企业官网建设流程全解析

简介：这份PDF面向需要在Linux环境下部署DeepSeek的开发者与深度学习爱好者，系统梳理了从环境准备到模型运行的手动部署流程，适合具备一定Linux与Python基础、希望独立完成本地部署的中级用户参考。资源包内仅含1个PDF文件，大小约215KB，内容紧凑，便于随时查阅与打印。文档围绕系统要求、Python虚拟环境创建、代码库克隆、依赖包安装、配置文件修改以及训练与推理命令等环节展开，并重点提示依赖冲突、GPU未识别、内存不足与文件权限等常见问题的排查思路，帮助读者少走弯路。目前已有794人学习下载，可作为部署前的检查清单与排错手册使用。

1. 从一次“装完却跑不起来”的部署说起

DeepSeek 在 Linux 系统下的手动部署，是很多做深度学习任务的开发者绕不开的一关。我见过太多人把pip install -r requirements.txt跑完就以为大功告成，结果python train.py一执行，要么 CUDA 版本对不上，要么虚拟环境根本没激活，终端里报的错跟模型本身一点关系都没有。这套环境对版本极其敏感：Ubuntu 20.04 LTS 起步、Python 3.8 以上、至少 4 核 CPU 且支持 AVX 指令集、内存 8GB 打底（16GB 才舒服）、20GB 可用空间，显卡那块还得看 CUDA 和 cuDNN 的脸色。装不好不会立刻炸，而是在训练跑到一半时给你来个内存不足或者 GPU 未检测到，排查起来相当费劲。这篇笔记适合两类人：第一次在 Linux 上手动部署 DeepSeek、想照着走通的新手，以及装过但被依赖冲突和 GPU 识别坑过的熟手。下面按环境准备、虚拟环境、代码克隆、依赖安装、配置运行、避坑验证的顺序，把每一步的命令和参数取舍讲清楚。

2. 环境准备：Ubuntu 20.04 下的系统要求与基础软件安装

2.1 系统要求逐项核对

在敲任何安装命令之前，先把机器条件对一遍。DeepSeek 官方给出的最低门槛是 Ubuntu 20.04 LTS 或更高版本，其他基于 Debian 的发行版也可以，但 Ubuntu 的兼容性最稳。处理器至少 4 核，并且要支持 AVX 指令集——这一点容易被忽略，老旧的服务器 CPU 如果不支持 AVX，后面 TensorFlow 相关依赖装上了也跑不动。内存最低 8GB，我一般建议直接上 16GB 或更高，因为训练过程中 batch size 稍微调大一点，8GB 很快就见底。存储空间至少留 20GB 可用，模型文件、依赖包和数据集加起来很容易超。显卡是可选项，但如果你有支持 CUDA 的 NVIDIA 显卡，强烈建议启用 GPU 加速，否则训练速度差距非常明显。

核对 CPU 是否支持 AVX，可以用下面这条命令：

grep -o 'avx' /proc/cpuinfo | head -1

如果输出avx，说明支持；如果什么都没输出，那这台机器只能走 CPU 路线，后面 CUDA 相关的步骤可以跳过。内存和存储用free -h和df -h看一眼就行，不展开。

2.2 安装 Python、pip 和 Git

系统自带的 Python 版本可能偏低，先更新软件源再装：

sudo apt update sudo apt install python3 python3-pip git -y

装完后验证版本：

python3 --version pip3 --version git --version

DeepSeek 要求 Python 3.8 或更高，Ubuntu 20.04 默认的 Python 3.8 刚好达标。如果你的系统 Python 低于 3.8，需要额外添加软件源升级，这一步在 Ubuntu 20.04 上一般不会遇到。Git 用来克隆代码库，版本没有特殊要求，apt 源里的就够用。

2.3 CUDA 和 cuDNN 的安装与路径配置

这一步只针对有 NVIDIA 显卡并打算用 GPU 加速的情况。CUDA Toolkit 和 cuDNN 需要从 NVIDIA 官方渠道获取，安装时最关键的是版本匹配：CUDA 版本要和后面安装的 TensorFlow 版本兼容，cuDNN 又要和 CUDA 版本对应。我一般会先确定要装的 TensorFlow 版本，再倒推 CUDA 和 cuDNN 的版本，而不是先随便装一个 CUDA。

安装完成后，把 CUDA 的路径写进环境变量：

export PATH=/usr/local/cuda/bin:$PATH export LD_LIBRARY_PATH=/usr/local/cuda/lib64:$LD_LIBRARY_PATH

这两行的作用是让系统能找到nvcc编译器和 CUDA 的动态链接库。PATH影响命令查找，LD_LIBRARY_PATH影响运行时库加载。注意这种写法只在当前终端会话生效，关掉终端就没了。想持久化的话，把这两行追加到~/.bashrc里，然后source ~/.bashrc。我见过有人装完 CUDA 后nvcc -V能显示版本，但 Python 里就是检测不到 GPU，十有八九是LD_LIBRARY_PATH没配或者配错了路径。

2.4 安装 venv 虚拟环境工具

为了避免依赖冲突，虚拟环境是必须的。安装 venv：

sudo apt install python3-venv -y

这一步很快，但别跳过。后面所有 Python 包都装在虚拟环境里，不污染系统 Python，出问题直接删掉虚拟环境重建，比在系统环境里修依赖省事得多。

3. 创建 Python 虚拟环境：隔离依赖的第一步

3.1 创建虚拟环境的命令与参数

在项目存放目录下执行：

python3 -m venv deepseek_env

这条命令会在当前目录创建一个名为deepseek_env的文件夹，里面包含独立的 Python 解释器和 pip。-m venv是调用 Python 自带的 venv 模块，不需要额外安装。虚拟环境的名字可以自定义，我习惯用项目名加_env后缀，方便一眼看出对应关系。创建过程通常几秒钟，如果卡住不动，检查一下磁盘空间和 Python 安装是否完整。

3.2 激活虚拟环境与验证

创建完成后必须激活才能生效：

source deepseek_env/bin/activate

激活后终端提示符前面会出现(deepseek_env)字样，这是最直观的判断依据。验证一下当前 Python 指向的是虚拟环境里的解释器：

which python3

输出应该是.../deepseek_env/bin/python3，而不是/usr/bin/python3。如果输出还是系统路径，说明激活没成功，检查命令路径是否正确。退出虚拟环境用deactivate，但部署过程中一般不需要退出。

提示：每次新开终端窗口都要重新执行source deepseek_env/bin/activate，虚拟环境不会自动激活。忘记激活是后面依赖装错位置的头号原因。

3.3 虚拟环境常见误区

有人图省事直接用系统 Python 装依赖，结果和系统自带的包版本打架，把系统工具都搞坏了。还有人创建虚拟环境时用了sudo，导致文件夹归属 root，后面普通用户装包权限不足。记住两条：创建和激活虚拟环境都不需要sudo；虚拟环境文件夹放在你有写权限的目录下，比如用户主目录或项目目录。

4. 克隆代码库与安装依赖包：版本匹配是关键

4.1 克隆 DeepSeek 代码库

确保虚拟环境已激活，然后执行：

git clone https://github.com/deepseek-ai/deepseek.git cd deepseek

克隆完成后进入项目目录。如果网络原因导致克隆慢或失败，可以多试几次，或者检查 Git 的配置。进入目录后用ls看一眼，确认requirements.txt、train.py、infer.py这些文件都在。

4.2 安装 requirements.txt 中的依赖

pip install -r requirements.txt

这条命令会读取requirements.txt里列出的所有包并逐个安装。安装过程中要留意输出，如果有版本冲突的警告，先记下来，不要急着忽略。requirements.txt里的版本号是官方测试过的组合，尽量不要手动改版本，除非你明确知道自己在做什么。安装时间取决于网络和包的数量，几分钟到十几分钟都正常。

4.3 GPU 支持：TensorFlow 版本选择与验证

如果你有 NVIDIA 显卡，需要安装支持 GPU 的 TensorFlow：

pip install tensorflow-gpu

装完后验证 GPU 是否被检测到：

import tensorflow as tf print(tf.config.list_physical_devices('GPU'))

如果输出里显示了 GPU 设备信息，说明 GPU 支持已启用。如果输出是空列表[]，说明 TensorFlow 没找到 GPU，按下面的顺序排查：先确认 CUDA 和 cuDNN 已正确安装且版本与 TensorFlow 兼容；再检查PATH和LD_LIBRARY_PATH是否包含 CUDA 路径；最后确认虚拟环境里装的是tensorflow-gpu而不是普通的tensorflow。这三个原因覆盖了绝大多数 GPU 未检测到的情况。

4.4 依赖冲突的处理方式

安装依赖时遇到冲突，常见做法有两种：一是用pip install --upgrade升级冲突的包，但要注意升级后是否影响其他依赖；二是干脆删掉虚拟环境重建，重新走一遍创建和安装流程。我一般倾向于第二种，因为依赖冲突一旦出现，手动修起来很容易按下葫芦浮起瓢，重建虚拟环境的成本反而更低。重建的命令就是删掉deepseek_env文件夹，重新python3 -m venv deepseek_env，再激活、再装依赖。

5. 配置与运行：config.yaml 参数与训练推理命令

5.1 修改 config.yaml 配置文件

DeepSeek 通常包含一个config.yaml配置文件，用于设置模型参数、数据路径等。用编辑器打开后，重点看这几类参数：模型相关的超参数（如层数、隐藏单元数）、数据路径（指向你的数据集位置）、训练参数（如 batch size、学习率）。数据路径一定要写绝对路径或者相对于项目根目录的正确相对路径，路径写错是运行时报错的高频原因。修改前建议先备份一份原始配置：

cp config.yaml config.yaml.bak

这样改坏了还能还原。

5.2 数据准备与路径配置

确保训练或推理所需的数据集已经准备好，并且路径正确配置在config.yaml里。数据集的格式要求参考项目文档，不同任务对输入格式的要求不一样。如果数据集很大，注意存储空间是否够用，前面提到的 20GB 可用空间要留足余量。

5.3 训练模型

一切就绪后，执行训练命令：

python train.py

训练过程中留意终端输出，重点关注 loss 变化和是否有内存不足的警告。如果出现内存不足，优先尝试减小config.yaml里的 batch size，这是最直接有效的方法。其次可以考虑使用更小的模型或数据集，或者启用 GPU 加速来分担内存压力。

5.4 推理任务

如果已经有训练好的模型，执行推理：

python infer.py

推理对内存的要求通常比训练低，但同样要确保模型文件路径和输入数据路径配置正确。推理脚本的参数如果有额外选项，用python infer.py --help查看。

6. 避坑与排查：五条血泪经验

6.1 依赖包冲突导致安装中断

现象：pip install -r requirements.txt执行到一半报错，提示某个包版本不兼容。原因：系统环境或其他已安装包与 DeepSeek 依赖的版本要求冲突。解决：确认虚拟环境已激活，然后删掉虚拟环境重建，重新安装。不要试图在冲突环境里硬修。

6.2 GPU 未检测到

现象：tf.config.list_physical_devices('GPU')返回空列表。原因：CUDA/cuDNN 版本与 TensorFlow 不匹配，或环境变量未配置，或装错了 TensorFlow 版本。解决：按 4.3 节的顺序逐项排查，重点确认LD_LIBRARY_PATH包含 CUDA 的lib64路径。

6.3 训练过程中内存不足

现象：训练跑到一半被系统 kill，或报 MemoryError。原因：batch size 过大、模型或数据集超出内存容量。解决：减小 batch size 是最快的手段；其次换更小的模型或数据集；有 GPU 的话启用 GPU 加速。

6.4 文件权限问题

现象：程序无法读取配置文件或写入输出目录，报 Permission denied。原因：项目目录或相关文件的权限不足，常见于用sudo创建过文件的情况。解决：用ls -l检查文件归属，必要时用chown改回当前用户，避免后续操作继续用sudo。

6.5 虚拟环境未激活就装依赖

现象：依赖装完了，但运行时报模块找不到，或者版本和预期不符。原因：新开终端后忘记激活虚拟环境，依赖装到了系统 Python 里。解决：养成习惯，每次操作前先看终端提示符有没有(deepseek_env)，没有就执行source deepseek_env/bin/activate。

7. 装完怎么验证跑通：三步确认法

部署完成后别急着上正式任务，先用一个最小流程确认环境真的通了。第一步，确认虚拟环境和 Python 版本：

source deepseek_env/bin/activate python3 --version which python3

输出应该是 Python 3.8 以上，且路径指向deepseek_env。第二步，确认关键依赖能正常导入：

import tensorflow as tf print(tf.__version__) print(tf.config.list_physical_devices('GPU'))

TensorFlow 版本能打印出来，GPU 列表符合预期（有显卡就显示设备，没显卡就是空列表），说明依赖层没问题。第三步，用一个小数据集跑一次推理或短训练，观察是否能正常开始并输出结果。我一般会先把config.yaml里的 batch size 调到最小，跑通后再逐步调回正常值。

从那以后我每次部署完 DeepSeek，都强制走一遍这三步验证，哪怕前面每一步看起来都顺利。因为环境问题往往藏在“看起来装好了”和“实际能跑”之间，提前花两分钟验证，比训练跑了一半崩掉再回头查要划算得多。希望帮到你。

本文还有配套的精品资源，点击获取