教程 | 从零部署到业务融合：DeepSeek R1 私有化部署实战指南

news2025/2/22 22:16:40

文章目录

      • 1. 什么是 DeepSeek R1？
        • a. 主要介绍
        • a. 版本区别
      • 2. 部署资源要求
        • a. 硬件资源要求
      • 3. 本地安装DeepSeek-R1
        • a. 为什么选择本地部署？
        • b. 部署工具对比
        • c. 演示环境配置
        • d. Ollama安装流程
      • 4. 可视化工具
        • a. 工具对比
        • b. Open-WebUI部署
      • 5. AI API应用
        • a. Python SDK实战
        • c. Spring AI集成
      • 6. 小结

1. 什么是 DeepSeek R1？

a. 主要介绍

DeepSeek介绍：

  • 公司背景：DeepSeek是一家专注于通用人工智能的中国科技公司，主攻大模型研发与应用。
  • DeepSeek-R1：其开源的推理模型，擅长处理复杂任务且可免费商用，性能在数学、代码、自然语言推理等任务上与OpenAI o1正式版相当。
  • 其主要亮点包括：
    • 完全开源，可自由使用;
    • 支持本地运行，无需依赖云服务器；
    • 数据完全可控，确保隐私安全。
a. 版本区别

根据官方信息DeepSeek R1 可以看到提供多个版本，包括完整版（671B 参数）和蒸馏版（1.5B 到 70B 参数）。

  • 完整版性能强大，但需要极高的硬件配置；
  • 蒸馏版则更适合普通用户，硬件要求较低

DeepSeek-R1官方地址：https://github.com/deepseek-ai/DeepSeek-R1

  • 完整版（671B）：需要至少 350GB 显存/内存，适合专业服务器部署
    在这里插入图片描述
  • 蒸馏版：基于开源模型（如 QWEN 和 LLAMA）微调，参数量从 1.5B 到 70B 不等，适合本地硬件部署。
    在这里插入图片描述

蒸馏版与完整版的区别：

维度完整版蒸馏版
参数量参数量较大（671B），性能最强。参数量较少（如 1.5B、7B），性能接近完整版但略有下降。
硬件需求至少 350GB 显存/内存，需高端硬件支持。至少 4GB 显存/内存，适合低配硬件。
适用场景适合高精度任务和专业场景。适合轻量级任务和资源有限的设备。

接下来详细看下蒸馏版模型的特点：

模型版本参数量特点
deepseek-r1:1.5b1.5B轻量级模型，适合低配硬件，性能有限但运行速度快
deepseek-r1:7b7B平衡型模型，适合大多数任务，性能较好且硬件需求适中
deepseek-r1:8b8B略高于 7B 模型，性能稍强，适合需要更高精度的场景
deepseek-r1:14b14B高性能模型，适合复杂任务（如数字推理、代码生成），硬件需求较高
deepseek-r1:32b32B专业级模型，性能强大，适合研究和高精度任务，需高端硬件支持
deepseek-r1:70b70B顶级模型，性能最强，适合大规模计算和高复杂度任务，需专业级硬件支持

进一步的模型细分还分为量化版：

模型版本参数量特点
deepseek-r1:1.5b-quen-distill-q4_K_M1.5B轻量级模型，适合低配硬件，性能有限但运行速度快，使用了4-bit量化，模型精度下降
deepseek-r1:7b-quen-distill-q4_K_M7B平衡型模型，适合大多数任务，性能较好且硬件需求适中，使用了4-bit量化，模型精度下降
deepseek-r1:8b-llana-distill-q4_K_M8B略高于7B模型，性能稍强，适合需要更高精度的场景，使用了4-bit量化，模型精度下降
deepseek-r1:14b-quen-distill-q4_K_M14B高性能模型，适合复杂任务（如数字推理、代码生成），硬件需求较高，使用了4-bit量化，模型精度下降
deepseek-r1:32b-quen-distill-q4_K_M32B专业级模型，性能强大，适合研究和高精度任务，需高端硬件支持，使用了4-bit量化，模型精度下降
deepseek-r1:76b-llana-distill-q4_K_M70B顶级模型，性能最强，适合大规模计算和高复杂度任务，需专业级硬件支持，使用了4-bit量化，模型精度下降

最后我们了解下，蒸馏版与量化版的区别：

维度特点
蒸馏版基于大模型（如 QWEN 或 LLAMA）微调，参数量减少但性能接近原版，适合低配硬件。
量化版使用 4-bit/8-bit 量化可大幅降低显存需求（如bitsandbytes[6]），适合资源有限的设备。

例如：

  • deepseek-r1:7b-qwen-distill-q4_K_M：7B 模型的蒸馏+量化版本，显存需求从 5GB 降至 3GB。
  • deepseek-r1:32b-qwen-distill-q4_K_M：32B 模型的蒸馏+量化版本，显存需求从 22GB 降至 16GB
    我们正常本地部署使用蒸馏版就可以

2. 部署资源要求

a. 硬件资源要求

不同操作系统基础环境：

  • Windows：

    • 依赖 CUDA 和 NVIDIA 驱动，推荐使用 RTX 30/40 系列。
    • 大模型（14B+）需借助量化或模型分片技术。

  • macOS：

    • 仅限 Apple Silicon 芯片（M1/M2/M3），依赖 Metal 加速。
    • 模型规模超过 14B 时性能显著下降，建议量化或云端部署。

  • Linux：

    • 支持多 GPU 扩展和高效资源管理（如 NVIDIA Docker）。
    • 适合部署大型模型（14B+），需专业级硬件。

  • 硬件配置：
    可根据下表配置选择使用自己的模型

模型名称参数量模型大小显存/内存
deepseek-r1:1.5b1.5B1.1 GB~2 GB
deepseek-r1:7b7B4.7 GB~5 GB
deepseek-r1:8b8B4.9 GB~6 GB
deepseek-r1:14b14B9.0 GB~10 GB
deepseek-r1:32b32B20 GB~22 GB
deepseek-r1:70b70B43 GB~45 GB
deepseek-r1:1.5b-qwen-distill-q4_K_M1.5B1.1 GB~2 GB
deepseek-r1:7b-qwen-distill-q4_K_M7B4.7 GB~5 GB
deepseek-r1:8b-llama-distill-q4_K_M8B4.9 GB~6 GB
deepseek-r1:14b-qwen-distill-q4_K_M14B9.0 GB~10 GB
deepseek-r1:32b-qwen-distill-q4_K_M32B20 GB~22 GB
deepseek-r1:70b-llama-distill-q4_K_M70B43 GB~45 GB

3. 本地安装DeepSeek-R1

a. 为什么选择本地部署？

本地运行 AI 模型有以下优势：

  • 隐私保障：保证数据‘不出域’，所有数据均存储在本地，避免敏感信息泄露。
  • 零额外成本：DeepSeek R1 免费运行，无需订阅或额外费用。
  • 完全控制：可以进行微调和本地优化，无需外部依赖。
b. 部署工具对比

部署可以使用Ollama、LM Studio、KubeML 、Docker等工具进行部署。

  • Ollama：
    • 支持 Windows、Linux 和 Mac 系统，提供命令行和 Docker 部署方式，安装只能默认到C盘
    • 使用命令 ollama run deepseek-r1:7b 下载并运行模型
    • 本地大模型管理框架，Ollama 让用户能够在本地环境中高效地部署和使用语言模型，而无需依赖云服务。
  • LM Studio：
    • 支持 Windows 和 Mac，提供可视化界面，适合新手用户
    • 部署方式：桌面应用程序（GUI）
    • 核心功能：零配置可视化界面，支持直接加载 HuggingFace 模型库、CPU+GPU 混合推理优化，适配低配硬件（如消费级显卡）、本地模型实验沙盒，无服务化部署能力。
  • Docker：
    • 支持系统：Linux、Windows（需 Docker Desktop）。
    • 部署方式：容器化部署（单机）
    • 使用命令 docker run -d --gpus=all -p 11434:11434 --name ollama ollama/ollama 启动容器。
    • 核心功能：环境隔离性强，依赖项封装为镜像，需配合 Docker Compose/Swarm 实现多机编排。
  • KubeML：
    • 支持系统：依赖 Kubernetes 集群（跨平台）
    • 部署方式：Kubernetes 原生扩展
    • 生产级特性：基于 Kubernetes 的自动扩缩容（HPA/VPA 集成）、分布式训练框架支持（PyTorch/TensorFlow 多节点调度）、资源配额监控与 GPU 共享策略。

根据工具特性对比表格如下：

工具优势局限适用场景
Ollama单节点快速部署，轻量化启动缺乏集群管理能力，仅支持单机运行开发测试环境/个人实验
KubeML支持K8s自动扩缩容，生产级资源调度需K8s基础，学习曲线陡峭大规模生产环境/分布式训练
Docker配置即代码，环境隔离性强多机编排需Compose/Swarm配合中小型生产环境/容器化部署
LM Studio零配置可视化界面，本地模型快速实验仅限本地单机，无服务化部署能力个人开发者原型验证/模型效果测试

补充说明：

  1. LM Studio

    • 核心价值：专注于本地化模型实验，提供开箱即用的GUI界面，支持直接加载HuggingFace模型
    • 典型用例：研究人员快速验证模型效果，无需编写部署代码
    • 进阶限制：无法导出为API服务，缺乏用户权限管理等生产级功能

  2. 横向对比维度

    • 扩展性：KubeML > Docker > Ollama > LM Studio
    • 易用性：LM Studio > Ollama > Docker > KubeML
    • 生产就绪：KubeML > Docker > Ollama（LM Studio不适合生产）

  3. 混合部署建议

    • 开发阶段：用LM Studio/Ollama快速验证模型
    • 测试阶段：通过Docker构建原型API
    • 生产阶段：使用KubeML实现弹性伸缩，配合Prometheus监控
c. 演示环境配置

我这里的演示的本地环境：

  • 操作系统：
    • 系统版本：Windows 11 企业版
  • CPU规格
    • CPU型号：Intel® Core™ i9-10900X CPU @ 3.70GHz 3.70 GHz
    • CPU核数：20 核
  • 内存规格：
    • 内存：64.0 GB
  • 存储规格：
    • 型号：Samsung SSD 970 EVO Plus 2TB
    • 容量：2TB
    • 类型：固态硬盘（SSD），NVMe SSD
  • 显卡规格：
    • 显卡型号：NVIDIA RTX 4090
    • 显存大小：24GB
    • 显卡驱动：32.0.15.6094 (NVIDIA 560.94) DCH / Win11 64
    • 显卡计算技术：OpenCL, CUDA, DirectCompute, DirectML, Vulkan, Ray Tracing, PhysX, OpenGL 4.6

系统配置截图：
在这里插入图片描述
显卡参数截图：
在这里插入图片描述

因为我的需求主要开发/测试，所有我最终选择使用Ollama安装，关于如何选择合适的模型版本以及配置相应的硬件资源参考以下：

  1. 选择模型版本：

    • 跟我们电脑硬件的，最终选择DeepSeek-R1模型蒸馏版32B的版本。

  2. 通用配置原则：

    • 模型显存占用：每1B参数约需1.5-2GB显存（FP16精度）或0.75-1GB显存（INT8/4-bit量化）。
      • 例如，32B模型在FP16下需约48-64GB显存，量化后可能降至24-32GB。
    • 内存需求：至少为模型大小的2倍（用于加载和计算缓冲）。
    • 存储：建议使用NVMe SSD，模型文件大小从1.5B（约64GB）不等。

总之根据自己实际情况，选择模型版本和配置硬件资源，以确保模型能够顺利运行。

d. Ollama安装流程

官方地址：https://ollama.com/

步骤1：下载Ollama服务安装包
在这里插入图片描述

步骤2：安装Ollama服务
在这里插入图片描述
控制台验证是否成功安装？
在这里插入图片描述

步骤3：选择并安装模型

我们再回到Ollama官网选择模型，选择适合你的蒸馏量化模型复制命令进行安装

ollama run deepseek-r1:32b

在这里插入图片描述

步骤4：加载模型

ollama run deepseek-r1:32b

可以看到安装完成：

在这里插入图片描述
输入指令测试下：
在这里插入图片描述

步骤5：配置远程Ollama服务（可选）

默认情况下，Ollama 服务仅在本地运行，不对外提供服务。要使 Ollama 服务能够对外提供服务，你需要设置以下两个环境变量：

OLLAMA_HOST=0.0.0.0
OLLAMA_ORIGINS=*

在 Windows 上，Ollama 会继承你的用户和系统环境变量。

  • 通过任务栏退出 Ollama。
  • 打开设置（Windows 11）或控制面板（Windows 10），并搜索“环境变量”。
  • 点击编辑你账户的环境变量。
    • 为你的用户账户编辑或创建新的变量 OLLAMA_HOST，值为 0.0.0.0； 为你的用户账户编辑或创建新的变量 OLLAMA_ORIGINS，值为 *。
  • 点击确定/应用以保存设置。
  • 从 Windows 开始菜单启动 Ollama 应用程序。

在这里插入图片描述

其它系统请参考：https://chatboxai.app/zh/help-center/connect-chatbox-remote-ollama-service-guide

注意事项：

  • 可能需要在防火墙中允许 Ollama 服务的端口（默认为 11434），具体取决于你的操作系统和网络环境。
  • 为避免安全风险，请不要将 Ollama 服务暴露在公共网络中。办公网络是一个相对安全的环境。

步骤6：验证部署

返回HTTP 200即为成功

curl http://远程IP:11434/api/status

步骤7：ollama相关命令

# 查看已安装模型：
ollama list

# 删除已安装的模型（模型名称替换你自己的）:
ollama rm deepseek-r1:32

在这里插入图片描述

4. 可视化工具

为了获得更好的交互体验，可以安装可视化工具使用。

a. 工具对比

这里介绍下Open-WebUI、Dify、Chatbox

1. Open-WebUI
定位：轻量级自托管LLM交互界面
核心功能：

  • 提供简洁的Web UI与大模型交互，支持本地或云端部署的LLM（如Llama、GPT等）。
  • 支持会话标签管理，便于多任务切换和历史记录追溯。
  • 集成80+插件生态，可扩展文件解析、知识库检索等功能。
  • 低延迟（≤50ms），适合个人用户快速调用本地模型。

适用场景：

  • 个人开发者或研究者本地调试大模型。
  • 需要轻量化、高定制化UI的LLM交互场景。

局限性：

  • 无API接口，无法直接集成到企业级应用中。
  • 功能聚焦于交互界面，缺乏应用开发支持。

2. Dify
定位：企业级LLM应用开发平台
核心功能：

  • 提供可视化工作流编排，支持RAG、AI Agent等复杂应用开发。
  • 内置API服务，便于集成到现有系统（如客服、数据分析工具）。
  • 支持MongoDB/PostgreSQL存储，管理对话日志、知识库等结构化数据。
  • 提供企业级权限管理、数据审计和监控功能。

适用场景：

  • 开发智能客服、知识库问答等AI SaaS服务。
  • 企业需要快速构建可扩展的LLM应用并集成API。

对比同类工具：

  • 与AnythingLLM相比，Dify更强调开发灵活性，适合复杂业务逻辑；而AnythingLLM偏向开箱即用的知识库管理。

3. Chatbox
定位：跨平台桌面客户端工具
核心功能：

  • 极低延迟（≤30ms），支持主流模型（GPT/Claude/文心一言等）快速调用。
  • 对话流程编排功能，可预设提示词模板、多轮对话逻辑。
  • 内置20+实用插件（如代码高亮、Markdown渲染、数据导出）。
  • 一键安装，跨平台支持（Windows/macOS/Linux），部署复杂度极低（★☆☆☆☆）。

特色优势：

  • 开发者友好：支持调试模式、请求日志追踪和快捷键操作。
  • 轻量化：客户端无需服务器资源，适合本地开发测试。

适用场景：

  • 开发者调试模型API或设计对话流程。
  • 个人用户需要轻量、高效的桌面端LLM工具。

对比总结

维度Open-WebUIDifyChatbox
核心定位自托管交互界面LLM应用开发平台跨平台客户端工具
API支持❌ 无✅ 提供完整API❌ 无（纯客户端）
部署难度中等（需配置环境）较高（依赖数据库）极低（开箱即用）
适用场景个人本地模型交互企业级应用开发开发者调试/轻量使用
生态扩展80+插件企业级功能模块20+效率插件

选择建议：

  • 个人用户本地调试选 Open-WebUI；
  • 企业构建AI应用选 Dify；
  • 开发者需要轻量调试工具选 Chatbox。

因为我们主要是个人使用，这里选择Open-WebUI。

b. Open-WebUI部署

Open-WebUI官方地址：https://github.com/open-webui/open-webui
Open-WebUI官方文档地址：https://docs.openwebui.com/getting-started/

在这里插入图片描述
根据官网文档可使用pip和docker进行安装，我这里避免影响本地环境使用docker进行安装：

docker run \
  -d \
  --name open-webui \
  --restart always \
  -p 3000:8080 \
  -e OLLAMA_BASE_URL=http://192.168.3.60:11434 \
  -v open-webui:/app/backend/data \
  ghcr.io/open-webui/open-webui:main

注意：设置环境变量 OLLAMA_BASE_URL，指向运行 Ollama 的服务器地址和端口。

服务启动成功如下：
在这里插入图片描述

访问http://localhost:3000/
在这里插入图片描述
创建管理员账号
在这里插入图片描述
简单的测试下
在这里插入图片描述

5. AI API应用

这里列出了可以调用Ollama服务的很多类库：https://github.com/ollama/ollama。

a. Python SDK实战

先安装模块：

pip install ollama

用VS Code编写代码如下：

from ollama import Client

client = Client(
  host='http://192.168.3.60:11434',
  headers={'x-some-header': 'some-value'}
)
response = client.chat(model='deepseek-r1:32b', messages=[
  {
    'role': 'user',
    'content': '你是谁?',
  },
])

print(response)

执行结果：
在这里插入图片描述

c. Spring AI集成

我们可以通过Spring Boot与Spring AI来调用DeepSeek-R1模型，并实现API服务。Spring Boot提供了丰富的功能，能够轻松与Ollama结合，处理来自客户端的请求，并返回模型的推理结果。

步骤1：构建 Spring Boot 项目
首先，使用Spring Initializr创建一个Spring Boot项目，并添加Spring AI依赖。确保在pom.xml中包含以下依赖项：

<dependency>
	<groupId>org.springframework.ai</groupId>
	<artifactId>spring-ai-ollama-spring-boot-starter</artifactId>
</dependency>

步骤2： 配置 Ollama

spring.ai.ollama.base-url=http://192.168.3.60:11434
spring.ai.ollama.chat.model=deepseek-r1:32b

步骤3：编写代码调用模型

@Bean
@SpringBootTest(classes = DemoApplication.class)
public class TestOllama {

@Autowired
private OllamaChatModel ollamaChatModel;

@Test
public void testChatModel() {
String prompt = "请将以下英文翻译成中文：";
String message = "Ollama now supports tool calling with popular models such as Llama 3.1.";

String result = ollamaChatModel.call(prompt + " " + message);
System.out.println(result);
}
}

行以上代码，Spring Boot会向Ollama发送请求，并返回DeepSeek-R1生成的翻译结果。如下：

在这里插入图片描述

6. 小结

本文实现从基础部署到业务集成的全链路实践：

  1. 版本选择：根据需求与硬件预算选择蒸馏版/完整版
  2. 部署模式：Ollama适合快速验证，KubeML满足生产需求
  3. 生态整合：通过标准化API实现与现有系统的无缝对接

后续建议：

  • 结合搜索库实现日志分析自动化
  • 使用构建个人知识问答系统

参考资料：

  • https://www.cnblogs.com/zzy0471/p/18698656
  • https://blog.csdn.net/yht874690625/article/details/145483279

本文来自互联网用户投稿，该文观点仅代表作者本人，不代表本站立场。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如若转载，请注明出处：http://www.coloradmin.cn/o/2299562.html

如若内容造成侵权/违法违规/事实不符，请联系多彩编程网进行投诉反馈，一经查实，立即删除！

相关文章

分布式 NewSQL 数据库（TiDB）

分布式 NewSQL 数据库（TiDB）

TiDB 是一个分布式 NewSQL 数据库。它支持水平弹性扩展、ACID 事务、标准 SQL、MySQL 语法和 MySQL 协议&#xff0c;具有数据强一致的高可用特性&#xff0c;是一个不仅适合 OLTP 场景还适合 OLAP 场景的混合数据库。 TiDB是 PingCAP公司自主设计、研发的开源分布式关系型数据…
阅读更多...
C语言-章节 1：变量与数据类型 ——「未初始化的诅咒」

C语言-章节 1：变量与数据类型 ——「未初始化的诅咒」

在那神秘且广袤无垠的「比特大陆」上&#xff0c;阳光奋力地穿过「内存森林」中错综复杂的代码枝叶缝隙&#xff0c;洒下一片片斑驳陆离、如梦似幻的光影。林间的空气里&#xff0c;弥漫着一股浓郁的十六进制锈蚀味&#xff0c;仿佛在诉说着这片森林中隐藏的古老秘密。 一位零基…
阅读更多...
HTML的入门

HTML的入门

一、HTML HTML&#xff08;HyperText Markup Language&#xff0c;超文本标记语言&#xff09;是一种用来告知浏览器如何组织页面的标记语言。 超文本&#xff1a;就是超越了文本&#xff1b;HTML不仅仅可以用来显示文本(字符串、数字之类)&#xff0c;还可以显示视频、音频等…
阅读更多...
闭源大语言模型的怎么增强:提示工程 检索增强生成 智能体

闭源大语言模型的怎么增强:提示工程 检索增强生成 智能体

闭源大语言模型的怎么增强 提示工程 检索增强生成 智能体 核心原理 提示工程：通过设计和优化提示词，引导大语言模型进行上下文学习和分解式思考，激发模型自身的思维和推理能力，使模型更好地理解和生成文本，增强其泛用性和解决问题的能力。检索增强生成：结合检索的准确…
阅读更多...
【图像加密解密】空间混沌序列的图像加密解密算法复现（含相关性检验）【Matlab完整源码 2期】

【图像加密解密】空间混沌序列的图像加密解密算法复现（含相关性检验）【Matlab完整源码 2期】

1、说明 本文给出详细完整代码、完整的实验报告和PPT。 环境&#xff1a;MATLAB2019a 复现文献&#xff1a;[1]孙福艳,吕宗旺.Digital image encryption with chaotic map lattices[J].Chinese Physics B,2011,20(04):136-142. 2、部分报告内容 3 部分源码与运行步骤 3.1 部…
阅读更多...
QxOrm生成json

QxOrm生成json

下载Qxorm-1.5版本 使用vs打开项目&#xff0c;直接生成即可&#xff1a; lib目录中会生成dll和lib文件 新建Qt项目使用Qxorm: 将QxOrm中上面三个目录拷贝到新建的Qt项目中 pro文件添加使用QxOrm第三方库 INCLUDEPATH $$PWD/include/ LIBS -L"$$PWD/lib" LIBS…
阅读更多...
ASP.NET Core Web应用(.NET9.0)读取数据库表记录并显示到页面

ASP.NET Core Web应用(.NET9.0)读取数据库表记录并显示到页面

1.创建ASP.NET Core Web应用 选择.NET9.0框架 安装SqlClient依赖包 2.实现数据库记录读取: 引用数据库操作类命名空间 创建查询记录结构类 查询数据并返回数据集合 3.前端遍历数据并动态生成表格显示 生成结果:
阅读更多...
uniapp商城之首页模块

uniapp商城之首页模块

文章目录 前言一、自定义导航栏1.静态结构2.修改页面配置3.组件安全区适配二、通用轮播组件1. 静态结构组件2.自动导入全局组件3.首页轮播图数据获取三、首页分类1.静态结构2.首页获取分类数据并渲染四、热门推荐1.静态结构2.首页获取推荐数据并渲染3.首页跳转详细推荐页五、猜…
阅读更多...
以若依移动端版为基础，实现uniapp的flowable流程管理

以若依移动端版为基础，实现uniapp的flowable流程管理

1.前言 此代码是若依移动端版为基础&#xff0c;实现flowable流程管理&#xff0c;支持H5、APP和微信小程序三端。其中&#xff0c;APP是在安卓在雷电模拟器环境下完成的&#xff0c;其他环境未测试&#xff0c;此文章中所提及的APP均指上述环境。移动端是需要配合若依前后端分…
阅读更多...
C++：高度平衡二叉搜索树(AVLTree) [数据结构]

C++：高度平衡二叉搜索树(AVLTree) [数据结构]

目录 一、AVL树 二、AVL树的理解 1.AVL树节点的定义 2.AVL树的插入 2.1更新平衡因子 3.AVL树的旋转 三、AVL的检查 四、完整代码实现 一、AVL树 AVL树是什么&#xff1f;我们对 map / multimap / set / multiset 进行了简单的介绍&#xff0c;可以发现&#xff0c;这几…
阅读更多...
2D 游戏艺术、动画和光照

2D 游戏艺术、动画和光照

原文&#xff1a;https://unity.com/resources/2d-game-art-animation-lighting-for-artists-ebook 笔记 用Tilemap瓷砖大小为1单元&#xff0c;人物大小在0.5~2单元 PPU &#xff1a;单位像素 pixels per unit 2160 4K分辨率/ 正交相机size*2 完整屏幕显示像素点 有骨骼动…
阅读更多...
4、C#基于.net framework的应用开发实战编程 - 测试（四、二） - 编程手把手系列文章...

4、C#基于.net framework的应用开发实战编程 - 测试（四、二） - 编程手把手系列文章...

四、 测试&#xff1b; 四&#xff0e;二、实际运行&#xff1b; 在应用调试完毕&#xff0c;Bug基本解决的时候就需要对应用进行实际运行来进行查看使用体验及分发的准备工作。 1、 运行设置&#xff1b; 在启动项目上右键属性&#xff0c;点击生成&#xff0c;将顶部的配置改…
阅读更多...
栈与队列（C语言版）

栈与队列（C语言版）

文章目录 栈与队列1. 栈基本操作实现(基于链表)代码运行结果 应用场景 2. 队列基本操作实现代码运行结果 应用场景 栈与队列 1. 栈 栈是一种操作受限的线性结构。操作受限体现在&#xff0c;栈只能在一端添加和删除元素&#xff0c;符合后进先出 ( LIFO ) 的特性&#xff0c;…
阅读更多...
【算法专场】哈希表

【算法专场】哈希表

目录 前言 哈希表 1. 两数之和 - 力扣&#xff08;LeetCode&#xff09; 算法分析 算法代码 面试题 01.02. 判定是否互为字符重排 ​编辑算法分析 算法代码 217. 存在重复元素 算法分析 算法代码 219. 存在重复元素 II 算法分析 算法代码 解法二 算法代码 算法…
阅读更多...
【设计模式】【行为型模式】迭代器模式（Iterator）

【设计模式】【行为型模式】迭代器模式（Iterator）

&#x1f44b;hi&#xff0c;我不是一名外包公司的员工&#xff0c;也不会偷吃茶水间的零食&#xff0c;我的梦想是能写高端CRUD &#x1f525; 2025本人正在沉淀中… 博客更新速度 &#x1f44d; 欢迎点赞、收藏、关注&#xff0c;跟上我的更新节奏 &#x1f3b5; 当你的天空突…
阅读更多...
mac 意外退出移动硬盘后再次插入移动硬盘不显示怎么办

mac 意外退出移动硬盘后再次插入移动硬盘不显示怎么办

第一步&#xff1a;sudo ps aux | grep fsck 打开mac控制台输入如下指令&#xff0c;我们看到会出现两个进程&#xff0c;看进程是root的这个 sudo ps aux|grep fsck 第二步&#xff1a;杀死进程 在第一步基础上我们知道不显示u盘的进程是&#xff1a;62319&#xff0c;我们…
阅读更多...
如何下载AndroidStudio的依赖的 jar，arr文件到本地

如何下载AndroidStudio的依赖的 jar，arr文件到本地

一、通过jitpack.io 下载依赖库 若需要下载 com.github.xxxxx:yy-zzz:0.0.2 的 jar则 https://jitpack.io/com/github/xxxxx/yy-zzz/0.0.2/ 下会列出如下build.logyy-zzz-0.0.2.jaryy-zzz-0.0.2.pomyy-zzz-0.0.2.pom.md5yy-zzz-0.0.2.pom.sha1jar 的下载路径为https://jitpack…
阅读更多...
CEF132编译指南 MacOS 篇 - 构建 CEF (六)

CEF132编译指南 MacOS 篇 - 构建 CEF (六)

1. 引言 经过前面一系列的精心准备&#xff0c;我们已经完成了所有必要的环境配置和源码获取工作。本篇作为 CEF132 编译指南系列的第六篇&#xff0c;将详细介绍如何在 macOS 系统上构建 CEF132。通过配置正确的编译命令和参数&#xff0c;我们将完成 CEF 的构建工作&#xf…
阅读更多...
Python大数据可视化：基于python的电影天堂数据可视化_django+hive

Python大数据可视化：基于python的电影天堂数据可视化_django+hive

开发语言&#xff1a;Python框架&#xff1a;djangoPython版本&#xff1a;python3.7.7数据库&#xff1a;mysql 5.7数据库工具&#xff1a;Navicat11开发软件&#xff1a;PyCharm 系统展示 管理员登录 管理员功能界面 电影数据 看板展示 我的信息 摘要 电影天堂数据可视化是…
阅读更多...
LLM之循环神经网络(RNN)

LLM之循环神经网络(RNN)

在人工智能的领域中&#xff0c;神经网络是推动技术发展的核心力量。今天&#xff0c;让我们深入探讨循环神经网络&#xff08;RNN&#xff09; 一、神经网络基础 &#xff08;1&#xff09;什么是神经网络 神经网络&#xff0c;又称人工神经网络&#xff0c;其设计灵感源于人…
阅读更多...
推荐文章
最新文章

Copyright @ 2022~2023