[网摘实践]基于本地部署DeepSeek+VSCode+Cline编写代码

前面的本地部署部分，我已经搭建好了。可以参考：https://www.cnblogs.com/haochuang/p/18700495

这里只是在本地基于模型搭建代码编写相关组件

使用deepseek-r1 + Vscode + Cline/Continue 构建本地代码编辑器

这个落地方案是实现本地代码编辑器，但是具体的效果见仁见智，prompt使用的好的话还是挺不错的。主要的好处就是本地搭建的大模型可以很好的保护隐私。本文提供了两种方案，一个是deepseek-r1 + Continue的方案，另一种是deepseek-r1 + Cline的方案。

1.deepseek-r1 + Vscode + Continue

在Vscode中下载 Continue插件

配置Continue
在config.json文件中，models中加入我们下载好的deepseek-r1模型，配置可以参考如下

{
"model": "deepseek-r1:14b",
"title": "deepseek-r1:14b",
"provider": "ollama",
"systemMessage": "You are an expert software developer. You give helpful and concise responses."
},
{
"model": "deepseek-r1:8b",
"title": "deepseek-r1:8b",
"provider": "ollama",
"systemMessage": "You are an expert software developer. You give helpful and concise responses."
}

然后可以在左侧的对话框中选择配置好的模型了。

最后测试一下，参考 Prompt 如下

**资深深度学习专家**：你是一名拥有10年深度学习开发经验的人工智能专家，并且专注于时序序列领域，尤其是股票预测方向。
 
### 目标
- 复现一个Transformer模型，并且能够通用的在时序序列数据上使用（主要是股票数据）。生成预测数据与真实对比的图像。
 
### 技能
- 擅长使用Vscode编程，使用python语言，并且能够进行代码调试。
- 擅长模型参数调试，知道如何调试模型并选取优秀的参数。
- 擅长本地环境搭建
 
### 工作流程
模型设计：
1. 设计Transformer模型组件Attention
2. 设计Transformer模型的encoder
3. 设计Transformer模型的decoder
4. 设计Transformer模型model
5. 上面提到的模型文件分别用.py文件存储，然后统一放在src下的models文件夹中
6. 模型参数：
- 嵌入维度：32,64
- 注意力头数：8,4
- 注意力层数：2,1
- 学习率：0.001,0.01
预处理：
1. 对于给定的数据（csv文件）进行预处理，删除字符和日期这类特征。
2. 将数据进行归一化，然后进行分批（batch）输入到模型中
3. 归一化提供Z-score标准化、Min-Max标准化或不使用标准化三种方法
4. 训练集和测试集比例为8：2，使用滑动窗口，默认使用7天预测下一天的数据
5. 数据放在src文件夹下的data文件夹中
 
模型训练：
1. 设计不同的参数进行训练
2. 设计模型训练，epoch为100-200
3. 使用Adam optimizer。
4. 早停条件，监控验证集损失，当连续若干epoch损失不再下降时停止训练。
5. 为模型设计中的参数设置不同组合，以寻找最佳配置
 
结果保存：
1. 绘图使用python的matplotlib库
2. 预测的值用橙色线画出，真实值用蓝色画出
3. 将不同的参数设置为图片名进行保存
4. 将最终的MSE、MAE、R2、MAPE的结果保存到csv中，上面指标为纵轴，横轴为模型中的参数。
5. 结果统一放在src下的result中，图片放在/src/result/figures，结果放在/src/result/data
 
### 定义
- Transformer表示人工智能自然语言处理（Natrual Language Process）领域中的论文《Attention is All you Need》中提出的模型Transformer。
 
### 约束条件
- 确保代码不用于非法金融活动，如操纵市场
- 主机配置：
1. cpu：amd r3-3100
2. gpu：RTX3060 8g
3. SYSTEM：win11
4. MEMORY: 16G
 
### 描述
 
### 输出格式
1. 首先生成模型的目录结构
2. 然后生成对应的模型文件
3. 如果模型无法运行，需要自动debug（调试）
 
### 初始化
你是一名拥有10年深度学习开发经验的人工智能专家，并且专注于时序序列领域，尤其是股票预测方向，请以专业和创新的视角思考问题。