背景介绍

在上AI训练营的课程时，老师提供了一段源码，目的是实现从modelscope下载DeepSeek-R1-Distill-Qwen-7B，并通过程序调用大模型，让大模型帮助生成二分查找法。
老师建议在网上租一台有GPU的电脑，推荐如下。

最终本人在自己的surface电脑上（Windows，无GPU）调通了该程序，并实现了功能。
我的电脑配置如下，

源代码：

#!/usr/bin/env python
# coding: utf-8

# In[1]:


from modelscope import AutoModelForCausalLM, AutoTokenizer
# model_name = "/root/autodl-tmp/models/deepseek-ai/DeepSeek-R1-Distill-Qwen-7B"
# model_name="C:\\Users\\Administrator\\AInewModels\\deepseek-ai\\DeepSeek-R1-Distill-Qwen-7B" #7B下载后跑不起来，所以改成1.5B
model_name="C:\\Users\\Administrator\\AInewModels\\deepseek-ai\\DeepSeek-R1-Distill-Qwen-1___5B"
model = AutoModelForCausalLM.from_pretrained(
    model_name,
    torch_dtype="auto",
    # device_map="cuda" # auto（老师的源程序中是cuda,但是我的电脑没有显卡，因此改成auto）
    device_map="auto" 
)
tokenizer = AutoTokenizer.from_pretrained(model_name)
prompt = "帮我写一个二分查找法"
messages = [
    {"role": "system", "content": "You are a helpful assistant."},
    {"role": "user", "content": prompt}
]
text = tokenizer.apply_chat_template(
    messages,
    tokenize=False,
    add_generation_prompt=True
)
model_inputs = tokenizer([text], return_tensors="pt").to(model.device)
generated_ids = model.generate(
    **model_inputs,
    max_new_tokens=2000
)
generated_ids = [
    output_ids[len(input_ids):] for input_ids, output_ids in zip(model_inputs.input_ids, generated_ids)
]
response = tokenizer.batch_decode(generated_ids, skip_special_tokens=True)[0]
print(response)

安装调试过程

1.设置第三方镜像源

pip config set global.index-url https://pypi.tuna.tsinghua.edu.cn/simple

2.预先安装：

（在不断出错中不断安装缺少的组件）
pip install modelscope
pip install setuptools
pip install transformers
安装torch

# CPU版本
pip install torch torchvision torchaudio

# GPU版本（需匹配CUDA版本）
pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu121

pip install ‘accelerate>=0.26.0’

3.在python中创建代码：

from modelscope import snapshot_download
snapshot_download('deepseek-ai/DeepSeek-R1-Distill-Qwen-1.5B',cache_dir="C:\\Users\\Administrator\\AInewModels")

运行它，模型下载到C:\Users\Administrator\AInewModels"

有一个warning

2025-04-04 13:39:40,696 - modelscope - WARNING - Failed to create symbolic link C:\Users\Administrator\AInewModels\deepseek-ai\DeepSeek-R1-Distill-Qwen-1.5B for C:\Users\Administrator\AInewModels\deepseek-ai\DeepSeek-R1-Distill-Qwen-1___5B.

中间有过报错，和CUDA有关。
AssertionError: Torch not compiled with CUDA enabled

4.最终修改程序,将device_map从“cuda”改成“auto”，大模型调用1.5B（1___5B)的

model_name="C:\\Users\\Administrator\\AInewModels\\deepseek-ai\\DeepSeek-R1-Distill-Qwen-1___5B"
model = AutoModelForCausalLM.from_pretrained(
    model_name,
    torch_dtype="auto",
    # device_map="cuda" # auto
    device_map="auto" # auto
)

5.最终跑出结果

D:\PycharmProjects\PythonProject\AI0331.venv\Scripts\python.exe D:\PycharmProjects\PythonProject\AI0331\lecture02\3-deepseek-r1-7b使用.py
Sliding Window Attention is enabled but not implemented for sdpa; unexpected results may be encountered.
Setting pad_token_id to eos_token_id:151643 for open-end generation.
好，我现在需要帮用户写一个二分查找法。首先，我得理解用户的需求。用户可能是一个刚开始学习编程的学生，或者对算法感兴趣的人。他们可能需要一个简明的示例来理解二分查找法的实现。

二分查找法的时间复杂度是O(log n)，适用于有序数组。所以，我应该包括一个示例代码，帮助用户直观地看到如何实现它。用户可能还希望了解代码的结构和各个部分的作用，比如low、high、mid的计算，以及循环的条件。

接下来，我需要考虑代码的结构。通常，二分查找法的代码会初始化low和high，然后在循环中不断调整mid的值，直到找到目标值或者确定不在数组中。同时，还需要处理找到和未找到的情况，返回相应的索引。

我应该使用清晰的变量名，比如low和high，分别表示数组的起始索引和结束索引。mid的计算方式应该是（low + high）//2，这样可以避免溢出。然后，比较target和arr[mid]，如果相等，就返回mid；如果arr[mid]小于target，那么目标值在mid的右边，所以low更新为mid+1；否则，high更新为mid-1。循环的条件是low <= high。

此外，我还需要处理无法找到的情况，比如low > high，这时候返回-1。这样用户就能全面了解二分查找法的实现细节。

最后，我应该测试一下这个代码是否正确。比如，用一个简单的例子，比如数组[1,3,5,7,9]，查找5，应该返回2。如果查找10，应该返回-1。这样用户可以验证代码是否正确。

总的来说，我需要写出一个完整的示例代码，解释各个部分的功能，并通过示例验证代码的正确性。这样用户不仅能理解算法，还能通过实际例子加深理解。

以下是一个简单的实现二分查找法的代码示例：

def binary_search(arr, target):
    low = 0
    high = len(arr) - 1
    while low <= high:
        mid = (low + high) // 2
        if arr[mid] == target:
            return mid
        elif arr[mid] < target:
            low = mid + 1
        else:
            high = mid - 1
    return -1

解释：

1. 参数：

   • arr：需要查找的有序数组。
   • target：需要查找的目标值。

2. 初始化：

   • low 初始值为数组的索引 0。
   • high 初始值为数组的最后一个索引（len(arr) - 1）。

3. 循环条件：

   • 当 low <= high 时，继续循环查找。

4. 计算中点：

   • mid 计算为 (low + high) // 2，避免溢出。

5. 比较和调整范围：

   • 如果 arr[mid] 等于 target，返回 mid。
   • 如果 arr[mid] 小于 target，则目标值在 mid 右侧，将 low 更新为 mid + 1。
   • 否则，将 high 更新为 mid - 1。

6. 结束条件：

   • 当 low > high 时，说明目标值不在数组中，返回 -1。

示例：

arr = [1, 3, 5, 7, 9]
target = 7

print(binary_search(arr, target))  # 输出：3

这个函数会返回数组中 7 的索引 3。如果 target 不在数组中，函数会返回 -1。

Process finished with exit code 0

总结

由于本人用的surface 没有GPU卡,CPU 也不强劲，内存也不大。因此为了尝试调用本地的大模型模拟deepseek和人的对话和分析，只能调整程序，使用DeepSeek-R1-Distill-Qwen-1___5B 并将device_map从“cuda”改成=“auto”。