DeepSeek-VL2部署教程

      一、介绍

      DeepSeek-VL2，这是一系列先进的大型混合专家 (MoE) 视觉语言模型，其显著改进了其前身 DeepSeek-VL。DeepSeek-VL2 在各种任务中都表现出卓越的能力，包括但不限于视觉问答、光学字符识别、文档/表格/图表理解和视觉基础。我们的模型系列由三个变体组成：DeepSeek-VL2-Tiny、DeepSeek-VL2-Small 和 DeepSeek-VL2，分别具有 1.0B、2.8B 和 4.5B 激活参数。与现有的开源密集和基于 MoE 的模型相比，DeepSeek-VL2 以相似或更少的激活参数实现了具有竞争力或最先进的性能。

      二、部署过程

      基础环境最低要求说明：

      1. 更新基础软件包

      查看系统版本信息

      配置 apt 国内源

      这个命令用于更新本地软件包索引。它会从所有配置的源中检索最新的软件包列表信息，但不会安装或升级任何软件包。这是安装新软件包或进行软件包升级之前的推荐步骤，因为它确保了您获取的是最新版本的软件包。

      这个命令用于安装 Vim 文本编辑器。 选项表示自动回答所有的提示为“是”，这样在安装过程中就不需要手动确认。Vim 是一个非常强大的文本编辑器，广泛用于编程和配置文件的编辑。

      为了安全起见，先备份当前的 sources.list 文件之后，再进行修改：

      这个命令将当前的 文件复制为一个名为 的备份文件。这是一个好习惯，因为编辑 文件时可能会出错，导致无法安装或更新软件包。有了备份，如果出现问题，您可以轻松地恢复原始的文件。

      这个命令使用 Vim 编辑器打开 文件，以便您可以编辑它。这个文件包含了 APT(Advanced Package Tool)用于安装和更新软件包的软件源列表。通过编辑这个文件，您可以添加新的软件源、更改现有软件源的优先级或禁用某些软件源。

      在 Vim 中，您可以使用方向键来移动光标，i 键进入插入模式(可以开始编辑文本)，Esc 键退出插入模式，:wq 命令保存更改并退出 Vim，或 :q! 命令不保存更改并退出 Vim。

      编辑 sources.list 文件时，请确保您了解自己在做什么，特别是如果您正在添加新的软件源。错误的源可能会导致软件包安装失败或系统安全问题。如果您不确定，最好先搜索并找到可靠的源信息，或者咨询有经验的 Linux 用户。

      使用 Vim 编辑器打开 文件，复制以下代码替换 里面的全部代码，配置 apt 国内阿里源。

      安装常用软件和工具

      出现以下页面，说明国内apt源已替换成功，且能正常安装apt软件和工具

      2. 安装 NVIDIA CUDA Toolkit 12.1

      · 下载 CUDA Keyring ：

      这个命令用于下载 CUDA 的 GPG 密钥环，它用于验证 CUDA 软件包的签名。这是确保软件包安全性的一个重要步骤。

      · 安装 CUDA Keyring ：

      使用 安装下载的密钥环。这是必要的，以便 能够验证从 NVIDIA 仓库下载的软件包的签名。

      · 删除旧的 apt 密钥(如果必要) ：

      这一步可能不是必需的，除非您知道 是与 CUDA 相关的旧密钥，并且您想从系统中删除它以避免混淆。通常情况下，如果您只是安装 CUDA 并使用 NVIDIA 提供的最新密钥环，这一步可以跳过。

      · 更新 apt 包列表 ：

      更新 apt 的软件包列表，以便包括刚刚通过 添加的 NVIDIA 仓库中的软件包。

      · 安装 CUDA Toolkit ：

      出现以下页面，说明 NVIDIA CUDA Toolkit 12.1 安装成功

      注意：这里可能有一个问题。NVIDIA 官方 Ubuntu 仓库中可能不包含直接名为 cuda-toolkit-12-1 的包。通常，您会安装一个名为 cuda 或 cuda-12-1 的元包，它会作为依赖项拉入 CUDA Toolkit 的所有组件。请检查 NVIDIA 的官方文档或仓库，以确认正确的包名。

      如果您正在寻找安装特定版本的 CUDA Toolkit，您可能需要安装类似 cuda-12-1 的包(如果可用)，或者从 NVIDIA 的官方网站下载 CUDA Toolkit 的 .run 安装程序进行手动安装。

      请确保您查看 NVIDIA 的官方文档或 Ubuntu 的 NVIDIA CUDA 仓库以获取最准确的包名和安装指令。

      · 出现以上情况，需要配置 NVIDIA CUDA Toolkit 12.1 系统环境变量

      编辑 ~/.bashrc 文件

      插入以下环境变量

      激活 ~/.bashrc 文件

      查看cuda系统环境变量

      3. 安装 Miniconda

      · 下载 Miniconda 安装脚本 ：

      · 使用 wget 命令从 Anaconda 的官方仓库下载 Miniconda 的安装脚本。Miniconda 是一个更小的 Anaconda 发行版，包含了 Anaconda 的核心组件，用于安装和管理 Python 包。

      · 运行 Miniconda 安装脚本 ：

      · 使用 bash 命令运行下载的 Miniconda 安装脚本。这将启动 Miniconda 的安装过程。

      按下回车键(enter)

      输入yes

      输入yes

      安装成功如下图所示

      pip配置清华源加速

      加入以下代码

      注意事项：

      · 请确保您的系统是 Linux x86_64 架构，因为下载的 Miniconda 版本是为该架构设计的。

      · 在运行安装脚本之前，您可能需要使用 chmod +x Miniconda3-latest-Linux-x86_64.sh 命令给予脚本执行权限。

      · 安装过程中，您将被提示是否同意许可协议，以及是否将 Miniconda 初始化。通常选择 "yes" 以完成安装和初始化。

      · 安装完成后，您可以使用 conda 命令来管理 Python 环境和包。

      · 如果链接无法访问或解析失败，可能是因为网络问题或链接本身的问题。请检查网络连接，并确保链接是最新的和有效的。如果问题依旧，请访问 Anaconda 的官方网站获取最新的下载链接。

      4. 从 github 仓库 克隆项目

      · 克隆存储库：

      5. 创建虚拟环境

      6. 安装模型依赖库

      · 切换到项目目录、激活 trellis 虚拟环境、安装 requirements.txt 依赖

      7. 下载预训练模型

      · 下载预训练权重

      8. 运行 gradio_demo.py 文件

      三、网页演示

      出现以下 Gradio 页面，即是模型已搭建完成。