告别服务器繁忙，云上部署DeepSeek

一、背景

DeepSeek-R1是DeepSeek公司推出的一个开源推理模型，推理性能优秀，在性能比肩OpenAI o1的同时，还能够输出它的思维链，即思考的过程。原生DeepSeek-R1模型拥有660B个参数，无法部署在显存较小的GPU上，所以DeepSeek公司通过DeepSeek-R1的输出，借助蒸馏技术用低成本训练出高效的模型，蒸馏出了Qwen、Llama等6个小模型版本，其中32B和70B模型在多项能力上实现了对标OpenAI o1-mini的效果。本文以DeepSeek-R1-Distill-Qwen-32B-FP8为例，向您介绍如何在GPU实例上使用容器来部署量化的DeepSeek-R1蒸馏模型，可以离线测试或通过WebUI在线使用DeepSeek-R1蒸馏模型服务。

二、准备运行环境

我们可以根据实际使用的模型选择合适的GPU实例，如下表所示：

模型运行时实际占用的显存大小除了需要考虑模型本身的大小之外，还需要考虑上下文长度，KV cache的设置情况等。运行DeepSeek-R1-Distill-Qwen-32B-FP8蒸馏模型需要的显存大小至少为32GB，所以本文将在gn8is实例上（显存大小48GB）通过容器来运行DeepSeek-R1蒸馏模型。使用容器可以帮助您快速且方便地构建大语言模型的推理环境，无需深入了解底层硬件，也无需额外配置即可开箱即用。

Tips：本文使用ecs.gn8is.2xlarge实例进行模型部署（目前该实例规格仅海外在售，如有需求请联系阿里云销售）。若您只是用于模型体验，也可选择库存充足的ecs.gn7i-4x.8xlarge实例，调整vLLM启动参数--tensor-parallel-size 4，其他操作配置不变，也可运行模型。

下面将详细介绍如何创建gn8is实例、安装GPU驱动和安装容器，以准备运行环境：

1. 创建GPU实例并安装GPU驱动

我们打开阿里云创建实例页面，选择ecs.gn8is.2xlarge实例类型，操作系统我们选择Ubuntu20.04，取消勾选安装eRDMA软件栈（单卡实例不需要），勾选安装GPU驱动：CUDA 12.4.1，Driver 550.127.08， CUDNN 9.2.0.82，这样GPU实例创建完成后，会同时自动安装GPU驱动、CUDA、cuDNN库等，相比手动安装方式更快捷。磁盘空间需要200G以上，因为需要下载模型数据与容器镜像。

2. 通过ssh远程连接GPU实例

3. 执行以下命令，安装Docker环境

sudo apt-get update
sudo apt-get -y install ca-certificates curl

sudo install -m 0755 -d /etc/apt/keyrings
sudo curl -fsSL http://mirrors.cloud.aliyuncs.com/docker-ce/linux/ubuntu/gpg -o /etc/apt/keyrings/docker.asc
sudo chmod a+r /etc/apt/keyrings/docker.asc


echo \
  "deb [arch=$(dpkg --print-architecture) signed-by=/etc/apt/keyrings/docker.asc] http://mirrors.cloud.aliyuncs.com/docker-ce/linux/ubuntu \
  $(. /etc/os-release && echo "$VERSION_CODENAME") stable" | \
  sudo tee /etc/apt/sources.list.d/docker.list > /dev/null
  
sudo apt-get update
sudo apt-get install -y docker-ce docker-ce-cli containerd.io

4. 执行以下命令，检查Docker是否安装成功

docker -v

如下图回显信息所示，表示Docker已安装成功。

5. 执行以下命令，安装nvidia-container-toolkit

curl -fsSL https://nvidia.github.io/libnvidia-container/gpgkey | sudo gpg --dearmor -o /usr/share/keyrings/nvidia-container-toolkit-keyring.gpg \
  && curl -s -L https://nvidia.github.io/libnvidia-container/stable/deb/nvidia-container-toolkit.list | \
    sed 's#deb https://#deb [signed-by=/usr/share/keyrings/nvidia-container-toolkit-keyring.gpg] https://#g' | \
    sudo tee /etc/apt/sources.list.d/nvidia-container-toolkit.list
sudo apt-get update
sudo apt-get install -y nvidia-container-toolkit

6. 设置Docker开机自启动并重启Docker服务

sudo systemctl enable docker
sudo systemctl restart docker

7. 执行以下命令，查看Docker是否已启动

sudo systemctl status docker

如下图回显所示，表示Docker已启动。

三、运行deepseek-R1 32B

蒸馏模型容器

通常情况下，运行32B的模型需要64G显存，gn8is实例GPU的显存大小为48GB，无法直接运行32B模型，所以需要使用参数量化后的模型，这样才能在gn8is实例上运行32B模型，本文以 modelscope上FP8量化的模型DeepSeek-R1-Distill-Qwen-32B-FP8为例，您可根据实际需求更换其他量化模型。下面将分别介绍两种运行deepseek-R1 32B蒸馏模型容器的方法，您可以根据需求选择其一来运行容器：

1. 使用预装 DeepSeek-R1-Distill-Qwen-32B-FP8 蒸馏模型的容器镜像运行容器

2. 手动部署运行 DeepSeek-R1-Distill-Qwen-32B-FP8 蒸馏模型容器

3.1 使用预装DeepSeek-R1-Distill-Qwen-32B-FP8蒸馏模型的容器镜像运行容器

阿里云提供了预装DeepSeek-R1-Distill-Qwen-32B-FP8蒸馏模型和Open-WebUI的容器镜像，方便您快速便地构建大语言模型的推理环境，无需额外配置即可开箱即用。

1. 执行以下命令，拉取容器镜像。镜像大小47GB（包含了模型数据），拉取容器镜像耗时较长，请您耐心等候

sudo docker pull egslingjun-registry.cn-wulanchabu.cr.aliyuncs.com/egslingjun/inference-nv-pytorch:preview-25.02-dsr1distill-qwen32bfp8-vllm0.6.4.post1-pytorch2.5.1-cuda12.4-20250208

2. 执行以下命令，运行deepseek容器

sudo docker run -d -t --net=host --gpus all \
--privileged \
--ipc=host \
--name deepseek \
egslingjun-registry.cn-wulanchabu.cr.aliyuncs.com/egslingjun/inference-nv-pytorch:preview-25.02-dsr1distill-qwen32bfp8-vllm0.6.4.post1-pytorch2.5.1-cuda12.4-20250208

配置参数解释：

--net=host --ipc=host：共享宿主机的网络命名空间与IPC命名空间，方便后续访问容器内运行的大模型服务

3. 执行以下命令，查看deepseek容器是否启动成功

docker ps

如下图回显所示，表示deepseek容器已启动。

3.2 手动部署运行DeepSeek-R1-Distill-Qwen-32B-FP8蒸馏模型容器

如果不使用预装 DeepSeek-R1-Distill-Qwen-32B-FP8 蒸馏模型和 Open-WebUI 的容器镜像，也可以通过以下命令手动部署运行 DeepSeek-R1-Distill-Qwen-32B-FP8 蒸馏模型容器。以下将介绍如何在基础镜像 nvcr.io/nvidia/cuda:12.4.1-runtime-ubuntu22.04上安装依赖库，准备 DeepSeek-R1 蒸馏模型运行的容器环境：

1. 执行以下命令，拉取基础容器镜像

sudo docker pull nvcr.io/nvidia/cuda:12.4.1-runtime-ubuntu22.04

2. 执行以下命令，运行deepseek容器

sudo docker run -d -t --net=host --gpus all \
--privileged \ 
--ipc=host \
--name deepseek \
nvcr.io/nvidia/cuda:12.4.1-runtime-ubuntu22.04

配置参数解释：

--net=host --ipc=host：共享宿主机的网络命名空间与IPC命名空间，方便后续访问容器内运行的大模型服务

3. 执行以下命令，查看deepseek容器是否启动成功

docker ps

如下图回显所示，表示deepseek容器已启动。

4. 执行以下命令，进入deepseek容器

docker exec -it deepseek bash

5. 执行以下命令，创建并进入工作目录 /workspace

mkdir /workspace && cd /workspace

6. OpenWebUI依赖python 3.11，执行以下命令，安装python 3.11

# 安装 python3.11
apt update
apt install -y python3.11

# 使用 Python 3.11 作为默认的 Python3
update-alternatives --install /usr/bin/python3 python3 /usr/bin/python3.11 1

# 安装对应版本的 pip
apt install -y curl
curl -sS https://bootstrap.pypa.io/get-pip.py | python3

7. 执行以下命令，查看python3.11和pip是否安装成功

# 查看 python3 是否安装成功
python3 --version

# 查看 pip 是否安装成功
pip --version

如下图回显所示，表示python3.11和pip安装成功。

8. 执行以下命令，安装vllm 0.6.4.post1。“-i https://pypi.tuna.tsinghua.edu.cn/simple” 参数，用于指定清华的pip源，加快下载速度

pip install vllm==0.6.4.post1 -i https://pypi.tuna.tsinghua.edu.cn/simple

9. 执行以下命令，查看vllm 0.6.4.post1是否安装成功

python3 -c 'import vllm; print(vllm.__version__)'

如下图回显所示，表示vllm 0.6.4.post1安装成功。

10. 执行以下命令，安装运行vllm的依赖库

apt-get install -y libgl1-mesa-glx libglib2.0-0

11. 执行以下命令，安装 open-webui，同样指定清华pip源

pip install open-webui==0.5.10 -i https://pypi.tuna.tsinghua.edu.cn/simple

12. 执行以下命令，查看open-webui是否安装成功

open-webui --help

如下图回显所示，表示open-webui安装成功。

13. 执行以下命令，通过git lfs下载modelscope格式的DeepSeek-R1-Distill-Qwen-32B-FP8蒸馏模型

安装git-lfs便于下载大语言模型：

apt install -y git-lfs

执行以下命令，下载模型。下载模型耗时较长，耗时视模型大小与网络情况而定，下载DeepSeek-R1-Distill-Qwen-32B-FP8大约需要2小时，请耐心等候。

git lfs clone https://www.modelscope.cn/okwinds/DeepSeek-R1-Distill-Qwen-32B-FP8.git

下载完成的文件目录如下：

vllm适配版本说明

1. 需要使用较新版本的vLLM，使用0.5.4版本会报错Exception: data did not match any variant of untagged enum ModelWrapper at line 757503 column 3。

2. 实测vLLM版本0.6.4.post1与最新版本0.7.2（截止2025年2月8号）均可以运行，上文以v0.6.4.post1版本为例，如需使用最新版本0.7.2，可在运行deepseek容器后，在容器内执行以下命令升级vllm版本到0.7.2，“-i https://pypi.tuna.tsinghua.edu.cn/simple” 参数，用于指定清华的pip源，加快下载速度。

pip install vllm==0.7.2 -i https://pypi.tuna.tsinghua.edu.cn/simple

在容器内执行以下命令，查看vllm是否升级成功：

python3 -c 'import vllm; print(vllm.__version__)'

如下图回显所示，表示vllm升级成功。

四、运行deepseek-R1 32B

蒸馏模型服务

根据步骤三，通过预装DeepSeek-R1-Distill-Qwen-32B-FP8 蒸馏模型的容器镜像或手动部署，我们成功运行了deepseek容器，接下来我们将在deepseek容器中运行量化的蒸馏模型服务与OpenWebUI服务，并进行一些测试与验证。

执行以下命令，进入deepseek容器与工作目录

docker exec -it deepseek bash
cd /workspace

4.1 离线运行DeepSeek-R1-Distill-Qwen-32B-FP8推理服务

1. 执行以下命令，创建demo目录，下载安装vim，编辑vllm_demo.py脚本

# 使用预装 DeepSeek-R1-Distill-Qwen-32B-FP8 容器镜像，
# 测试脚本已准备好，进入 demo 目录即可。
cd demo

# 手动部署 DeepSeek-R1-Distill-Qwen-32B-FP8 容器，
# 需要创建编辑 vllm_demo.py 脚本。
mkdir demo&& cd demo
apt install -y vim
vim vllm_demo.py

2. vllm_demo.py脚本内容如下：

from vllm import LLM, SamplingParams

# Sample prompts.
prompts = [    
    "Hello, my name is",   
    "The president of the United States is",  
    "The capital of France is", 
    "The future of AI is",
]
# Create a sampling params object.
sampling_params = SamplingParams(temperature=0.8, top_p=0.95)

# Create an LLM.
llm = LLM(model="/workspace/DeepSeek-R1-Distill-Qwen-32B-FP8", max_model_len=18432, gpu_memory_utilization=0.98)
# Generate texts from the prompts. The output is a list of RequestOutput objects
# that contain the prompt, generated text, and other information.
outputs = llm.generate(prompts, sampling_params)
# Print the outputs.
for output in outputs:
    prompt = output.prompt
    generated_text = output.outputs[0].text
    print(f"Prompt: {prompt!r}, Generated text: {generated_text!r}")

代码第14行llm = LLM(model="/workspace/DeepSeek-R1-Distill-Qwen-32B-FP8"，max_model_len=18432, gpu_memory_utilization=0.98) 模型的配置参数解释如下：

a. model：指定模型路径

b. max_model_len=18432设置模型上下文长度，gpu_memory_utilization=0.98设置 vllm 的显存使用率，如果设置不恰当，可能会报错 ValueError: The model's max seq len (131072) is larger than the maximum number of tokens that can be stored in KV cache (39648). Try increasing gpu_memory_utilization or decreasing max_model_len when initializing the engine. 这个错误说明模型上下文长度max_model_len超出了所用GPU的KV缓存限制，减小max_model_len或增加 gpu_memory_utilization即可。

c. gpu_memory_utilization=0.98

3. 执行以下命令，进行离线测试

python3 /workspace/demo/vllm_demo.py

可以快速地处理对话问答任务，推理示例如下：

4.2 在线运行DeepSeek-R1-Distill-Qwen-32B-FP8推理服务

1. 容器内任意目录下执行以下命令，启动蒸馏模型推理服务

python3 -m vllm.entrypoints.openai.api_server \
--model /workspace/DeepSeek-R1-Distill-Qwen-32B-FP8 \
--trust-remote-code \
--quantization fp8 \
--tensor-parallel-size 1 \
--port 8000 \
--enforce-eager \
--gpu-memory-utilization 0.98 \
--max-model-len 18432

如下所示，表示蒸馏模型推理服务已启动，服务地址是localhost:8000。

配置参数解释：

• model/workspace/DeepSeek-R1-Distill-Qwen-32B-FP8：指定模型路径

• quantization fp8：启用 FP8 量化，显著降低显存占用。

• tensor-parallel-size 1：设置 tensor 并行大小。

• port 8000：设置服务监听端口为8000。

• enforce-eager：启用eager模式，加快推理速度。

• gpu_memory_utilization 0.98：设置显存使用率为98%，尽可能多地利用显存。

• max-model-len 18432设置最大序列长度为18432个token，可以设置的大小跟显存大小和KV cache限制有关，如果报错 ValueError: The model's max seq len (131072) is larger than the maximum number of tokens that can be stored in KV cache (39648). Try increasing gpu_memory_utilization or decreasing max_model_len when initializing the engine. 则说明模型上下文长度max_model_len超出了所用GPU的KV缓存限制，减小max_model_len或增加gpu_memory_utilization即可。

2. 执行以下命令，测试推理效果

curl http://localhost:8000/v1/chat/completions \  
    -H "Content-Type: application/json" \  
    -d '{  
    "model": "/workspace/DeepSeek-R1-Distill-Qwen-32B-FP8",  
    "messages": [  
    {"role": "user", "content": "介绍一下什么是大模型推理。" }
    ]}'

耗时1分钟左右输出推理结果，如下图所示：

3. 运行Open-WebUI前端服务，可以访问公网ip通过web页面访问 DeepSeek-R1蒸馏模型推理服务。执行以下命令：

a. 打开新的终端窗口，执行以下命令进入deepseek容器和工作目录。

docker exec -it deepseek bash
cd /workspace

b. 设置以下Open-WebUI运行的环境变量

# 避免服务器一直尝试连接 Ollama 而降低面板响应速度
export ENABLE_OLLAMA_API=False
# 连接 DeepSeek 大模型服务器，访问 localhost:8080 即可使用
# 蒸馏模型服务（对应服务地址是 localhost:8000）
export OPENAI_API_BASE_URL=http://127.0.0.1:8000/v1
# 指定 open-webui 下载依赖的镜像源
export HF_ENDPOINT=https://hf-mirror.com
# 指定 open-webui 的数据存储路径
export DATA_DIR=./open-webui-data

c. 运行以下命令启动Open-WebUI前端服务：

open-webui serve

如下所示，表示Open WebUI前端服务已启动，服务地址为 localhost:8080（注意跟大模型服务做区分，大模型服务地址是 localhost:8000）。第一次运行需要下载一些依赖库，耗时2分钟左右。

4. 访问web页面之前，需要打开阿里云控制台，配置实例的安全组，将TCP端口8080放行。授权对象是您客户端的公网ip，客户端的公网ip可以通过网页访问ip138.com查询。

a. 在浏览器中输入阿里云实例的公网ip:8080端口，即 http://x.x.x.x:8080就可以访问了。如下所示：

b. 点击开始使用，根据提示创建管理员账号。

然后就可以使用了。

通过deepseek容器运行的后台服务器看到平均吞吐量为17.0 tokens/s

4.3 使用其他精度量化的模型

本文以DeepSeek-R1-Distill-Qwen-32B-FP8为例，根据实际需求，如果您想要使用其他精度量化的模型，只需要下载对应的模型以及更改运行命令即可，其余与前文保持一致：

比如，如果想要支持更长的上下文，如65536，并且可以承担一些精度损失，那么可以在modelscope上寻找使用量化精度更小的模型，比如int4量化的deepseek-r1-distill-qwen-32b-gptq-int4。

1. 下载模型

git lfs clone https://www.modelscope.cn/tclf90/deepseek-r1-distill-qwen-32b-gptq-int4.git

2. 运行命令

python3 -m vllm.entrypoints.openai.api_server \
--model /workspace/deepseek-r1-distill-qwen-32b-gptq-int4 \
--trust-remote-code \
--quantization gptq_marlin \
--tensor-parallel-size 1 \
--port 8000 \
--enforce-eager \
--gpu-memory-utilization 0.98 \
--max-model-len 65536

与运行DeepSeek-R1-Distill-Qwen-32B-FP8命令的不同之处在于：

a. model修改为对应的模型/workspace/deepseek-r1-distill-qwen-32b-gptq-int4

b. quantization修改量化方式为gptq_marlin

c. max-model-len修改最大上下文长度为65536

五、总结

通过上述步骤，我们可以在阿里云异构实例gn8is上部署DeepSeek蒸馏模型DeepSeek-R1-Distill-Qwen-32B-FP8，可以离线测试或通过WebUI在线使用DeepSeek-R1蒸馏模型服务。

/ END /