vLLM默认并不支持纯CPU模式部署和推理模式，老牛同学应网友要求，根据vLLM官网整理vLLM在CPU模式下如何部署和推理大语音模型，并以Qwen2为了进行验证和演示……

老牛同学在前面文章中，介绍了不同大模型的部署和推理方式。有网友给老牛同学留言，希望老牛同学能写一篇使用 vLLM 通过 CPU 和 GPU 推理 Qwen2 等大语言模型的文章，老牛同学决定本期安排起来。

由于vLLM默认并不支持 CPU 部署和推理，为了验证和演示CPU部署和推理过程，老牛同学肝了周六 1 个晚上和周日大半天，目前都成功了。因vLLM通过CPU部署推理的文档少之又少，官网有些地方也不是很明确，导致老牛同学在执行过程中走了不少弯路。因此，老牛同学希望通过本文，能帮助大家避免踩坑和走弯路。

通过本文，老牛同学将介绍vLLM的 3 部分内容：

1. CPU模式下，如果编译打包vLLM框架（你没有看错：CPU模式需要我们自己编译打包）
2. 通过CPU模式，演示多种方式部署和推理Qwen2大模型（其他模型也一样）：本地模式、部署 API 服务、API 客户端、WebUI 等方式
3. 最后，在GPU模式，简单介绍vLLM部署和推理；相比CPU环境，简单太多了，因为vLLM默认就只支持GPU环境

vLLM 官网源代码地址：https://github.com/vllm-project/vllm

vLLM 支持目前主流大模型，详细列表见官网：https://docs.vllm.ai/en/latest/models/supported_models.html

Qwen2 系列大模型在vLLM支持大模型之列，本文将详细介绍通过vLLM部署和推理Qwen2-0.5B大语言模型（之所以选择0.5B小尺寸模型，纯粹下载更快、演示更方便，其他vLLM所支持的所有大模型，其部署和推理过程完全一样，大家可以根据自己的需要选择不同的模型）

vLLM 环境准备

特别注意的是：vLLM目前只支持Linux操作系统（包括Windows WSL子系统），因此环境准备分为 2 部分：

1. Linux 环境准备：我们的操作系统如果是Linux系统，那就无需其他操作；如果是Windows操作系统，需要首先安装和配置好WSL子系统，老牛同学就不介绍（本教程老牛同学也是用的Windows WSL Ubuntu 子系统）
2. Python 研发环境准备：老牛默认使用Miniconda，需要安装和设置。老牛同学稍微进行介绍，大模型研发环境配置详细文档，参加老牛同学之前的文章：大模型应用研发基础环境配置（Miniconda、Python、Jupyter Lab、Ollama 等）

安装 Miniconda 包管理工具

Linux/Windows WSL系统，我们可以通过命令行完成安装：

<code>mkdir -p ~/miniconda3

wget https://repo.anaconda.com/miniconda/Miniconda3-latest-Linux-x86_64.sh -O ~/miniconda3/miniconda.sh

bash ~/miniconda3/miniconda.sh -b -u -p ~/miniconda3

rm -rf ~/miniconda3/miniconda.sh

Shell 上下文激活Miniconda相关命令：

~/miniconda3/bin/conda init bash

~/miniconda3/bin/conda init zsh

source /home/obullxl/.bashrc

source /home/obullxl/.zshrc

设置 Miniconda 国内镜像

配置镜像是为了提升依赖包下载速度，老牛同学强烈建议进行配置。

Miniconda配置文件路径：~/.condarc，一般情况下配置文件不存在，我们可以创建并初始化它：conda config --set show_channel_urls yes

然后打开配置文件，设置依赖包镜像渠道：

show_channel_urls: true

channels:

- https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/pytorch/

- https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/msys2/

- https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/conda-forge/

- https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/main/

- https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/free/

- defaults

custom_channels:

conda-forge: https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud

msys2: https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud

bioconda: https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud

menpo: https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud

pytorch: https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud

pytorch-lts: https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud

simpleitk: https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud

保存配置文件，我可以查看配置是否生效：conda info

设置 Python 版本和虚拟环境

接下来，我们通过Minicodan安装 Python 虚拟环境：<code>conda create --name vLLM python=3.10 -y

• 虚拟环境名：vLLM
• Python 版本：3.10

虚拟环境安装完成之后，我们激活环境：conda activate vLLM

特别注意：Python 版本号建议为3.10，老牛同学刚开始使用3.12后续过程出现不兼容问题！

下载 Qwen2 模型权重文件

接下来，我们下载Qwen2大模型权重文件，共有 3 种方式：Git 下载、SDK 下载、命令行下载（推荐：Git方式）

下载 Qwen2 模型权重文件（Git 方式）

我们将通过Git下载权重文件，因此先检测一下Git是否安装：git

若没有安装，则通过命令进行安装：sudo apt-get install git

如果想更新Git版本，则可执行命令：sudo apt-get update

同时，Qwen2模型权重文件比较大，我们需要用到 Git 大文件系统，因此需要提前安装好：

sudo apt-get install git-lfs

Git准备就绪，我们开始下载模型权重文件到本地（老牛同学目录：/home/obullxl/ModelSpace/Qwen2-0.5B）：

# 创建目录

mkdir -p ~/ModelSpace && cd ~/ModelSpace

# 下载文件

git lfs install

git clone https://www.modelscope.cn/qwen/qwen2-0.5b.git Qwen2-0.5B

下载过程中，如果因网络等原因中断，我们可以继续断点下载：

cd ~/ModelSpace/Qwen2-0.5B

git lfs pull`

下载成功之后，我们可以看到Qwen2的模型权重文件列表：

下载 Qwen2 模型权重文件（SDK 和命令行方式）

当然，我们还可以通过以下 2 种方式下载模型权重文件：

1. 通过 SDK 下载：

<code>pip install modelscope

from modelscope import snapshot_download

model_dir = snapshot_download('qwen/qwen2-0.5b')

2. 通过命令行下载：

<code>pip install modelscope

modelscope download --model qwen/qwen2-0.5b

使用 vLLM 部署和推理大模型

特别注意：vLLM的依赖包默认支持 GPU 部署和推理，如果使用CPU推理，我们需要根据vLLM源代码重新编译打包！

【GPU 部署和推理】比较简单，通过 PIP 直接安装依赖包即可：

pip install vLLM

【CPU 部署和推理】我们需要下载vLLM源代码，自己编译打包和安装：

首先，下载vLLM源代码（老牛同学目录：~/CodeSpace/vllm-project）：

mkdir -p ~/CodeSpace

cd ~/CodeSpace

git clone https://github.com/vllm-project/vllm.git vllm-project

然后，我们安装源代码GCC 编译器：

sudo apt-get update -y

sudo apt-get install -y gcc-12 g++-12 libnuma-dev

sudo update-alternatives --install /usr/bin/gcc gcc /usr/bin/gcc-12 10 --slave /usr/bin/g++ g++ /usr/bin/g++-12

接下来，我们需要安装vLLM便于打包的依赖：

cd ~/CodeSpace/vllm-project

pip install --upgrade pip

pip install wheel packaging ninja "setuptools>=49.4.0" numpy

pip install -v -r requirements-cpu.txt --extra-index-url https://download.pytorch.org/whl/cpu

最后，我们可以进行vLLM打包安装了：

cd ~/CodeSpace/vllm-project

VLLM_TARGET_DEVICE=cpu python setup.py install

vLLM打包安装完成，我们就可以开始对Qwen2大模型进行部署和推理了：

vLLM 本地大模型部署和推理

# Qwen2-vLLM-Local.py

import os

from transformers import AutoTokenizer

from vllm import LLM, SamplingParams

# 设置环境变量

os.environ['VLLM_TARGET_DEVICE'] = 'cpu'

# 模型ID：我们下载的模型权重文件目录

model_dir = '/home/obullxl/ModelSpace/Qwen2-0.5B'

# Tokenizer初始化

tokenizer = AutoTokenizer.from_pretrained(

model_dir,

local_files_only=True,

)

# Prompt提示词

messages = [

{'role': 'system', 'content': 'You are a helpful assistant.'},

{'role': 'user', 'content': '天空为什么是蓝色的？'}

]

text = tokenizer.apply_chat_template(

messages,

tokenize=False,

add_generation_prompt=True,

)

# 初始化大语言模型

llm = LLM(

model=model_dir,

tensor_parallel_size=1, # CPU无需张量并行

device='cpu',code>

)

# 超参数：最多512个Token

sampling_params = SamplingParams(temperature=0.7, top_p=0.8, repetition_penalty=1.05, max_tokens=512)

# 模型推理输出

outputs = llm.generate([text], sampling_params)

for output in outputs:

prompt = output.prompt

generated_text = output.outputs[0].text

print(f'Prompt提示词: {prompt!r}, 大模型推理输出: {generated_text!r}')

发布 API 服务和调用推理

本地部署推理只能在一台服务器完成，我们也通过vLLM把本地大模型部署成 OpenAI API 服务：

<code>python -m vllm.entrypoints.openai.api_server --model ~/ModelSpace/Qwen2-0.5B

默认情况下，API 服务端口为8000，我们可通过 --port 参数设置服务端口；同时，可通过--host 参数设置服务地址：

python -m vllm.entrypoints.openai.api_server --model /home/obullxl/ModelSpace/Qwen2-0.5B --port 8000 --host 0.0.0.0

API 服务部署成功之后，可以通过 CURL 命令验证服务：

# Qwen2-vLLM-CURL.py

curl http://localhost:8000/v1/chat/completions -H "Content-Type: application/json" -d '{

"model": "/home/obullxl/ModelSpace/Qwen2-0.5B",

"messages": [

{"role": "system", "content": "You are a helpful assistant."},

{"role": "user", "content": "天空为什么是蓝色的？"}

],

"temperature": 0.7,

"top_p": 0.8,

"repetition_penalty": 1.05,

"max_tokens": 512

}'

或者，我们可以通过 Python 客户端调用API 访问服务：

若没有安装openai依赖包，需要提前安装一下：<code>pip install openai

# Qwen2-vLLM-OpenAI.py

from openai import OpenAI

# OpenAI初始化

client = OpenAI(

api_key='EMPTY',code>

base_url='http://localhost:8000/v1',code>

)

chat_response = client.chat.completions.create(

model='/home/obullxl/ModelSpace/Qwen2-0.5B',code>

messages=[

{'role': 'system', 'content': 'You are a helpful assistant.'},

{'role': 'user', 'content': '天空为什么是蓝色的？'},

],

temperature=0.7,

top_p=0.8,

max_tokens=512,

)

print('Qwen2推理结果:', chat_response)

我们还可以通过 WebUI 访问我们部署的 API 服务：

<code>pip install gradio

# Qwen2-vLLM-WebUI.py

import argparse

import json

import gradio as gr

import requests

def http_bot(prompt):

headers = {"User-Agent": "vLLM Client"}

pload = {

"prompt": prompt,

"stream": True,

"max_tokens": 128,

}

response = requests.post(args.model_url,

headers=headers,

json=pload,

stream=True)

for chunk in response.iter_lines(chunk_size=8192,

decode_unicode=False,

delimiter=b"\0"):

if chunk:

data = json.loads(chunk.decode("utf-8"))

output = data["text"][0]

yield output

def build_demo():

with gr.Blocks() as demo:

gr.Markdown("# vLLM text completion demo\n")

inputbox = gr.Textbox(label="Input",code>

placeholder="Enter text and press ENTER")code>

outputbox = gr.Textbox(label="Output",code>

placeholder="Generated result from the model")code>

inputbox.submit(http_bot, [inputbox], [outputbox])

return demo

if __name__ == "__main__":

parser = argparse.ArgumentParser()

parser.add_argument("--host", type=str, default=None)

parser.add_argument("--port", type=int, default=8001)

parser.add_argument("--model-url",

type=str,

default="http://0.0.0.0:8000/generate")code>

args = parser.parse_args()

demo = build_demo()

demo.queue().launch(server_name=args.host,

server_port=args.port,

share=True)

启动 WebUI 服务：python Qwen2-vLLM-WebUI.py

浏览器打开 WebUI 界面：http://localhost:8001（如是Windows WSL子系统，可以通过ifconfig命令、或者直接通过ifconfig | grep eth0 -n1 | grep inet | awk '{print $3}'命令获取 WSL 的 IP 地址），通过 WebUI 我们就可以与大模型对话了：

Running on local URL: http://127.0.0.1:8001

如果我们是Windows WSL子系统，那么需要把 WebUI 设置为共享模式，否则会有如下提示：

Running on local URL: http://127.0.0.1:8001

Could not create share link. Missing file: /home/obullxl/miniconda3/envs/vLLM/lib/python3.10/site-packages/gradio/frpc_linux_amd64_v0.2.

Please check your internet connection. This can happen if your antivirus software blocks the download of this file. You can install manually by following these steps:

1. Download this file: https://cdn-media.huggingface.co/frpc-gradio-0.2/frpc_linux_amd64

2. Rename the downloaded file to: frpc_linux_amd64_v0.2

3. Move the file to this location: /home/obullxl/miniconda3/envs/vLLM/lib/python3.10/site-packages/gradio

frpc_linux_amd64文件默认在 HF 上，需要通畅的网络，老牛同学已经下载好，请自取：

链接: https://pan.baidu.com/s/1CYDcbkUEhhhCEuzb5z8xXA?pwd=LNTX

提取码: LNTX

GPU 多卡部署和推理大模型

非常抱歉，因老牛同学没有 GPU 卡，因此本文此部分通过 GPU 部署和推理的结果无法演示和截图。但老牛同学查看和研究了官网，总结了 GPU 多卡的使用方法，大家若有卡的话可以验证一下。若本文此部分有不正确或者遗漏之处，还望留言指出，老牛同学进行修正完善，谢谢大家！

我们可以通过tensor_parallel_size参数启用 GPU 多卡分布式并行推理能力，提高大模型推理的吞吐量。

【vLLM 本地大模型部署和推理】

from vllm import LLM, SamplingParams

# ...... 省略部分

llm = LLM(

model=model_dir,

tensor_parallel_size=4,

)

# ....... 其他省略

【发布 API 服务和调用推理】

同样的，也可以通过 --tensor-parallel-size 参数部署并发布 API 服务：

python -m vllm.entrypoints.api_server --model /home/obullxl/ModelSpace/Qwen2-0.5B --tensor-parallel-size 4

客户端的使用方法，与之前完全一样~

总结：vLLM 建议生产环境部署推理

至此，通过vLLM部署和推理Qwen2等大语言模型的教程就结束了。vLLM官方默认支持 GPU 部署和推理，CPU则需要单独编译打包，比较繁琐。

老牛同学建议：如果我们是研发、联调、WSL 等环境使用大语言模型，建议就是直接用Llama.cpp、Ollama等部署和推理工具；生产部署是 Linux 操作系统，可以使用vLLM部署和推理。

大家可以看出，其实通过Llama.cpp、Ollama等方式部署和推理大语言模型的方式，其实都大同小异：

1. 本地部署和推理：先下载模型权重文件，然后通过对应的 Python 模块完成部署和推理
2. 通过 API 部署和推理：先把本地模型部署到某个 API 服务端口，然后通过 API 客户端完成调用推理

本文所有源代码仓库地址：https://gitee.com/obullxl/SunningTX/tree/master/PythonTX/Qwen-vLLM

基于 Qwen2 大模型微调技术详细教程（LoRA 参数高效微调和 SwanLab 可视化监控）

LivePortrait 数字人：开源的图生视频模型，本地部署和专业视频制作详细教程

基于 Qwen2/Lllama3 等大模型，部署团队私有化 RAG 知识库系统的详细教程（Docker+AnythingLLM）

使用 Llama3/Qwen2 等开源大模型，部署团队私有化 Code Copilot 和使用教程

本地部署 GLM-4-9B 清华智谱开源大模型方法和对话效果体验

玩转 AI，笔记本电脑安装属于自己的 Llama 3 8B 大模型和对话客户端

ChatTTS 开源文本转语音模型本地部署、API 使用和搭建 WebUI 界面

Ollama 完整教程：本地 LLM 管理、WebUI 对话、Python/Java 客户端 API 应用