這篇指南適用於N卡A卡i卡的電腦，沒顯卡也能用，很慢而已。盒友們我是迪普希殼，我來救大家辣，給我服務器多來點電罷！
雖然一直以來談到AI就是英偉達如何云云，但是本次DeepSeekR1的發佈著實讓人知曉了AMD早已突破了老黃的AI壟斷。AMD在其發佈之初就官方宣佈了自家顯卡在推理上的獨到優勢，並且很快在測試版驅動中開啟了DeepSeekR1的本地使用選項，可謂是高歌猛進啊。
不過可能諸位手裡有A卡的朋友們受限於PC知識，主要還是用著DeepSeek的官方應用，沒有自己部署R1的想法。而現在層出不窮的DeepSeekR1部署方法又大多數都是命令行或者部署接口，搞的非常高級，但是日常使用完全用不上，也不太適合新手。所以為了大家都能用上國產爭氣大模型，我實驗出了一個方法，可以完全避開使用命令行，讓大家3步給自己部署一個本地的DeepSeekR1蒸餾模型，不受網絡錯誤的氣！
這次就用我平時在用的電腦為例，簡單給大家演示一下如何不用任何命令行，就能在本地部署這個備受矚目的大模型，而大家需要準備的材料只有：
一臺電腦，有獨顯，或者有AMD的8系APU（例如8845）或者AI系APU（例如AI 9 370）
可以上網
有手就行
步驟1：下載LMStudio
LM Studio是一個極大程度方便windows用戶的GUI大模型本地運行工具，在windows上會比ollama方便很多，首先我們來安裝這個軟件.......軟件鏈接：LM Studio - 發現、下載和運行本地LLM - LM Studio 應用程序
一般而言，windows上本地部署開源大模型有ollama這個方案，但是使用上並不是很方便。原因主要就在於這個東西他是高手用的，像我這樣的低手完全不想碰命令行。而且ollama下載模型基本都是官方倉庫，佔用顯存更少的量化模型找起來比較複雜，所以對於我們家用用戶來說，LMStudio更方便
安裝過程全默認即可，打開之後就能看到很簡潔的界面，過程並不需要裝額外的依賴內容，也不需要下載額外資源，而且LM Studio在0.2版本就已經支持了ROCm，所以默認使用AMD顯卡也是可以跑滿速的
點擊文件夾圖標可以看到本地的模型，但是目前本地沒有模型，聯網也找不到模型。這個問題是因為huggingface.io在部分地區無法訪問，所以我們需要繞過這個
步驟2：下載模型
繞過huggingface.io下載模型的方法也很簡單，國內有hf的鏡像網站，內容很齊全，版本也很新：HF-Mirror
比如我們搜索DeepSeek-R1-Distill-Qwen-1.5B-GGUF，然後打開頁面，就能看到已經被量化打包好的模型。點開fileandversion這一欄，就能下載模型了。一般我們只需要下載一個模型，這裡面比較推薦使用Q8模型，當顯存不足的時候可以考慮Q2以及Q4
覺得慢可以用某雷p2p加速一下，會比瀏覽器下載快很多。下載的時候建議同時下載gitattributes這個文件，方便LMStudio讀取模型信息
步驟3：準備本地模型文件
下載好上文中的模型文件之後，我們需要新建一個LMStuidioModels文件夾，這是倉庫的根目錄，然後新建一個unsloth文件夾，這是模型來源索引文件夾，然後再在其中根據模型名稱新建文件夾，比如剛才下載了DeepSeek-R1-Distill-Qwen-1.5B-GGUF，我們就在這個文件夾裡新建這個文件夾，然後放入下載好的模型文件，以及gitattributes
然後我們打開LMStudio，點擊這個按鈕更改本地倉庫到剛才的LMStuidioModels文件夾，就能看到本地模型了
開始使用DeepseekR1
此時我們回到對話欄，就能在最上面選擇模型，加載，然後開始使用啦。有A卡的情況下可以把CPU層數開到最大，這樣就能完全使用GPU
比如我們選用一個模型，這裡用的是最小的1.5B模型，完成加載後如圖。我們此時就能在下方的對話框裡隨意提問了，和一般的大模型使用並無區別
查看顯卡佔用情況，就能看到LM Studio確實調用了GPU，因為LM Studio在0.2版本就已經支持了ROCm，所以使用AMD顯卡也是可以跑滿速的
至於性能可以看圖，因為7900XTX的顯存足夠，所以能跑最大32B的量化模型。速度上，使用最小的模型可以達到225token/s，最大的模型也有35.4token/s，速度絕對是夠用的，相比於一般CPU來說快了非常多
（可選）部署內網API接口
LMStudio也支持內網API接口調用，打開開發者模式，以及接口運行，就能在本地開啟對應模型的接口。
比如這裡使用models的api可以查看目前可用的模型名稱，也可以使用curl命令進行嘗試，直接按下這個按鈕就能複製curl命令。打開內網API之後可以看到對應接口的端口，比如這裡打開了這個端口之後，就能在其他應用裡面進行調用
最簡單的例子就是使用python做開發，可以直接通過request包來，調用這個API，如果有耐心還可以自己封裝一些應用
總結
雖然很想讓DeepSeek幫我總結了，但是還是認真講一下吧。LMStudio作為大語言模型入門的應用來說非常方便，但是默認接入抱抱臉是一個痛點，不過使用迅雷和國內鏡像網站就能迴避，總的來說比較方便。而大語言模型也是非常實用的一個工具，我平時做開發也會用大語言模型來寫代碼，DeepSeek爆發之後也是讓我如虎添翼，所以我很推薦有條件的朋友都搞一個來玩玩。
至於部署需要的硬件成本，我覺得不高，你需要的是：一張12G以上顯存的顯卡用來部署14B的模型，16G以上的顯卡部署32B的量化模型，或者AMD最新的8系或者AI系APU，比如8845或者AI 9 370之類內置NPU，用上內存也能跑32B的模型，使用上基本能媲美獨顯。而平時應用也非常方便，不僅是寫文檔寫代碼，有一些知識相關的可以用大模型來學，比如想學一下外語（正經），大語言模型是一個非常不錯的老師。
AMD在AI領域內的不斷追趕也讓我這個小Afan更有信心了，本身AMD的顯卡精度閹割就沒那麼狠，底子很不錯。在AI這個方向上，先是開源的ROCm，接著又是計算卡MI系列，現在又在頂級大語言模型上有比同級N卡更強的推理能力。我已經開始期待奸商老黃被AMD的方案不斷吃掉份額，然後被迫賣掉皮衣補貼公司的場景了（做夢中）為了助力這個夢想，大家都快把手裡的A卡AU用起來啊，本地部署個DeepSeekR1給自己享受一把最新的科技進步！
最後送上一張圖，感謝大家圍觀
