教程 | 从零部署到业务融合：DeepSeek R1 私有化部署实战指南

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 Clientclient = 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.rhkb.cn/news/17792.html

如若内容造成侵权/违法违规/事实不符，请联系长河编程网进行投诉反馈email:809451989@qq.com，一经查实，立即删除！

相关文章

学习总结2.14

学习总结2.14

深搜将题目分配&#xff0c;如果是两个题目&#xff0c;就可以出现左左&#xff0c;左右&#xff0c;右左&#xff0c;右右四种时间分配&#xff0c;再在其中找最小值&#xff0c;即是两脑共同处理的最小值 #include <stdio.h> int s[4]; int sum0; int brain[25][25]; …
阅读更多...
Qt Creator 5.0.2 (Community)用久了突然变得很卡

Qt Creator 5.0.2 (Community)用久了突然变得很卡

目录 1.现象 2.解决方案 1.现象 很久没有用Qt Creator开发项目了&#xff0c;刚刚结束的项目又是用VS2019开发的&#xff1b;这两天刚好有时间去学习一下Qt&#xff0c;刚好要用Qt Creator&#xff0c;结果一打开就没反应&#xff0c;主界面显示出来要好几分钟&#xff0c;最…
阅读更多...
DeepSeek的深度解析：由来、研发过程、公司背景、优势、劣势与总结

DeepSeek的深度解析：由来、研发过程、公司背景、优势、劣势与总结

DeepSeek的由来 DeepSeek&#xff0c;中文名“深度求索”&#xff0c;是一个在人工智能领域崭露头角的创新项目。其英文名“DeepSeek”由“深思”&#xff08;Deep&#xff09;与“探索”&#xff08;Seek&#xff09;组合而成&#xff0c;寓意着凭借深度学习技术不断探索未知…
阅读更多...
初阶c语言（练习题，猜随机数）

初阶c语言（练习题，猜随机数）

前言&#xff1a; 学习c语言&#xff0c;学习来源b站鹏哥&#xff0c;37天吧应该是 内容&#xff1a; 这集内容挺多&#xff0c;源代码放到文章最后 题目是&#xff0c;使用函数编写一个随机数&#xff0c;然后自己猜&#xff0c;猜随机数 这里囊括了很多的知识点&#xf…
阅读更多...
w206基于Spring Boot的农商对接系统的设计与实现

w206基于Spring Boot的农商对接系统的设计与实现

&#x1f64a;作者简介&#xff1a;多年一线开发工作经验&#xff0c;原创团队&#xff0c;分享技术代码帮助学生学习&#xff0c;独立完成自己的网站项目。 代码可以查看文章末尾⬇️联系方式获取&#xff0c;记得注明来意哦~&#x1f339;赠送计算机毕业设计600个选题excel文…
阅读更多...
Python PyCharm DeepSeek接入

Python PyCharm DeepSeek接入

Python PyCharm DeepSeek接入 创建API key 首先进入DeepSeek官网，https://www.deepseek.com/ 点击左侧“API Keys”，创建API key，输出名称为“AI” 点击“创建"，将API key保存，复制在其它地方。 在PyCharm中下载Continue插件 安装 下载中 下载完成后，点击OK 配…
阅读更多...
鸿蒙开发：了解@Builder装饰器

鸿蒙开发：了解@Builder装饰器

前言 本文代码案例基于Api13&#xff0c;温馨提示&#xff1a;内容相对来说比较简单&#xff0c;如果您已掌握&#xff0c;略过即可。 如果说一个页面中组件有很多&#xff0c;我们都统一写到build函数中&#xff0c;显而易见&#xff0c;会导致build函数代码非常冗余&#xff…
阅读更多...
一文深入了解DeepSeek-R1：模型架构

一文深入了解DeepSeek-R1：模型架构

本文深入探讨了 DeepSeek-R1 模型架构。让我们从输入到输出追踪 DeepSeek-R1 模型&#xff0c;以找到架构中的新发展和关键部分。DeepSeek-R1 基于 DeepSeek-V3-Base 模型架构。本文旨在涵盖其设计的所有重要方面。 &#x1f4dd; 1. 输入上下文长度 DeepSeek-R1的输入上下文长…
阅读更多...
Linux进程管理

Linux进程管理

一、进程查看 1、进程 进程 process 计算机执行任务的最小单位 2、进程查看 ps auxa&#xff1a;all u&#xff1a;user x&#xff1a;所有终端 所有用户所有终端的所有进程 COMMAND&#xff1a; 进程名称 USER&#xff1a; 启动进程的用户&…
阅读更多...
（5/100）每日小游戏平台系列

（5/100）每日小游戏平台系列

新增一个数字迷宫游戏&#xff01; 数字迷宫游戏是一款基于迷宫探索的益智游戏。玩家从迷宫的起点出发&#xff0c;必须根据迷宫中的数字指示&#xff0c;选择正确的方向&#xff0c;通过迷宫最终到达终点。游戏的目标是尽快找到并到达终点。 游戏规则 起点与终点&#xff1a;…
阅读更多...
latex二重闭合积分显示

latex二重闭合积分显示

latex二重闭合积分显示 环境 texlive2024texstdio4.8.6 解决 添加宏包 \usepackage{esint} % 在导言区加载宏包符号 \oiint测试 documentclass[12pt]{article} \usepackage{esint} % 在导言区加载宏包 \title{Hello} \author{Houor}\begin{document}\maketitleHello, \L…
阅读更多...
WebP2P+自研回音消除：视频通话SDK嵌入式EasyRTC构建高交互性音视频应用

WebP2P+自研回音消除：视频通话SDK嵌入式EasyRTC构建高交互性音视频应用

随着移动互联网时代的到来&#xff0c;手机端的扬声器大多采用外置设计&#xff0c;且音量较大。在这种情况下&#xff0c;扬声器播放的声音更容易被麦克风捕捉&#xff0c;从而导致回声问题显著加剧。这种设计虽然方便用户在免提模式下使用&#xff0c;但也带来了更复杂的音频…
阅读更多...
二分查找sql时间盲注，布尔盲注

二分查找sql时间盲注，布尔盲注

目录 一&#xff1a;基础知识引导 数据库&#xff1a;information_schema里面记录着数据库的所有元信息 二&#xff0c;布尔盲注&#xff0c;时间盲注 &#xff08;1&#xff09;布尔盲注案例&#xff08;以sqli-labs第八关为例&#xff09;&#xff1a; &#xff08;2&am…
阅读更多...
机器学习 - 理论和定理

机器学习 - 理论和定理

在机器学习中&#xff0c;有一些非常有名的理论或定理&#xff0c;对理解机器学习的内在特性非常有帮助。本文列出机器学习中常用的理论和定理&#xff0c;并举出对应的举例子加以深化理解&#xff0c;有些理论比较抽象&#xff0c;我们可以先记录下来&#xff0c;慢慢啃&#…
阅读更多...
Linux Mem -- ARM8.5-A Memory Tagging Extension

Linux Mem -- ARM8.5-A Memory Tagging Extension

目录 1 介绍 2 威胁模型 3 MTE的内存安全 4 架构细节 5 在ARMv8-A架构&#xff0c;MTE添加了如下指令&#xff0c;可根据策略分为三种&#xff1a; 6 大量部署MTE 7 MTE的硬件层部署 8 MTE的软件层部署 8.1 Heap Tagging 8.2 Stack Tagging 9 MTE优化 近期在深入了解A…
阅读更多...
深入剖析推理模型：从DeepSeek R1看LLM推理能力构建与优化

深入剖析推理模型：从DeepSeek R1看LLM推理能力构建与优化

著名 AI 研究者和博主 Sebastian Raschka 又更新博客了。原文地址&#xff1a;https://sebastianraschka.com/blog/2025/understanding-reasoning-llms.html。这一次&#xff0c;他将立足于 DeepSeek 技术报告&#xff0c;介绍用于构建推理模型的四种主要方法&#xff0c;也就是…
阅读更多...
如何保持 mysql 和 redis 中数据的一致性？PegaDB 给出答案

如何保持 mysql 和 redis 中数据的一致性？PegaDB 给出答案

MySQL 与 Redis 数据保持一致性是一个常见且复杂的问题&#xff0c;一般来说需要结合多种策略来平衡性能与一致性。 传统的解决策略是先读缓存&#xff0c;未命中则读数据库并回填缓存&#xff0c;但方式这种维护成本较高。 随着云数据库技术的发展&#xff0c;目前国内云厂商…
阅读更多...
Vue 入门到实战 十

Vue 入门到实战 十

第10章 Vue Router​​​​​​​ 目录 10.1 什么是路由 10.2 Vue Router的安装 10.2.1 本地独立版本方法 10.2.2 CDN方法 10.2.3 NPM方法 10.2.4 命令行工具&#xff08;Vue CLI&#xff09;方法 10.3 Vue Router的基本用法 10.3.1 跳转与传参 10.3.2 配置路由 10.…
阅读更多...
Java并发中的CAS机制：原理、应用与挑战(通俗易懂版)

Java并发中的CAS机制：原理、应用与挑战(通俗易懂版)

上一期文章内容&#xff1a;Java并发中的乐观锁与悲观锁&#xff0c; 本期文章我们来讲一下Java并发中的CAS机制 一、从银行账户案例理解CAS CAS 是一种乐观锁机制&#xff0c;用于在不使用锁的情况下实现多线程对共享资源的并发访问。 它包含三个操作数&#xff1a;内存位置&a…
阅读更多...
SpringBoot自动配置-以Mybatis配置为例

SpringBoot自动配置-以Mybatis配置为例

SpringBoot自动配置 无基础的直接看链接内容&#xff0c;有基础就直接顺着往下看就可以 Spring底层&#xff08;自动配置&#xff09; 自动配置就是EnableXXX封装Improt&#xff08;ImportSelector的实现类&#xff09;对应方法selectImoprt返回字符串数组为类名会注册为bean…
阅读更多...
最新文章
推荐文章

Copyright @ 2022~2023