在实际 AI 开发和应用领域，DeepSeek 作为一款性能卓越的开源大语言模型，其技术架构、部署方式和应用集成正成为开发者关注的焦点。无论是个人开发者希望本地部署以保护隐私和降低成本，还是企业团队寻求将 AI 能力集成到现有开发工具链中，DeepSeek 都提供了极具吸引力的选择。然而，从模型下载、环境配置到 API 调用、工具集成，每一步都涉及具体的技术细节和潜在的“坑”。本文将围绕如何将 DeepSeek 模型应用于实际开发场景，从本地部署、API 调用到主流 IDE 集成，提供一个可操作、可复现的完整技术指南，并重点解释关键配置背后的原理和常见问题的排查路径。

1. 理解 DeepSeek 模型家族与部署选型

在开始动手之前，明确不同 DeepSeek 模型的特点和适用场景是避免后续走弯路的关键。DeepSeek 发布了多个版本的模型，其能力、资源消耗和部署方式各有侧重。

1.1 核心模型版本解析

目前开发者社区讨论最热烈的几个版本包括 DeepSeek-V2、DeepSeek-Coder 以及近期发布的 DeepSeek V4 Flash 等。它们并非简单的迭代关系，而是针对不同任务进行了优化。

  • DeepSeek-V2 : 这是一个混合专家（MoE）模型，以其出色的通用对话和推理能力著称。它的特点是参数量大，但通过 MoE 架构，在推理时激活的参数远少于总参数量，从而在保持高性能的同时，相对控制了计算成本。适合需要强逻辑推理、知识问答和复杂对话的场景。
  • DeepSeek-Coder : 顾名思义，这是专为代码生成、补全、解释和调试而优化的模型系列。它在多种编程语言的代码库上进行了充分训练，在代码相关任务上的表现通常优于同规模的通用模型。对于开发者集成到 IDE 或构建代码助手应用，这是首选。
  • DeepSeek V4 Flash : 这是近期发布的一个更高效、更轻量的版本。根据社区信息，“Flash”通常意味着在推理速度、内存占用方面有优化，可能采用了不同的模型结构或量化技术，旨在提供更快的响应速度和更低的部署门槛，适合对延迟敏感或资源受限的环境。

选择模型时，你需要权衡任务类型（通用对话 vs. 代码生成）、可用硬件资源（GPU 显存、内存）以及对响应速度的要求。一个常见的误区是盲目追求最新或参数最大的模型，结果导致本地机器无法承载。

1.2 部署方式：本地、API 与云服务

根据你的需求和安全考量，DeepSeek 模型主要有三种使用方式：

  1. 完全本地部署 : 将模型文件（如 GGUF、GPTQ 格式）下载到自己的服务器或 PC 上，使用 Ollama、LM Studio、text-generation-webui 等工具加载和运行。这种方式数据完全私有，无网络延迟，但需要较强的本地算力（通常需要 NVIDIA GPU 和足够显存）。
  2. 调用官方/第三方 API : 使用 DeepSeek 官方提供的 API 服务，或者一些云平台集成的 DeepSeek API。这种方式无需关心硬件和运维，按需付费，但数据需要发送到服务提供方，且依赖网络。
  3. 模型即服务（MaaS）平台 : 在一些云平台的模型市场（如阿里云灵积、百度千帆）中，可能提供了 DeepSeek 模型的托管服务，可以一键部署和调用。

对于大多数希望深度集成、进行二次开发或对数据隐私有要求的开发者， 本地部署 和 API 调用 是两种最主流且需要掌握的技术路径。本文将重点阐述这两种方式。

2. 环境准备与核心工具链

无论选择哪种部署方式，一个清晰、隔离的 Python 环境是工作的起点。同时，你需要熟悉几个核心工具。

2.1 Python 环境与包管理

强烈建议使用 conda 或 venv 创建独立的 Python 虚拟环境，以避免包版本冲突。

# 使用 conda 创建环境（假设命名为 deepseek-env）
conda create -n deepseek-env python=3.10
conda activate deepseek-env

# 或者使用 venv
python -m venv deepseek-venv
# 在 Windows 上激活
deepseek-venv\Scripts\activate
# 在 Linux/Mac 上激活
source deepseek-venv/bin/activate

激活环境后，安装基础依赖包：

pip install --upgrade pip
pip install requests httpx openai python-dotenv
  • requests / httpx : 用于发送 HTTP 请求调用 API。
  • openai : OpenAI 格式的 SDK，许多兼容 OpenAI API 的本地模型服务（如 Ollama、vLLM）可以通过此 SDK 调用，简化代码。
  • python-dotenv : 用于管理环境变量，如 API Key，避免硬编码在代码中。

2.2 模型运行与推理框架

如果你选择本地部署，以下几个工具是必须了解的：

  • Ollama : 一个强大的本地大模型运行和管理的命令行工具。它简化了模型下载、加载和提供 API 服务的过程。它支持 DeepSeek 的 GGUF 格式模型，通过简单的命令即可运行。
  • LM Studio : 一个带有图形界面的桌面应用，特别适合初学者在 Windows/macOS 上本地运行模型。它提供了直观的模型下载、加载、聊天和本地服务器功能。
  • text-generation-webui (oobabooga) : 一个功能极其丰富的 Web UI，支持多种模型加载方式（transformers, llama.cpp, ExLlama等），适合高级用户进行模型测试、对话和提供 API。
  • vLLM : 一个专注于高效推理和服务化部署的库，特别适合在生产环境中部署模型，提供高吞吐量的 OpenAI 兼容 API。

对于入门和快速验证， Ollama 是平衡了易用性和灵活性的首选。本文后续的本地部署示例将主要围绕 Ollama 展开。

3. 实战：本地部署 DeepSeek 模型（以 Ollama 为例）

本地部署的核心步骤是：获取模型 -> 通过工具加载 -> 提供服务。这里我们使用 Ollama 来运行一个 DeepSeek Coder 的量化版本。

3.1 安装与运行 Ollama

首先，访问 Ollama 官网下载并安装对应操作系统的版本。安装完成后，打开终端（或命令行），Ollama 服务通常会自行启动。你可以通过以下命令检查：

ollama --version
# 列出已拉取的模型
ollama list

3.2 拉取并运行 DeepSeek 模型

Ollama 官方或社区维护了许多模型的“Modelfile”，使得拉取模型变得非常简单。例如，要运行一个 DeepSeek Coder 的 7B 参数量化版：

# 拉取并运行 deepseek-coder:6.7b 模型（这是一个较受欢迎的代码模型）
ollama run deepseek-coder:6.7b

执行这个命令后，Ollama 会首先从仓库下载模型文件，然后启动一个交互式对话界面。你可以直接输入代码相关问题，例如：“用 Python 写一个快速排序函数”。模型会开始生成回答。

重要提示 ： deepseek-coder:6.7b 是 Ollama 库中的一个标签。你可以通过 ollama search deepseek 来搜索所有可用的 DeepSeek 模型变体，可能会找到 deepseek-coder , deepseek-llm 等不同版本，选择适合你硬件（主要是显存和内存）的版本。33B、7B、1.3B 参数量的模型对资源要求差异巨大。

3.3 以 API 服务器模式运行

交互式对话适合测试，但为了集成到其他应用（如 VSCode、Cursor），我们需要让 Ollama 在后台以 API 服务器的形式运行。

默认情况下，运行 ollama run 命令后，服务已经在 http://localhost:11434 提供了 API。为了更清晰地控制，我们可以专门启动服务：

# 在后台启动 Ollama 服务（具体方式因系统而异，通常安装后已作为服务运行）
# 在 Linux 上，可以使用 systemctl
sudo systemctl start ollama

# 检查服务状态和 API 是否可用
curl http://localhost:11434/api/generate -d '{
  "model": "deepseek-coder:6.7b",
  "prompt": "Hello",
  "stream": false
}'

如果看到返回的 JSON 数据，说明本地 API 服务正常运行。现在，这个本地服务提供了一个与 OpenAI API 部分兼容的接口，特别是 /v1/chat/completions 端点，这为后续 IDE 集成铺平了道路。

4. 通过代码调用 DeepSeek API

无论是调用本地 Ollama API 还是官方的云端 API，其代码结构是相似的，主要区别在于 基础 URL 和 API Key 。

4.1 调用本地 Ollama API

假设你的本地 Ollama 服务运行在 http://localhost:11434 。

import requests
import json

def ask_local_deepseek(prompt, model="deepseek-coder:6.7b"):
    url = "http://localhost:11434/api/generate" # Ollama 的生成端点
    # 注意：Ollama 的 /api/generate 不是完全的 OpenAI 格式
    payload = {
        "model": model,
        "prompt": prompt,
        "stream": False, # 关闭流式输出，一次性获取结果
        "options": {
            "temperature": 0.7, # 控制随机性
            "top_p": 0.9,       # 核采样参数
            "num_predict": 512  # 最大生成token数
        }
    }
    headers = {'Content-Type': 'application/json'}

    try:
        response = requests.post(url, data=json.dumps(payload), headers=headers, timeout=60)
        response.raise_for_status() # 检查HTTP错误
        result = response.json()
        return result.get("response", "No response generated.")
    except requests.exceptions.RequestException as e:
        return f"Error calling API: {e}"
    except json.JSONDecodeError as e:
        return f"Error parsing response: {e}"

# 使用示例
if __name__ == "__main__":
    code_prompt = "写一个Python函数，计算斐波那契数列的第n项。"
    answer = ask_local_deepseek(code_prompt)
    print("模型回答：")
    print(answer)

关键参数解释 ：

  • model : 必须与 Ollama 中拉取的模型名称一致。
  • stream : 设为 False 便于调试。设为 True 则可实现流式输出，适合需要逐字显示的场景。
  • temperature : 取值范围 0~2。值越低（如0.1），输出越确定、保守；值越高（如0.8），输出越随机、有创造性。代码生成通常用较低值（0.2-0.5）。
  • top_p : 核采样参数，与 temperature 配合使用，控制候选词的范围。
  • num_predict : 限制模型生成的最大 token 数量，防止生成过长无关内容。

4.2 使用 OpenAI SDK 调用兼容 API

Ollama 也提供了 OpenAI 兼容的端点 /v1/chat/completions 。使用 openai 这个 Python 包可以让代码与切换 API 提供商（如本地 Ollama 和官方 OpenAI）时更加统一。

首先，确保安装了 openai 包 ( pip install openai )。然后配置客户端指向本地服务。

from openai import OpenAI
import os

# 配置客户端，指向本地 Ollama 服务
client = OpenAI(
    base_url="http://localhost:11434/v1", # 注意这里是 /v1
    api_key="ollama", # Ollama 不需要真正的 key，但某些SDK要求非空，可任意填写
)

def ask_with_openai_sdk(messages, model="deepseek-coder:6.7b"):
    try:
        response = client.chat.completions.create(
            model=model,
            messages=messages, # 必须是消息列表，格式见下文
            temperature=0.2,
            max_tokens=1024,
        )
        return response.choices[0].message.content
    except Exception as e:
        return f"An error occurred: {e}"

# 使用示例
if __name__ == "__main__":
    # 消息格式遵循 OpenAI 的对话结构
    messages = [
        {"role": "system", "content": "你是一个专业的编程助手。"},
        {"role": "user", "content": "请用JavaScript实现一个深拷贝函数。"}
    ]
    answer = ask_with_openai_sdk(messages)
    print(answer)

这种方式的好处是，如果你未来需要切换到真正的 DeepSeek 官方 API 或其他任何兼容 OpenAI 的 API 服务（如 Together AI, Groq 等），只需修改 base_url 和 api_key 即可，业务代码无需改动。

4.3 （可选）调用 DeepSeek 官方 API

如果你选择使用 DeepSeek 的官方云端 API，流程与使用 OpenAI API 非常相似。你需要：

  1. 前往 DeepSeek 官方平台注册并获取 API Key。
  2. 在代码中，将 base_url 替换为官方的端点（例如 https://api.deepseek.com/v1 ）。
  3. 将 api_key 替换为你申请到的真实 Key。
  4. 查阅官方文档，确认支持的模型名称（如 deepseek-chat , deepseek-coder ）和具体的计费方式。
# 示例：使用官方API（假设）
client = OpenAI(
    base_url="https://api.deepseek.com/v1",
    api_key="your_deepseek_api_key_here", # 替换为真实的 API Key
)
# 后续调用代码与本地调用完全相同

安全提醒 ：永远不要将 API Key 硬编码在代码中或提交到版本控制系统（如 Git）。使用环境变量或 .env 文件来管理。

# .env 文件
DEEPSEEK_API_KEY=sk-your-actual-key-here

# 在 Python 中读取
from openai import OpenAI
from dotenv import load_dotenv
import os

load_dotenv() # 加载 .env 文件中的变量
client = OpenAI(
    base_url="https://api.deepseek.com/v1",
    api_key=os.getenv("DEEPSEEK_API_KEY"),
)

5. 集成到开发环境：VSCode 与 Cursor

将本地运行的 DeepSeek 模型接入你日常使用的 IDE，可以极大提升开发效率。这里以 VSCode 和 Cursor 为例。

5.1 在 VSCode 中配置

VSCode 有许多 AI 助手插件，如 Genie AI 、 Continue 、 Twinny 等。它们大多支持配置自定义的 OpenAI 兼容 API。下面以 Continue 插件为例。

  1. 安装 Continue 插件 : 在 VSCode 扩展商店搜索 “Continue” 并安装。
  2. 配置 config.json : Continue 插件需要一个配置文件。按下 Ctrl+Shift+P (Windows/Linux) 或 Cmd+Shift+P (Mac)，输入 “Continue: 打开配置文件”，通常它会创建或打开 ~/.continue/config.json 。
  3. 编辑配置 : 在 models 数组中，添加你的本地 Ollama 模型配置。
{
  "models": [
    {
      "title": "Local DeepSeek Coder",
      "provider": "openai",
      "model": "deepseek-coder:6.7b",
      "apiBase": "http://localhost:11434/v1", // 指向本地 Ollama
      "apiKey": "ollama" // 非空即可
    }
    // 你可以保留其他模型配置，如 GPT-4
  ],
  "tabAutocompleteModel": {
    "title": "Local DeepSeek Coder",
    "provider": "openai",
    "model": "deepseek-coder:6.7b",
    "apiBase": "http://localhost:11434/v1",
    "apiKey": "ollama"
  }
}
  1. 重启 VSCode : 保存配置文件后，重启 VSCode。现在你可以在编辑器中使用 Ctrl+I (或配置的其他快捷键) 唤出 Continue，选择 “Local DeepSeek Coder” 模型进行代码补全、解释、重构等操作。

5.2 在 Cursor 中配置

Cursor 是一款深度集成 AI 的编辑器，其底层也支持切换模型供应商。

  1. 打开 Cursor 设置 : 在 Cursor 中，进入 Settings (或按 Ctrl+, )。
  2. 找到 AI 模型设置 : 在设置中搜索 “Model” 或 “OpenAI”。
  3. 配置自定义 OpenAI 兼容端点 :
    • 将 “OpenAI Base URL” 设置为 http://localhost:11434/v1 。
    • 将 “OpenAI API Key” 设置为任意非空字符串，如 ollama 。
    • 在 “Model” 下拉菜单中，你可能需要手动输入模型名称，如 deepseek-coder:6.7b 。如果下拉列表中没有，直接输入即可。
  4. 保存并测试 : 保存设置后，在 Cursor 中尝试使用 Ctrl+K 发起一个 AI 指令（如“为这个函数添加注释”），看看它是否使用了你本地的 DeepSeek 模型进行响应。

5.3 配置 Claude Code 或 Codex 等工具

“Claude Code” 或 “Codex” 通常指的是某些第三方开发的、集成了 Claude 或 OpenAI Codex 模型的客户端工具。如果这些工具支持自定义 API 端点（很多基于 OpenAI SDK 的工具都支持），配置方法与上述类似：

  1. 在工具的设置中找到 “API Endpoint” 或 “Custom URL” 选项。
  2. 将其设置为 http://localhost:11434/v1 。
  3. 在 API Key 处填写任意值（如 ollama ）。
  4. 指定模型名称为 deepseek-coder:6.7b （或你本地运行的任何模型）。

原理都是一样的：这些工具向配置的 URL 发送格式化的 HTTP 请求，而 Ollama 提供的兼容接口成功地“冒充”了 OpenAI API，从而接收并处理这些请求。

6. 常见问题与深度排查

将 DeepSeek 集成到本地工作流中，你可能会遇到以下典型问题。下面提供从现象到根因的排查路径。

6.1 模型加载失败或响应缓慢

现象 : 运行 ollama run 时下载失败，或模型加载时卡住，或推理速度极慢。

可能原因与排查 :

  1. 网络问题 : 首次运行需要从网络拉取模型，确保网络通畅。可以尝试更换网络环境或使用镜像源（如果 Ollama 支持配置）。
  2. 硬件资源不足 : 这是最常见的原因。模型对显存和内存有最低要求。
    • 检查显存 : 在终端使用 nvidia-smi (NVIDIA GPU) 或 rocm-smi (AMD GPU) 查看可用显存。一个 7B 参数的 FP16 模型大约需要 14GB 显存。量化模型（如 Q4_K_M）可将需求降低到 4-6GB。
    • 检查内存 : 如果显存不足，Ollama 会尝试使用内存，但这会非常慢。使用系统任务管理器或 htop 命令查看内存占用。
    • 解决方案 : 换用更小的模型（如 1.3B），或使用量化程度更高的版本（在 Ollama 中搜索 :q4_0 , :q8_0 等后缀的模型）。
  3. 模型文件损坏 : 下载中断可能导致文件损坏。尝试删除模型重新拉取。 
    ollama rm deepseek-coder:6.7b
ollama run deepseek-coder:6.7b

6.2 API 调用返回错误

现象 : 在 Python 代码或 IDE 插件中调用 API 时，返回 Connection refused , 404 Not Found 或 Model not found 等错误。

排查清单 :

错误信息 可能原因 检查与解决
Connection refused Ollama 服务未启动 在终端运行 ollama serve 或通过系统服务启动它。检查端口 11434 是否被占用。
404 Not Found API 端点路径错误 确认 URL 是否正确。Ollama 的 OpenAI 兼容端点是 http://localhost:11434/v1/chat/completions ，而原生端点是 http://localhost:11434/api/generate 。确保代码中的 URL 与你要调用的端点匹配。
Model not found 模型名称错误或未拉取 运行 ollama list 确认模型是否存在。名称必须完全匹配，包括标签（如 deepseek-coder:6.7b ）。如果不存在，先用 ollama run 拉取一次。
Invalid API Key API Key 格式问题 对于本地 Ollama，API Key 可以是非空任意字符串。但某些 SDK 或插件可能要求特定格式，尝试设置为 ollama 或 sk- 开头的任意字符串。
超时 (Timeout) 模型推理时间过长 增加代码中 HTTP 请求的 timeout 参数（如设为 300 秒）。或者检查模型是否正在处理一个非常复杂的请求，尝试简化 prompt。

6.3 IDE 插件无响应或使用错误模型

现象 : 在 VSCode 或 Cursor 中配置后，AI 功能没有反应，或者响应内容明显不是来自 DeepSeek。

排查步骤 :

  1. 验证本地 API 是否工作 : 在终端用 curl 命令直接测试，这是最直接的验证方式。 
    curl http://localhost:11434/v1/chat/completions -H "Content-Type: application/json" -d '{
  "model": "deepseek-coder:6.7b",
  "messages": [{"role": "user", "content": "Hello"}],
  "temperature": 0.7
}'
    如果这个命令能返回正确的 JSON，说明本地服务正常。
  2. 检查插件配置 : 仔细核对插件配置中的 每一个字符 ： base_url 是否以 /v1 结尾？ api_key 是否填写？ model 名称是否与 ollama list 中的完全一致？
  3. 查看插件日志 : 许多 AI 插件有输出日志的选项。打开日志，查看插件实际发送的请求和接收的响应，能精准定位问题。
  4. 重启 IDE : 修改配置后，有时需要完全重启 IDE 才能使插件重新加载配置。

6.4 对话长度限制与上下文管理

现象 : 在与模型进行长对话时，后续回复可能忘记之前的上下文，或者提示达到长度限制。

理解与解决 :

  • 上下文窗口 (Context Window) : 所有 Transformer 模型都有固定的上下文长度限制（如 4096, 8192, 128K tokens）。当对话历史超过这个限制，模型就无法“看到”最早的信息。
  • Ollama 的上下文管理 : 默认情况下，Ollama 可能会为每次请求单独发送上下文。在持续对话中，你需要确保将之前的对话历史作为 messages 列表的一部分发送给 API。
  • 代码层面的处理 : 当你自己编写调用代码时，需要维护一个 messages 列表，并在每次新请求时，将用户的新问题和之前模型的历史回答都附加进去，再发送。注意总 token 数不能超过模型限制。
  • IDE 插件的处理 : 像 Continue、Cursor 这类成熟的插件，会自动帮你管理对话上下文，通常无需手动干预。但如果发现上下文丢失，可以检查插件设置中是否有“上下文长度”或“包含历史消息数”的选项。

7. 生产环境考量与最佳实践

将 DeepSeek 用于个人学习或小型项目，上述步骤已足够。但如果计划用于更严肃的开发环境或小型生产场景，则需要考虑更多。

7.1 性能与优化

  1. 模型量化 : 使用量化模型（如 GGUF 格式的 Q4_K_M, Q8_0）是平衡性能和效果的最有效手段。它能大幅降低显存占用和提升推理速度，而精度损失对于许多任务来说是可接受的。
  2. 硬件选择 : 如果有 NVIDIA GPU，确保安装正确的 CUDA 驱动和 cuDNN 库。对于纯 CPU 推理，需要足够大的内存和较新的 CPU 以支持 AVX2 等指令集。
  3. 推理后端 : Ollama 默认使用 llama.cpp 作为后端，它优化得很好。对于追求极致吞吐量的场景，可以研究使用 vLLM 或 TGI (Text Generation Inference) 来部署，它们支持动态批处理等高级特性。

7.2 稳定性与可靠性

  1. 服务化与监控 : 不要仅仅在命令行前台运行 ollama run 。在生产环境，应将 Ollama 或你选择的推理引擎配置为系统服务（如使用 systemd），并设置自动重启。同时，需要监控服务的进程状态、GPU 显存使用率、API 响应延迟和错误率。
  2. API 网关与负载均衡 : 如果有多台机器部署了模型，或者需要提供高可用服务，可以考虑在前端增加一个 API 网关（如 Nginx）进行负载均衡和反向代理。
  3. 限流与熔断 : 在你的应用代码或网关层面实现限流，防止单个用户或意外流量打垮模型服务。设置合理的超时和重试机制。

7.3 安全与成本

  1. API 访问控制 : 如果你的本地 API 服务暴露在局域网甚至公网，务必设置防火墙规则或添加简单的 API 密钥认证（Ollama 本身支持简单的密钥验证，需在启动时配置）。
  2. 数据隐私 : 本地部署的最大优势就是数据隐私。确保你的服务器环境安全，及时更新系统和依赖库的补丁。
  3. 成本估算 : 如果使用官方 API，需要仔细估算 token 消耗和费用。对于本地部署，成本主要是电费和硬件折旧。可以使用工具监控 GPU 功耗来估算运行成本。

7.4 提示工程与效果提升

要让 DeepSeek 更好地为你工作，精心设计提示词（Prompt）至关重要。

  • 系统提示词 (System Prompt) : 在消息列表开头加入一个 role 为 system 的消息，可以稳定地设定模型的行为角色。例如：“你是一个资深 Python 后端开发专家，回答要求简洁、准确、专业。”
  • 结构化指令 : 对于复杂任务，将指令分步骤、结构化。例如：“请按以下步骤操作：1. 分析这段代码的 bug。2. 解释 bug 的原因。3. 给出修复后的代码。”
  • 提供示例 (Few-shot) : 在 prompt 中给出一个或几个输入输出的例子，能显著提升模型在特定格式或任务上的表现。
  • 迭代优化 : 如果第一次的结果不理想，不要放弃。尝试调整指令的表述、增加细节、改变任务分解方式，往往能得到更好的结果。

从本地部署一个 DeepSeek 模型到将其无缝集成到你的开发工具链中，这个过程涉及了模型选型、环境配置、服务部署、API 调用和 IDE 集成等多个环节。核心在于理解 Ollama 这类工具如何作为桥梁，将本地模型封装成标准的 OpenAI 兼容接口，从而被丰富的现有生态工具所使用。当遇到问题时，按照从底层服务到上层应用的顺序进行排查：先确保模型服务本身正常运行（用 curl 测试），再检查客户端配置，最后查看应用日志。对于希望深入使用的开发者，下一步可以探索更高级的部署方案如 vLLM，研究不同量化模型的效果差异，或者尝试用 LangChain 等框架构建更复杂的 AI 应用流水线。

# DeepSeek # Ollama
Logo
亚马逊云科技技术品牌专区

更多推荐

cover

大 硬 仗14小时：用2009年的上古亮机卡跑完深度学习，CPU满载但代码没崩

avatar 亚马逊云科技技术品牌专区
cover

原来AI、画图、导航都在用向量！

avatar 亚马逊云科技技术品牌专区
cover

害虫检测和识别3：基于深度学习YOLO26神经网络实现害虫检测和识别(含训练代码、数据集和GUI交互界面）

avatar 亚马逊云科技技术品牌专区