- 综合排序
- 最热优先
- 最新优先
- 来自专栏活动
DeepSeek 量化压缩实战：INT8 精度保持方案详解
其中，INT8 量化将模型参数从 32 位浮点数（FP32）转换为 8 位整数（INT8），显著减少了模型的存储空间和计算量。 其优势包括：存储空间减少：INT8 参数占用的存储空间仅为 FP32 的 1/4。计算速度提升：整数运算通常比浮点运算更快，尤其是在硬件支持的情况下。 （二）DeepSeek 的诞生与演进DeepSeek 量化压缩方案在这一背景下应运而生。它借鉴了前人的研究成果，并结合现代深度学习模型的特点和应用需求，提出了一套系统的量化压缩框架。 三、实例分析：DeepSeek 在图像分类任务中的应用（一）数据集与模型选择为了验证 DeepSeek 量化压缩方案的有效性，我们选择了一个经典的图像分类任务作为实例。 卷积层 2 32 64 3x3 1 1 ReLU 池化层 2 2x2 2 全连接层 1 64x8x8
1.7K20编辑于 2025-03-27 - 来自专栏前端必修课
DeepSeek 文生图实战指南
我是程序员 NEO 让我们开始今天的技术分享~ 想让 DeepSeek 生成精美图片吗？本文将为您揭示一个简单而强大的解决方案，让您轻松实现 AI 创意的可视化呈现。 突破 DeepSeek 的限制 DeepSeek 作为新晋的 AI 助手，虽然在对话能力上表现出色，但并不直接支持图像生成功能。 不过，通过本文介绍的方法，我们可以轻松突破这一限制，让 DeepSeek 秒变"画家"。 核心解决方案 关键在于利用 Pollinations.ai 提供的图像生成 API。 =100&model=flux&nologo=true 参数说明： width/height：控制图片尺寸 seed：随机种子，保证图片的可重复性 nologo=true：去除水印，获得清晰原图 实战指南
1K11编辑于 2025-03-07 - 来自专栏老张的求知思考世界
DeepSeek原理与项目实战
FP8 优化技术等，成为该系列的旗舰模型，是当前语言模型领域的顶尖代表之一。 FP8 混合精度训练 在训练中采用 FP8 混合精度技术，DeepSeek V3 在降低显存需求的同时，保持了数值计算的稳定性与模型性能，大幅减少了硬件资源占用。 ▲基于 FP8 的 DeepSeek-V3 性能优化策略 像这样厉害的性能优化和技术创新，还有很多。 而且，DeepSeek V3发布即选择全栈开源，实质是按下AI技术扩散的指数级增长按钮。 当技术爆炸遇见知识鸿沟，《DeepSeek 原理与项目实战》这本兼顾理论深度、技术广度和实践经验的好书，便为读者打开了通向DeepSeek世界的大门。 集成实战1：基于LLM的Chat类客户端开发 集成实战2：AI 智能助理开发 集成实战3：基于VS Code的辅助编程插件开发 Part.3 结语 在当下大模型技术快速迭代的浪潮中，本书以技术前瞻性、实战系统性和应用普适性形成显著特色
87610编辑于 2025-03-10 - 来自专栏大模型成长之路
【大模型学习 | RAG & DeepSeek 实战】
Deepseek & RAG 实战 编者常常有许多材料需要阅读查阅，但自己又比较懒，为此，想在大模型的学习过程中基于RAG技术将本地知识库与大模型结合起来，加快自身的效率。 在本次的项目设计，需要达成以下目标： 开源大模型的本地部署及使用 （以Deepseek为例）； PDF文本分析 ➕ 相似prompt检索提取 （关键）； 将检索到的信息与原prompt结合作为输入，得到结果 检索Top3结果：参考1 - 8 -（境外生排位第一）获得省部级及以上学科竞赛奖项，奖励金额参考2 1.学校对获得省部级及以上学科竞赛奖项的学生给予奖励，参考3 培训费以及学生奖金等。 - 8 -（境外生排位第一）获得省部级及以上学科竞赛奖项，奖励金额', '可提高 10%。' extract_paragraphs_from_pdf("mypdf.pdf")print(paragraphs)相似检索结果请根据以下参考内容回答问题：参考1 4.鼓励境外生积极参与学科竞赛活动，境外生个人或团体 - 8
1.1K31编辑于 2025-07-19 - 来自专栏程序人生 阅读快乐
Java 8实战
本书全面介绍了Java 8 这个里程碑版本的新特性，包括Lambdas、流和函数式编程。有了函数式的编程特性，可以让代码更简洁，同时也能自动化地利用多核硬件。 全书分四个部分：基础知识、函数式数据处理、高效Java 8 编程和超越Java 8，清晰明了地向读者展现了一幅Java 与时俱进的现代化画卷。
59510发布于 2018-10-10 - 来自专栏大模型成长之路
【大模型学习 | RAG & DeepSeek 实战（二）】
Deepseek & RAG 实战（二）在【大模型学习 | RAG & DeepSeek 实战】-腾讯云开发者社区-腾讯云文章中，已经实现了基于RAG建立了本地知识库，通过检索相似度最高的知识来辅助大模型的问答系统 应用场景 PQ（Product Quantization） 将向量拆分成多个子向量 → 用 8bit 比 PQ 更强的压缩（旋转+重组） 更高精度压缩 1️⃣ Faiss 的压缩索引（PQ）将向量拆分成多个子向量 → 用 8bit 表示每个子块index = faiss.IndexPQ(d, M=8, nbits=8)d: 向量维度（如 384）M: 子向量数量（压缩块）nbits: 每块用几位表示（8bit）2️⃣ Faiss
92221编辑于 2025-07-20 - 来自专栏电子工程师成长日记
用DeepSeek学嵌入式10：8*8点阵使用
具体实现功能： 利用51单片机和8*8共阳极点阵显示数字0-8。 DeepSeek问答截图： 设计介绍 51单片机简介 51单片是一种低功耗、高性能CMOS-8位微控制器，具有8K可编程Flash存储器，使得其为众多嵌入式控制应用系统提供高灵活、超有效的解决方案。 51系列单片机具有以下标准功能： 8k字节Flash，512字节RAM， 32位I/O口线，看门狗定时器， 内置4KB EEPROM， MAX810复位电路， 三个16位定时器/计数器， 一个6向量2级中断结构 本设计由C语言编写，全部代码如下： #include <reg51.h> // 共阳极点阵数字编码（列阴极数据） unsigned char code digits[9][8] = { // 数字 0xC6, 0xC6, 0x66, 0x3C}, // 数字7 {0xFE, 0xC6, 0x0C, 0x18, 0x30, 0x30, 0x30, 0x30}, // 数字8
22100编辑于 2025-04-30 - 来自专栏小工匠聊架构
Java 8 - Optional实战
---- Pre Java 8 - Optional全解相信你已经了解，有效地使用 Optional 类意味着你需要对如何处理存在缺失值进行全面的反思。
54120发布于 2021-08-17 - 来自专栏小工匠聊架构
Java 8 - Stream实战
---- Pre Java 8 - Stream流骚操作解读 Java 8 - Stream流骚操作解读2_归约操作 都学了这俩，是不是该出来练一练了？ ? ---- (8) 找到交易额最小的交易 Optional<Integer> minValue = transactions.stream().map(Transaction::getValue () .min(comparing(Transaction::getValue)); ---- 附 Trader & Transaction package com.artisan.java8. toString(){ return "Trader:"+this.name + " in " + this.city; } } package com.artisan.java8.
40410发布于 2021-08-17 - 来自专栏福大大架构师每日一题
deepseek VS chatgpt （399）-- 算法导论25.2 8题
deepseek： 要计算有向图 ( G = (V, E) ) 的传递闭包，可以通过对每个节点执行广度优先搜索（BFS）来实现，时间复杂度为 ( O(VE) )。
29610编辑于 2025-02-19 腾讯云 DeepSeek 系列模型部署HAI实战
在这一技术浪潮中，国内头部云厂商加速布局AI基础设施与工具链建设，其中腾讯云凭借其Deepseek系列大模型与**高性能AI计算实例（HAI）**的深度整合，为开发者提供了从模型训练到应用落地的全栈解决方案 操作过程：第一步：跳转链接https://cloud.tencent.com/act/pro/deepseek2025#HAI-CPU购买一个体验版的HAI，用于本次部署HAI的必要条件；第二步：点击立即购买选择一个可以购买的资源 所以说要选择一个可以购买的进行支付即可；第三步：进行支付支付成功：选择已成功支付即可；第四步：登录cnb.cool地址登录成功：第五步：跳转这个地址https://cnb.cool/ai-awesome/deepseek 但是如果只是根据视频进行搭建还是会存在一定的问题，只有实际搭建的时候，才会发现一些问题，当然了搭建好了模型之后只是第一步，如何根据搭建的服务进行调用，才是最重要的，这个点后续会继续更新对应的文章进行介绍，毕竟现在搭建deepseek
57321编辑于 2025-03-23-DeepSeek技术解析：MoE架构实现与代码实战
以下是一篇结合DeepSeek技术解析与代码示例的技术文章，重点展示其核心算法实现与落地应用：DeepSeek技术解析：MoE架构实现与代码实战作为中国AI领域的创新代表，DeepSeek在混合专家模型 nnimport torch.nn.functional as Fclass DeepSeekMoE(nn.Module): def __init__(self, dim=768, num_experts=8, 提出的改进训练策略在ImageNet分类任务中达到85.2%准确率：# 自定义混合精度训练器class MoETrainer: def __init__(self, model, num_experts=8) ", "deepseek_moe_quant.onnx", weight_type=QuantType.QInt8)# 推理加速import 未来应用deepseek将更加广泛
1.5K10编辑于 2025-03-15- 来自专栏EdisonTalk
MongoDB入门实战教程（8）
本系列教程目录： MongoDB入门实战教程（1） MongoDB入门实战教程（2） MongoDB入门实战教程（3） MongoDB入门实战教程（4） MongoDB入门实战教程（5） MongoDB 入门实战教程（6） MongoDB入门实战教程（7） 参考资料 唐建法，《MongoDB高手课》（极客时间） 郭远威，《MongoDB实战指南》（图书） 作者：周旭龙 出处：https://edisonchou.cnblogs.com
80350发布于 2021-06-29 - 来自专栏xingoo, 一个梦想做发明家的程序员
【Spring实战】—— 8 自动装配
xml version="1.0" encoding="UTF-8"? xml version="1.0" encoding="UTF-8"?
714100发布于 2018-01-17 - 来自专栏网络安全技术点滴分享
DeepseekScanner deepseek+python实现代码审计实战
一、功能概述 DeepseekScanner实现了扫描源代码项目中的所有代码文件发送给deepseek进行安全审计的功能。 具体细节包括扫描所有子目录中的代码文件，然后依次将代码文件切片发送到deepseek api进行智能代码审计。审计结果包含存在安全问题的代码文件、代码位置行数、安全漏洞问题名称、存在安全漏洞的代码块。 save_results_to_file(filepath, file_scan_results) except Exception as e: print(e) 2.代码文件切片发送给deepseek 做安全审计 //从项目中的各个目录提取代码文件后，开始对代码进行切片发送给deepseek做安全审计 def scan_file(file_path, scan_results, directory): 对项目中的所有代码进行安全审计 python scanner.py E:\work\sqli-secound-order --all 2.结果展示 四、总结 DeepseekScanner通过python+deepseek
56910编辑于 2025-06-16 - 来自专栏技术专栏全家桶
OpenClaw整合DeepSeek、Kimi模型并嵌入飞书实战
01、接入Kimi-K2.5模型 上一篇总结了OpenClaw的运行原理和基于MimiMax模型的部署实战：Agent之最新OpenClaw原理与实战大全 这篇将整合DeepSeek和Kimi模型，OpenClaw 国外模型成本费用较高，这里我们选择国内的DeepSeek和Kimi 2.5模型，这些模型在性能及价格方面评价都不错。 其他选项：高性能WindowsPC（需通过WSL2运行，兼容性并不好）、Linux服务器、树莓派 内存：建议16GB或以上（8GB环境下复杂任务易超时） 磁盘空间：预留20GB以上（含Docker镜像、 02、接入DeepSeek OpenClaw里面的列出来的模型里面没有deepseek。 : { "deepseek": { "baseUrl": "https://api.deepseek.com/v1", "apiKey": "${DEEPSEEK_API_KEY
14.5K24编辑于 2026-03-05 如何用DeepSeek优化代码生成？实战案例分析
如何用DeepSeek优化代码生成？ 实战案例分析一、DeepSeek的技术特点与优势DeepSeek是一款基于大规模预训练模型的代码生成工具，具有以下特点和优势：多任务能力：支持代码生成、代码补全、代码优化等多种任务。 二、实战案例：使用DeepSeek生成代码案例1：快速生成快速排序算法以下是使用DeepSeek生成快速排序算法的代码示例：from transformers import AutoTokenizer, AutoModelForCausalLM# 加载模型和分词器tokenizer = AutoTokenizer.from_pretrained("deepseek-ai/deepseek-coder- 使用上下文数据DeepSeek可以根据项目上下文生成符合规范的代码。例如，在电商系统中，它可以自动生成折扣计算逻辑。四、总结与展望DeepSeek在代码生成和优化方面展现了强大的能力。
1.7K10编辑于 2025-04-06- 来自专栏人工智能
腾讯云AI实战：DeepSeek模型训练与微调
关于DeepSeek模型简介DeepSeek是由腾讯控股，中国知名私募巨头幻方量化旗下的人工智能公司深度求索（DeepSeek）自主研发的AI大模型。 DeepSeek致力于研究和开发先进的通用人工智能模型AGI，其模型包括DeepSeek LLM、DeepSeek MoE、DeepSeek V2、DeepSeek-V3等，并且全部开源。 DeepSeek是基于Transformer架构，广泛应用于自然语言处理任务，比如文本分类、情感分析、机器翻译等，DeepSeek模型具有以下特点：高性能：基于Transformer架构，性能卓越。 从零开始：DeepSeek模型训练接下来就来从头开始进行DeepSeek模型训练。（一）准备工作在开始训练之前，需要做些准备工作，如下所示：注册腾讯云账号：访问腾讯云官网，注册账号并完成实名认证。 1、创建训练任务在TI One平台上创建一个新的训练任务，选择DeepSeek模型，并配置训练参数。
4.2K82编辑于 2025-02-06 - 来自专栏C++
【DeepSeek】DeepSeek概述 | 本地部署deepseek
1 -> 概述 DeepSeek是由中国的深度求索公司开发的一系列人工智能模型，以其高效的性能和低成本的训练而受到关注。 FP8混合精度训练：设计了FP8混合精度训练框架，首次验证了在极大规模模型上进行FP8训练的可行性和有效性。 1.2 -> 模型发布 DeepSeek-V3：2024年12月发布，总参数达6710亿，采用创新的MoE架构和FP8混合精度训练，训练成本仅为557.6万美元，在聊天机器人竞技场(Chatbot Arena 2.2 -> 部署deepseek-r1模型 回到ollama官网点击左上角的Models进入如下界面。 这样本地部署deepseek就算完成啦
3.7K32编辑于 2025-02-08 - 来自专栏活动
医疗知识问答：DeepSeek多跳推理优化实战指南
多跳推理的诞生DeepSeek项目于2021年启动，专注于解决医疗知识问答中的深度推理问题。 DeepSeek多跳推理算法原理3.1 核心架构与工作流程DeepSeek采用分层架构，包含以下主要组件：知识图谱层：存储医疗实体和关系推理引擎层：执行多跳推理注意力层：引导推理方向记忆层：存储中间结果更新层 deepseek-medical/bin/activate# 安装依赖pip install torch==1.12.0+cu113 torchvision==0.13.0+cu113 -f https ：提供推理路径可视化，增强医生信任5.2 行业影响与应用场景DeepSeek已在以下医疗场景得到应用：应用场景典型客户效果提升临床辅助诊断三甲医院诊断准确率提升27%医患对话系统在线医疗平台用户满意度提升 我们期待更多医疗专业人员和开发者加入DeepSeek社区，共同推动医疗AI技术的发展，为全球医疗健康事业做出贡献。
68610编辑于 2025-04-02
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号