DeepSeek-R1 大模型部署

一、硬件与系统环境要求

1.1 硬件配置

• GPU: 8× NVIDIA A100 80GB (PCIe)
• 显存要求: 每卡80GB，8卡总显存640GB
• 系统内存: ≥32GB (用于交换空间)

1.2 软件环境

• 操作系统: Linux（验证环境发行版 Ubuntu 22.04 LTS）
• 驱动版本: NVIDIA Driver 535.171.04

---

二、环境准备

2.1 创建隔离的Python环境

conda create -n deepseek-r1 python=3.12  
conda activate deepseek-r1  

2.2 验证GPU状态

nvidia-smi  

确认所有8张GPU显存状态显示为0MiB / 81920MiB（空闲可用）

---

三、获取模型与框架

3.1 下载量化版模型文件

git clone https://huggingface.co/cognitivecomputations/DeepSeek-R1-AWQ  

3.2 克隆vLLM框架

git clone --branch v0.7.2 --depth 1 https://github.com/vllm-project/vllm.git  
cd vllm && pip install -e .  # 安装vLLM框架  

---

四、启动API服务

4.1 执行启动命令

python -m vllm.entrypoints.openai.api_server \  
--served-model-name deepseek-r1 \  
--model /share/menkeyi/DeepSeek-R1-AWQ \  
--trust-remote-code \  
--host 0.0.0.0 \  
--port 8080 \  
--max-model-len 2048 \       # 最大上下文长度设为2048token  
--tensor-parallel-size 8 \    # 使用全部8卡并行  
--gpu_memory_utilization 0.8 \  
--enforce-eager \            # 禁用CUDA优化提升兼容性  
--dtype float16  

---

五、服务功能验证

5.1 发送测试请求

curl -X POST "http://10.192.128.18:8080/v1/chat/completions" \  
-H "Content-Type: application/json" \  
-d '{  "model": "deepseek-r1",  "messages": [{"role": "user", "content": "你好"}]  
}'  

5.2 预期响应

{  "id": "cmpl-8e3e7f2a6e3f4e7",  "object": "chat.completion",  "created": 1732365827,  "model": "deepseek-r1",  "choices": [{  "index": 0,  "message": {"role": "assistant", "content": "您好！有什么可以帮助您的吗？"},  "finish_reason": "stop"  }]  
}  

---

vllm常用推理参数:

一、网络参数

参数	类型	默认值	说明
--host	string	localhost	API服务监听地址，生产环境建议设为0.0.0.0以允许外部访问
--port	int	8000	API服务监听端口号
--uvicorn-log-level	enum	info	控制Uvicorn框架日志粒度，可选:debug,trace,info,warning,error,critical
--allowed-origins	list	空	允许跨域请求的来源列表（例：http://example.com）
--allow-credentials	flag	False	允许发送Cookies等凭证信息
--ssl-keyfile/--ssl-certfile	path	无	HTTPS所需的私钥和证书文件路径

---

二、硬件资源管理

参数	类型	默认值	说明
--tensor-parallel-size	int	1	张量并行度（必须等于物理GPU数量）
--gpu-memory-utilization	float	0.9	GPU显存利用率阈值（0.9=90%显存上限）
--block-size	enum	16	连续Token块大小，取值8/16/32/64/128
--device	enum	auto	执行设备类型(cuda/tpu/hpu/xpu/cpu等)

---

三、异构存储配置

参数	类型	默认值	说明
--swap-space	int	4	每个GPU的CPU换页空间大小（GiB）
--cpu-offload-gb	int	0	每GPU使用CPU内存扩展显存的GiB数（需高速CPU-GPU互联）
--max-cpu-loras	int	=max_loras	CPU内存缓存的最大LoRA适配器数量

---

四、模型基础参数

参数	类型	默认值	说明
--model	string	必填	模型名称（如gpt-3.5-turbo）或本地路径
--dtype	enum	auto	计算精度控制，常用float16/bfloat16
--max-model-len	int	自动获取	模型最大支持的上下文长度
--tokenizer-mode	enum	auto	Tokenizer模式（auto自动选择快速实现）

---

五、高级加载控制

参数	类型	默认值	说明
--load-format	enum	auto	权重加载协议，优先safetensors更安全
--config-format	enum	auto	配置格式hf/mistral或自动检测
--trust-remote-code	flag	False	加载HuggingFace自定义代码时必须启用，有安全风险
--hf-overrides	JSON	无	动态覆盖HuggingFace模型配置（如调整隐藏层维度）

---

六、推理参数限制

参数	类型	默认值	说明
--max-num-seqs	int	256	单批次允许多少序列并行处理
--max-num-batched-tokens	int	动态调整	每个推理阶段处理的Token总数上限
--max-logprobs	int	5	返回每个位置的概率最高前N个token
--speculative-disable-by-batch-size	int	无	排队请求超过该阈值时关闭推测解码

---

七、安全与许可控制

参数	类型	默认值	说明
--api-key	string	无	API访问密钥，设置后所有请求需包含Authorization头
--allowed-local-media-path	path	无	允许服务端访问的本地媒体路径（仅可信环境启用）
--cert-reqs	enum	无	SSL证书验证级别（参考Python ssl模块）

---

八、量化配置

参数	类型	默认值	说明
--quantization	enum	无	权重量化方法，如awq/gptq/marlin等
--kv-cache-dtype	enum	auto	KV缓存量化类型（fp8/fp8_e5m2等）
--lora-dtype	enum	auto	LoRA适配器的量化精度设置
--calculate-kv-scales	flag	False	动态计算FP8量化比例

---

调优建议：

1. 操作建议：

   • 显存使用较高时优先调整--gpu-memory-utilization和--block-size
   • 多GPU环境严格保证tensor-parallel-size与GPU数量一致
   • 高安全场景必须设置--api-key和--allowed-origins白名单

2. 性能关键控制点：

   • CPU换页大小 (swap-space) 与批处理容量 (max-num-seqs) 的平衡
   • 权重量化 (quantization) 和KV缓存量化 (kv-cache-dtype) 的组合选择
   • Token块大小 (block-size) 对内存利用率和吞吐量的影响

---

2025年02月09日更新