DeepSeek-R1-Distill-Qwen-1.5B部署教程：AWS EC2实例配置
1. 引言
1.1 学习目标
本文旨在为开发者提供一份完整的DeepSeek-R1-Distill-Qwen-1.5B模型在 AWS EC2 实例上的部署指南。通过本教程，您将掌握：
- 如何选择合适的 AWS EC2 实例类型以支持大模型推理
- 配置 GPU 环境与依赖库（CUDA、vLLM）
- 使用 vLLM 启动并托管 DeepSeek 蒸馏版模型服务
- 通过 OpenAI 兼容接口调用模型进行对话测试
完成本教程后，您将能够快速搭建一个高性能、低延迟的轻量化大模型推理服务，适用于边缘场景或成本敏感型 AI 应用。
1.2 前置知识
建议读者具备以下基础：
- 熟悉 Linux 命令行操作
- 了解 Python 编程和 REST API 基本概念
- 对 LLM 推理框架（如 vLLM）有初步认知
2. DeepSeek-R1-Distill-Qwen-1.5B 模型介绍
DeepSeek-R1-Distill-Qwen-1.5B是由 DeepSeek 团队基于 Qwen2.5-Math-1.5B 基础模型，结合 R1 架构优势，采用知识蒸馏技术训练而成的高效轻量级语言模型。其设计目标聚焦于高精度保留、低资源消耗、强垂直领域适配性。
2.1 核心特性
参数效率优化
通过结构化剪枝与量化感知训练（QAT），该模型成功将参数压缩至1.5B规模，同时在 C4 数据集上保持了原始模型85% 以上的语言建模精度。相比原生 Qwen 系列模型，显著降低了显存占用和推理延迟。
任务适配增强
在蒸馏过程中引入了大量领域特定数据，包括法律文书、医疗问诊记录等专业语料，使得模型在垂直场景下的表现大幅提升：
- 法律条款理解 F1 提升约 13%
- 医疗问答准确率提升 12.7%
硬件友好性
支持 INT8 量化部署，内存占用较 FP32 模式降低75%，可在 NVIDIA T4 或 A10G 等中低端 GPU 上实现实时推理（<500ms 延迟），非常适合云边协同架构中的边缘节点部署。
3. AWS EC2 实例准备与环境配置
3.1 实例选型建议
为确保模型稳定运行，推荐使用具备以下特性的 EC2 实例：
| 特性 | 推荐配置 |
|---|---|
| 实例类型 | g4dn.xlarge/g5.large/p3.2xlarge |
| GPU 显存 | ≥ 16GB（T4/A10G/V100） |
| CPU 核心数 | ≥ 4 核 |
| 内存 | ≥ 32GB |
| 存储空间 | ≥ 50GB SSD（用于缓存模型权重） |
提示：对于生产环境，建议使用
g5.2xlarge及以上规格，并启用 EBS 加速。
3.2 连接实例并更新系统
# SSH 登录实例 ssh -i your-key.pem ubuntu@your-ec2-public-ip # 更新包管理器 sudo apt update && sudo apt upgrade -y3.3 安装 NVIDIA 驱动与 CUDA
# 添加 NVIDIA 驱动仓库 sudo ubuntu-drivers autoinstall # 安装 CUDA Toolkit（以 12.1 为例） wget https://developer.download.nvidia.com/compute/cuda/repos/ubuntu2004/x86_64/cuda-ubuntu2004.pin sudo mv cuda-ubuntu2004.pin /etc/apt/preferences.d/cuda-repository-pin-600 sudo apt-key adv --fetch-keys https://developer.download.nvidia.com/compute/cuda/repos/ubuntu2004/x86_64/3bf863cc.pub sudo add-apt-repository "deb https://developer.download.nvidia.com/compute/cuda/repos/ubuntu2004/x86_64/ /" sudo apt-get update sudo apt-get -y install cuda-toolkit-12-1重启实例后验证驱动安装：
nvidia-smi预期输出包含 GPU 型号及驱动版本信息。
3.4 创建虚拟环境并安装依赖
# 安装 Miniconda wget https://repo.anaconda.com/miniconda/Miniconda3-latest-Linux-x86_64.sh bash Miniconda3-latest-Linux-x86_64.sh source ~/.bashrc # 创建 Python 环境 conda create -n deepseek python=3.10 -y conda activate deepseek # 安装 PyTorch 与 vLLM pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu121 pip install vllm==0.4.2 pip install jupyterlab openai requests4. 使用 vLLM 启动 DeepSeek-R1-Distill-Qwen-1.5B 模型服务
4.1 下载模型权重（可选）
若需本地加载，请先从 Hugging Face 或官方渠道下载模型：
huggingface-cli login git lfs install git clone https://huggingface.co/deepseek-ai/DeepSeek-R1-Distill-Qwen-1.5B注意：模型文件较大（约 3GB FP16），请确保磁盘空间充足。
4.2 启动 vLLM 服务
创建启动脚本start_vllm.sh：
#!/bin/bash export CUDA_VISIBLE_DEVICES=0 export VLLM_USE_MODELSCOPE=False python -m vllm.entrypoints.openai.api_server \ --host 0.0.0.0 \ --port 8000 \ --model deepseek-ai/DeepSeek-R1-Distill-Qwen-1.5B \ --tensor-parallel-size 1 \ --dtype half \ --quantization awq \ # 若使用量化版本 --max-model-len 4096 \ --gpu-memory-utilization 0.9 \ --enforce-eager \ > deepseek_qwen.log 2>&1 &赋予执行权限并运行：
chmod +x start_vllm.sh ./start_vllm.sh说明：
--dtype half：使用 FP16 精度，节省显存--quantization awq：若使用 AWQ 量化模型，可进一步降低显存至 6GB 以内--enforce-eager：避免 CUDA graph 冷启动问题
5. 查看模型服务是否启动成功
5.1 进入工作目录
cd /root/workspace5.2 查看启动日志
cat deepseek_qwen.log当出现如下关键日志时，表示服务已成功启动：
INFO: Started server process [PID] INFO: Waiting for application startup. INFO: Application startup complete. INFO: Uvicorn running on http://0.0.0.0:8000 (Press CTRL+C to quit)此外，可通过nvidia-smi观察 GPU 显存占用情况，确认模型已加载进显存。
6. 测试模型服务部署是否成功
6.1 启动 Jupyter Lab（可选）
nohup jupyter lab --ip=0.0.0.0 --port=8888 --allow-root --no-browser > jupyter.log 2>&1 &访问http://<your-ec2-ip>:8888并输入 token 登录。
6.2 调用模型进行测试
以下是一个完整的 Python 客户端示例，用于测试模型的基础对话能力与流式输出功能。
from openai import OpenAI import requests import json class LLMClient: def __init__(self, base_url="http://localhost:8000/v1"): self.client = OpenAI( base_url=base_url, api_key="none" # vLLM 不需要真实 API Key ) self.model = "DeepSeek-R1-Distill-Qwen-1.5B" def chat_completion(self, messages, stream=False, temperature=0.7, max_tokens=2048): """基础的聊天完成功能""" try: response = self.client.chat.completions.create( model=self.model, messages=messages, temperature=temperature, max_tokens=max_tokens, stream=stream ) return response except Exception as e: print(f"API调用错误: {e}") return None def stream_chat(self, messages): """流式对话示例""" print("AI: ", end="", flush=True) full_response = "" try: stream = self.chat_completion(messages, stream=True) if stream: for chunk in stream: if chunk.choices[0].delta.content is not None: content = chunk.choices[0].delta.content print(content, end="", flush=True) full_response += content print() # 换行 return full_response except Exception as e: print(f"流式对话错误: {e}") return "" def simple_chat(self, user_message, system_message=None): """简化版对话接口""" messages = [] if system_message: messages.append({"role": "system", "content": system_message}) messages.append({"role": "user", "content": user_message}) response = self.chat_completion(messages) if response and response.choices: return response.choices[0].message.content return "请求失败" # 使用示例 if __name__ == "__main__": # 初始化客户端 llm_client = LLMClient() # 测试普通对话 print("=== 普通对话测试 ===") response = llm_client.simple_chat( "请用中文介绍一下人工智能的发展历史", "你是一个有帮助的AI助手" ) print(f"回复: {response}") print("\n=== 流式对话测试 ===") messages = [ {"role": "system", "content": "你是一个诗人"}, {"role": "user", "content": "写两首关于秋天的五言绝句"} ] llm_client.stream_chat(messages)预期输出示例
正常调用应返回类似以下内容：
=== 普通对话测试 === 回复: 人工智能起源于20世纪50年代... === 流式对话测试 === AI: 秋风扫落叶，寒鸦栖古枝。 霜月映山川，孤舟泛清漪。 ...7. DeepSeek-R1 系列使用建议
为充分发挥模型性能，建议遵循以下最佳实践：
7.1 温度设置
将生成温度控制在0.5–0.7之间（推荐 0.6），可有效防止输出重复或逻辑断裂。过高温度可能导致发散，过低则缺乏创造性。
7.2 提示工程规范
- 避免使用系统提示：所有指令应直接嵌入用户消息中。
- 数学问题引导：添加提示：“请逐步推理，并将最终答案放在
\boxed{}内。” - 强制思维链触发：部分查询可能跳过推理过程（表现为输出
\n\n）。建议在 prompt 开头加入换行符\n以激活深度思考模式。
7.3 性能评估方法
- 多次运行取平均值，减少随机性影响
- 使用标准化 benchmark（如 MMLU、C-Eval）进行横向对比
- 记录 P95 推理延迟与吞吐量（tokens/s）
8. 总结
8.1 关键收获回顾
本文详细介绍了如何在 AWS EC2 实例上部署DeepSeek-R1-Distill-Qwen-1.5B模型，涵盖从实例选型、环境配置、vLLM 服务启动到客户端调用的全流程。核心要点包括：
- 选用 T4/A10G 类 GPU 实例即可满足轻量化模型部署需求
- 利用 vLLM 的 OpenAI 兼容接口实现高性能批处理与流式响应
- 通过 AWQ 量化进一步降低显存占用，提升边缘部署可行性
- 遵循官方提示策略可显著提升输出质量与稳定性
8.2 下一步建议
- 尝试将服务封装为 Flask/FastAPI 微服务，集成至现有系统
- 配置 NGINX + HTTPS 实现安全外网访问
- 结合 LangChain 构建智能 Agent 应用
- 探索 LoRA 微调以适配更具体的业务场景
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。
