💡 『概要』

最近团队在搞深度学习相关的研究，遇到了个头大的问题：设备依赖太重，每个人都要配备高性能硬件才能跑模型🤖。于是我开始思考，有没有办法让大家共享资源，降低设备要求？🧐 经过一番调研和实践，我们终于打通了DeepSeek平台 + Chatbox可视化界面的全流程局域网协作方案！✨

💡『干货分享』

1️⃣ 本地部署Ollama，轻松配置远程访问服务📡
2️⃣ 通过Chatbox实现人机交互的实时反馈💬
3️⃣ 局域网内多设备协作，资源共享高效便捷🔄

最实在的是：其他小伙伴即使没高性能设备，也能轻松参与模型训练和优化啦！🎉`

💡『技术细节』

• Ollama本地部署步骤清爽明了，配置好防火墙就能远程访问
• Chatbox的界面简直不要太友好，连非技术人员都能轻松上手
• 局域网内IP配置超简单，三两下就能打通全流程

💡『DeepSeek概述』

DeepSeek是一个相对较新的、基于深度学习的模型搜索和优化平台，它旨在帮助用户快速发现和部署适合特定问题的深度学习模型。这个平台通常与以下几个方面相关：

• 自动化模型选择：DeepSeek 可以帮助用户在给定的任务中自动搜索并选择最合适的深度学习模型。它通过训练和测试多种模型，自动进行比较并给出最佳的选择。

• 超参数优化：它支持超参数优化(Hyperparameter Tuning)，即通过调整模型的超参数来提升模型的性能。这是深度学习中一个非常重要的过程，合适的超参数可以显著提高模型的效果。

• 跨平台支持：DeepSeek 通常与不同的深度学习框架兼容，如 TensorFlow、PyTorch 等。用户可以直接在这些平台上运行模型并进行优化。

• 简化用户操作：对于不熟悉深度学习的用户，DeepSeek提供了简化的操作界面和自动化功能，降低了深度学习模型选择和训练的门槛。

• 集成与扩展性：它还可以与其他工具（如云计算资源、容器化环境等）集成，支持大规模分布式计算，帮助用户在大规模数据集上进行高效的模型训练。

• 持续学习与优化：DeepSeek 支持持续学习，可以根据新收集的数据继续优化模型，保持模型的性能和适应性。

• 论文链接：https://github.com/deepseek-ai/DeepSeek-R1/blob/main/DeepSeek_R1.pdf`
  

                                 图1 Deepseek 标志
  

💡『工作站配置』

工作站配置为双路Intel Xeon 80线程CPU，3090（24G）GPU X2࿰