开发环境搭建：在VMware虚拟机中配置LiuJuan20260223Zimage模型本地测试环境

开发环境搭建：在VMware虚拟机中配置LiuJuan20260223Zimage模型本地测试环境

对于很多刚开始接触AI模型本地部署的开发者来说，一个常见的困扰是：手头没有高性能的物理GPU，或者不想在主力开发机上折腾复杂的依赖环境，怕搞乱了系统。这时候，一个隔离、干净且可复现的测试环境就显得尤为重要。

今天，我就来手把手带你完成这件事。我们将使用VMware虚拟机，从零开始搭建一个Linux系统，并在其中配置好运行LiuJuan20260223Zimage模型的环境。无论你是想用CPU来模拟运行，还是尝试为虚拟机配置GPU直通以获得更好的性能，这篇教程都会覆盖到。整个过程就像搭积木一样，一步步来，保证你能跟着做下来。

1. 准备工作与虚拟机创建

在开始安装系统之前，我们需要准备好两样东西：VMware软件和一个Linux系统镜像。

首先，你需要下载并安装VMware Workstation Player（个人使用免费）或VMware Workstation Pro。安装过程很简单，一路“下一步”即可。接下来是选择Linux发行版，我强烈推荐Ubuntu 22.04 LTS。LTS代表长期支持，系统稳定，社区资源丰富，遇到问题也容易找到解决方案。你可以从Ubuntu官网下载它的ISO镜像文件。

准备好后，打开VMware，点击“创建新的虚拟机”。

1. 选择安装来源：在向导中，选择“安装程序光盘映像文件(iso)”，然后浏览到你刚才下载的Ubuntu 22.04 ISO文件的位置。
2. 命名虚拟机：给你的虚拟机起个名字，比如“AI-Model-Test”。并选择一个位置来存放虚拟机文件，确保你的硬盘有足够空间（建议预留至少50GB）。
3. 指定磁盘容量：虚拟机硬盘大小建议设置为40GB以上，选择“将虚拟磁盘拆分成多个文件”，这样更方便管理。
4. 自定义硬件（关键步骤）：在向导最后，点击“自定义硬件”。这里我们需要调整一些配置：
   • 内存：至少分配4GB（4096 MB），如果宿主机内存充裕，分配8GB或更多会获得更流畅的体验。
   • 处理器：核心数至少设置为2。如果你的CPU支持，可以给更多。
   • 网络适配器：选择“NAT模式”。这样虚拟机可以共享宿主机的网络上网，同时拥有独立的内部IP，是最方便的选择。
   • 其他：USB控制器、声卡等如果不是必需，可以移除以节省资源。

点击“关闭”然后“完成”，VMware就会开始创建你的虚拟机了。

2. 安装Ubuntu Linux系统

虚拟机创建好后，会自动启动并进入Ubuntu安装界面。

1. 选择语言：在第一个界面选择“中文（简体）”或你偏好的语言，然后点击“安装Ubuntu”。
2. 键盘布局：保持默认的“Chinese”即可。
3. 安装类型：对于新手，我建议选择“正常安装”，它会包含网页浏览器、办公软件等常用工具。如果你想系统更精简，可以选择“最小安装”。务必勾选“为图形或无线硬件安装第三方软件”，这能确保更好的硬件兼容性。
4. 磁盘分区：这是最关键也最简单的一步。因为我们是在虚拟硬盘上安装，所以直接选择“清除整个磁盘并安装Ubuntu”，然后点击“现在安装”。不用担心，这只会清除虚拟硬盘，不会影响你真实的电脑硬盘。
5. 时区与用户：在地图上点击“上海”设置时区。接着设置你的用户名、计算机名和密码。记住这个密码，后续执行管理员命令时会用到。

安装过程会自动进行，期间你可以看看幻灯片介绍。安装完成后，系统会提示你重启。点击“现在重启”，VMware可能会提示你“请移除安装介质”，按回车键继续。重启后，你就进入了全新的Ubuntu桌面环境。

3. 系统基础配置与依赖安装

进入系统后，我们先别急着部署模型。为了让后续步骤更顺畅，我们需要做一些基础配置，并安装必要的软件依赖。

首先，打开“软件和更新”程序，在“下载自”那里选择一个国内的镜像源，比如“阿里云”或“清华源”。这能显著提升后续下载软件包的速度。

接着，打开终端（快捷键Ctrl+Alt+T），我们来执行一些命令。

第一步，更新系统软件包列表并升级现有软件：

sudo apt update && sudo apt upgrade -y

输入密码后，系统会开始更新，这可能需要几分钟。

第二步，安装一些基础开发工具和Python环境：

LiuJuan模型镜像很可能基于Python，所以我们需要安装Python和包管理工具pip。Ubuntu 22.04默认安装了Python 3.10，我们确保pip也安装好。

sudo apt install -y python3-pip python3-venv git curl wget

• python3-pip: Python的包安装工具。
• python3-venv: 用来创建Python虚拟环境，避免项目间的依赖冲突。
• git: 版本控制工具，用于克隆代码仓库。
• curl/wget: 命令行下载工具。

第三步（可选但推荐），配置Python虚拟环境：

在用户目录下创建一个专门的项目文件夹，并在其中创建虚拟环境。

cd ~ mkdir ai_test_project && cd ai_test_project python3 -m venv liujuan_env

激活这个虚拟环境：

source liujuan_env/bin/activate

激活后，你的命令行提示符前面会出现(liujuan_env)字样，表示你正在这个独立的环境中工作。后续所有Python包的安装都会局限在这个环境里。

4. 配置模型运行环境

现在，我们来到了核心环节：为运行LiuJuan20260223Zimage模型准备具体的环境。由于我们不确定该镜像的精确依赖，这里我提供两种通用的准备思路。

4.1 思路一：基于Docker部署（推荐）

如果LiuJuan模型提供了Docker镜像，这是最省心的方法。Docker能确保环境与镜像提供者完全一致。

1. 安装Docker：

   # 更新索引并安装依赖 sudo apt update sudo apt install -y ca-certificates curl gnupg # 添加Docker官方GPG密钥 sudo install -m 0755 -d /etc/apt/keyrings curl -fsSL https://download.docker.com/linux/ubuntu/gpg | sudo gpg --dearmor -o /etc/apt/keyrings/docker.gpg sudo chmod a+r /etc/apt/keyrings/docker.gpg # 设置Docker仓库 echo \ "deb [arch="$(dpkg --print-architecture)" signed-by=/etc/apt/keyrings/docker.gpg] https://download.docker.com/linux/ubuntu \ "$(. /etc/os-release && echo "$VERSION_CODENAME")" stable" | \ sudo tee /etc/apt/sources.list.d/docker.list > /dev/null # 安装Docker引擎 sudo apt update sudo apt install -y docker-ce docker-ce-cli containerd.io docker-buildx-plugin docker-compose-plugin

2. 将当前用户加入docker组（避免每次用sudo）：

   sudo usermod -aG docker $USER

   执行此命令后，你需要完全注销当前用户再重新登录，或者重启虚拟机，才能使更改生效。

3. 拉取并运行模型镜像：重新登录后，激活之前的虚拟环境（如果用了的话），然后使用Docker命令。假设镜像名为registry.example.com/liujuan:20260223z（请替换为实际镜像名）。

   docker pull registry.example.com/liujuan:20260223z docker run -it --rm -p 7860:7860 registry.example.com/liujuan:20260223z

   这里-p 7860:7860将容器内的7860端口映射到宿主机的7860端口，这是很多AI Web UI（如Gradio）的默认端口。

4.2 思路二：基于源码与requirements.txt安装

如果模型提供了源代码和requirements.txt依赖文件。

1. 克隆代码或获取模型文件：

   git clone <模型仓库地址> . # 或者将你下载好的模型文件解压到当前目录

2. 安装PyTorch等深度学习框架：这是最可能出问题的部分。我们需要安装与CPU兼容的PyTorch。前往 PyTorch官网 获取安装命令。对于纯CPU环境，命令通常类似：

   pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cpu

3. 安装其他依赖：

   pip install -r requirements.txt

   如果遇到某个包安装失败，可以尝试单独安装或搜索错误信息寻找解决方案。

5. 性能优化与GPU直通（高级可选）

在VMware虚拟机中使用GPU，性能无法与物理机媲美，但通过一些配置，可以显著改善体验。

5.1 安装VMware Tools

这能提升虚拟机的显示性能、鼠标集成和文件共享能力。在VMware菜单栏点击“虚拟机” -> “安装VMware Tools”，然后在Ubuntu桌面会自动挂载一个光盘。打开终端，执行：

cd /media/$USER/VMware\ Tools/ tar -xzf VMwareTools-*.tar.gz -C /tmp/ cd /tmp/vmware-tools-distrib/ sudo ./vmware-install.pl -d

-d参数代表接受所有默认选项。安装完成后重启虚拟机。

5.2 尝试GPU直通（要求宿主机和VMware版本支持）

这需要宿主机的CPU和主板支持VT-d/AMD-Vi技术，并且VMware Workstation Pro版本支持。

1. 关闭虚拟机。
2. 在VMware中，右键点击虚拟机 -> “设置”。
3. 在“硬件”选项卡，点击“添加”。
4. 选择“PCI设备”，点击“下一步”。
5. 在列表中，你应该能看到你的物理GPU（例如NVIDIA GeForce RTX 4060）。选中它，点击“下一步”直至完成。
6. 启动虚拟机。如果直通成功，在Ubuntu终端输入lspci | grep -i vga或lspci | grep -i nvidia应该能看到你的GPU。
7. 接下来，你需要在虚拟机内安装对应的NVIDIA驱动，步骤与物理机类似（可通过ubuntu-drivers工具或从NVIDIA官网下载.run文件安装）。

请注意：GPU直通成功后，宿主机将无法使用该GPU。这是一个高级功能，配置过程可能遇到各种问题，需要一定的排错能力。

6. 运行测试与常见问题

环境配置好后，让我们启动模型进行测试。

根据你选择的方式（Docker或源码），运行启动命令。例如，如果是一个Web应用，启动后通常在终端会输出一个本地访问地址，比如http://127.0.0.1:7860。

由于虚拟机是独立系统，你需要在Ubuntu自带的浏览器（如Firefox）中打开这个地址进行测试。你也可以在虚拟机设置中配置“网络适配器”为“桥接模式”，这样虚拟机会获得一个与宿主机同网段的独立IP，你就可以在宿主机的浏览器中用虚拟机的IP地址来访问了，比如http://192.168.1.xxx:7860。

可能会遇到的一些问题：

• 端口无法访问：检查防火墙。Ubuntu默认的UFW防火墙可能关闭，如果开启了，需要放行端口：sudo ufw allow 7860。
• 内存/CPU不足：如果模型运行缓慢或报内存错误，请关闭虚拟机，在VMware设置中增加分配的内存和CPU核心数。
• 依赖安装失败：仔细阅读错误信息。常见原因是Python版本不匹配或系统缺少某些底层开发库（如build-essential,libssl-dev）。可以尝试安装：sudo apt install -y build-essential libssl-dev。
• Docker权限错误：确保已执行usermod命令并重新登录。

整体走下来，你会发现用VMware搭建一个AI模型测试环境并没有想象中那么复杂。它最大的好处就是隔离和安全，你可以在这个“沙盒”里随意安装、卸载、调试，而不用担心影响你的主力机。对于没有独立GPU的开发者，用CPU模式跑通流程、理解原理是完全可行的。如果后续需要性能，再研究GPU直通或者迁移到有物理GPU的环境。

这个过程里，最花时间的可能就是解决一些依赖包的小问题，多利用搜索引擎，大部分都能找到答案。希望这个详细的步骤能帮你顺利搭起自己的测试环境，愉快地开始你的AI模型探索之旅。

获取更多AI镜像

想探索更多AI镜像和应用场景？访问 CSDN星图镜像广场，提供丰富的预置镜像，覆盖大模型推理、图像生成、视频生成、模型微调等多个领域，支持一键部署。