体验一下，然后选择 GPU 型号和 GPU 卡数，也免费提供了 50GB 的数据盘

购买之后就能跳转到工作空间，在这里可以点击快速启动应用

然后就能跳转到登录界面

官方也提供了账号和暗码：

登录之后就可以进利用用
先来测试一下，让它先容一下深度学习：

可以看出相应速率也优劣常快的，而且答复的条理也非常清楚，也可以切换别的规格

再来测试一下它的代码本事，可以看出，代码本事也非常精彩

1. import math
3. class DecisionTreeNode:
4.     def __init__(self):
5.         self.left = None
6.     self.right = None
7.     self.threshold = 0.0
9. class DecisionTree:
10.     def __init__(self, train_data, labels):
11.         self.train_data = train_data
12.     self.labels = labels
13.     self.root = self.build_tree(train_data, labels)
15.     def build_tree(self, data, labels):
16.         if not data or len(data) == 1:
17.         return DecisionTreeNode()
19.     best_feature, max_gain = self.choose_best_feature(data, labels)
20.     left_data = []
21.     right_data = []
23.     for i in range(len(data)):
24.         if labels[i] == 0:
25.         left_data.append(data[i])
26. else:
27.     right_data.append(data[i])
29.     node = DecisionTreeNode()
30.     node.threshold = max_gain
31.     node.left = self.build_tree(left_data, [0]*len(labels))
32.     node.right = self.build_tree(right_data, [1]*len(labels))
33.     return node
35.     def choose_best_feature(self, data, labels):
36.         max_gain = -1.0
37.     best_feature = 0
39.     for feature in range(len(data[0])):
40.         gain = self.information_gain(data, labels, feature)
41.     if gain > max_gain:
42.         max_gain = gain
43.     best_feature = feature
45.     return (best_feature, max_gain)
47.     def information_gain(self, data, labels, feature):
48.         total_ent = self.entropy(labels)
49.     left_size = sum(1 for i in range(len(labels)) if labels[i] == 0)
50.     right_size = len(labels) - left_size
52.     if left_size == 0 or right_size == 0:
53.         return 0.0
55.     left_entropy = self.entropy([0]*left_size)
56.     right_entropy = self.entropy([1]*right_size)
58.     info_gain = total_ent - (left_entropy + right_entropy)/2
59.     return info_gain
61.     def entropy(self, probs):
62.         ent = 0.0
63.     for p in probs:
64.         if p == 0:
65.         continue
66.     ent -= p * math.log(p, 2)
67.     return ent
69.     def main():
70.         train_data = [[1, 2], [3, 4], [5, 6]]
71.     labels = [0, 1, 0]
73.     tree = DecisionTree(train_data, labels)
74.     print("树的结构：", tree.root)
76.     test_data = [[1, 2]]
77.     prediction = tree.predict(test_data[0])
78.     print("预测结果：", prediction)
80.     if __name__ == "__main__":
81.         main()

复制代码

假如说必要升级卡数也可以在应用详情的选项操纵

根据必要可以添加 GPU 卡数

4. 总结

DeepSeek R1 模子与蓝耘智算平台的团结，为我们展示了人工智能技能在实际应用中的巨大潜力。随着技能的不绝发展和创新，我们有来由信赖，它们将在更多范畴发挥告急作用，为我们的生存和工作带来更多的便利和创新。无论是推动科研的进步，照旧助力企业的发展，这一组合都将成为强大的助推器，引领我们走向更加智能的将来。让我们拭目以待，等待它们创造更多的精彩！
蓝耕平台注册链接：https://cloud.lanyun.net//#/registerPage?promoterCode=0131