在带有图形界面的Mac上本地安装DeepSeek
作者:admin 时间:2026-5-12 14:25:8 浏览:在前文中，详细介绍了在带有图形界面的Windows/Linux上本地安装DeepSeek的过程步骤，本文将继续介绍在带有图形界面的Mac上本地安装DeepSeek。
运行DeepSeek-R1所需的硬件要求
本地运行 DeepSeek-R1 需要性能强的显卡，理想情况下是 NVIDIA 显卡，显存（12GB+）以保证良好的速度，至少需要16GB至32GB的系统内存和快速的NVMe存储。对于较小型号（7B/14B），16GB+内存和3060/4060显卡即可使用，而较大的32B+型号则需要24GB+显存（例如RTX 3090/4090）。
硬件需求分解：
- 显卡（关键）：强烈推荐使用NVIDIA显卡支持CUDA。
- 最低配置（7B/14B）：8GB–12GB 显存（例如RTX 3060,4060 Ti）。
- 推荐（32B）：24GB 显存（例如 RTX 3090、4090）。
- Mac：Apple Silicon M1/M2/M3，配备至少16GB统一内存（32GB+优先）。
系统内存：
- 最低容量：16GB（小型号）。
- 推荐：32GB–64GB+（以避免瓶颈并应对更大机型）。
存储容量：
- 512GB–1TB NVMe SSD。型号范围从4GB到超过20GB。
CPU：
- 现代AMD Ryzen 5/7或Intel Core i5/i7。
在Mac上本地安装DeepSeek
Mac面临的挑战包括：
- DeepSeek 型号需要 CUDA（NVIDIA GPU），而苹果硅片不支持该 CPU。
- 你需要使用 金属性能着色器（MPS） 或 基于CPU的推理 ，而不是CUDA。
没有专用显卡，性能会慢很多 。
步骤1：安装自制软件和依赖系统
如果你还没安装 Homebrew，请先安装：
/bin/bash -c "$(curl -fsSL https://raw.githubusercontent.com/Homebrew/install/HEAD/install.sh)"
该命令安装 Homebrew，一个适用于 macOS 和 Linux 的包管理器，简单来说，它的作用如下：
/bin/bash -c： 在 Bash 壳内运行命令。$(...)：在括号内执行命令。curl -fsSL https://raw.githubusercontent.com/Homebrew/install/HEAD/install.sh： 从 GitHub 下载 Homebrew 的安装脚本并运行。
本质上，这个命令会自动获取并运行 Homebrew 安装脚本，使得安装 Homebrew 变得轻松，无需手动步骤，详细安装过程请看文章如何在Linux安装Homebrew包管理器。
然后，安装所需的依赖：
brew install cmake protobuf git-lfs
该命令可通过 Homebrew 在 macOS 或 Linux 上安装 CMake、Protobuf 和 Git LFS。每个部件的作用如下：
brew install：使用自制软件安装软件包。cmake： 一个帮助生成编译软件构建文件的工具。protobuf： 代表协议缓冲区，用于序列化结构化数据，常用于机器学习和 API。git-lfs： 是 Git 大型文件存储的缩写，帮助管理 Git 仓库中的大型文件。
该命令确保这些关键开发工具被安装。
第二步：搭建虚拟环境
创建虚拟环境以避免冲突：
python3 -m venv deepseek_env
source deepseek_env/bin/activate
pip install --upgrade pip
步骤3：安装DeepSeek模型和vLLM
DeepSeek 与支持 macOS 上金属性能着色器（MPS ）的 vLLM 配合效果最佳 ：
pip install vllm torch transformers accelerate
该命令使用 pip 安装多个 Python 包，pip 是 Python 的包管理器。每个部件的作用如下：
pip install安装 Python 库。vllm：一款高效运行大型语言模型的高性能推理引擎。torch：核心PyTorch库，用于深度学习和神经网络计算。transformers：Hugging Face 提供的库，用于处理像 GPT 和 Deepseek 这样的预训练模型。accelerate：优化深度学习模型执行，实现高效的多GPU和混合精准训练。
该命令确保你拥有高效运行AI模型所需的所有工具。
然后，安装DeepSeek模型：
pip install deepseek-ai
步骤4：运行MPS（苹果硅片）的DeepSeek模型
from transformers import AutoModelForCausalLM, AutoTokenizer
import torch
model_id = "deepseek-ai/deepseek-coder-6.7B"
device = "mps" if torch.backends.mps.is_available() else "cpu"
tokenizer = AutoTokenizer.from_pretrained(model_id)
model = AutoModelForCausalLM.from_pretrained(model_id).to(device)
prompt = "Explain the theory of relativity in simple terms."
inputs = tokenizer(prompt, return_tensors="pt").to(device)
outputs = model.generate(**inputs, max_length=100)
print(tokenizer.decode(outputs[0], skip_special_tokens=True))
这个 Python 脚本加载并运行 DeepSeek-Coder 6.7B，这是一个用于文本生成的 AI 模型。以下是详细说明：
✅1. 导入必要的库
transformers： 处理模型和分词器加载。torch：用于张量计算和硬件加速。
✅2. 搭建型号和设备
model_id： 规定了DeepSeek-Coder模型。device：如果有，使用Apple Silicon的MPS（金属性能着色器），否则默认使用CPU。
✅3. 加载 Tokenizer 和 Model
- 分词器将文本转换为模型能理解的格式。
- 模型被加载到指定的设备上。
✅4. 处理输入并生成输出
- 输入提示“
Explain the theory of relativity in simple terms.”被分牌化。 - 模型根据输入生成文本。
✅5. 解码与打印输出
- 输出从标记转换回人类可读文本并显示。
该脚本允许在本地硬件上进行基于文本的AI推理，使其在代码完成、内容生成等方面非常有用。
步骤5：安装并运行图形界面
为了获得 易用界面，安装 文本生成Web UI：
git clone https://github.com/oobabooga/text-generation-webui.git
cd text-generation-webui
pip install -r requirements.txt
然后，运行界面：
python server.py --model deepseek-ai/deepseek-coder-6.7B --device mps
现在，在浏览器中打开 https://localhost:5000 与DeepSeek交互。
该命令启动一个运行 DeepSeek-Coder 6.7B 进行推理的 Python 服务器。
python server.py： 运行脚本server.py，这很可能启动 API 或推理服务器。--model deepseek-ai/deepseek-coder-6.7B： 规范了DeepSeek-Coder 6.7B模型用于处理请求。--device mps：运行该模型于苹果硅芯片的MPS上进行硬件加速。
这种设置允许通过API或本地接口提供AI生成的响应。
DeepSeek 实现常见问题排查
✅1. CUDA 内存不足错误
- 减少批量。
- 启用梯度检查点。
- 用上
torch.cuda.empty_cache()。
✅2. 推理性能慢
将模型转换为TorchScript以优化推理：
scripted_model = torch.jit.script(model)
使用 ONNX 运行时加速推理：
pip install onnxruntime
哪种配置最适合你？
- Mac（Apple Silicon）：使用 MPS配合vLLM 和 文本生成Web UI 或 LM Studio。
- Mac（Intel）：使用 CPU推理 （较慢）或运行于 Docker Linux环境。
在本地机器上部署DeepSeek，相比云端解决方案，专业人士拥有更多的灵活性、隐私和定制性。最后有几点需要注意
- 本地运行 DeepSeek需要大量资源。
- 为了最佳性能， 建议使用 带CUDA的NVIDIA显卡 。
- 在Mac上运行， MPS是CUDA的最佳替代方案，但性能会更慢。
总结
本文详细介绍了在带有图形界面的Mac上本地安装DeepSeek的过程步骤，本指南涵盖了你需要了解的硬件需求、优化设置。
相关文章
标签: DeepSeek
