Windows 是全球范围内最流行的操作系统之一，许多企业和个人用户都在使用 Windows 系统。通过在 Windows 系统上支持 LLM 的推理，许多办公软件、聊天应用等都可以受益于 LLM 的技术，为用户提供更智能、更个性化的服务。LMDeploy 支持在 Windows 平台进行部署与使用，本文会从以下几个部分，介绍如何使用 LMDeploy 部署 internlm2-chat-1_8b 模型。

环境配置
LMDeploy Chat CLI 工具
LMDeploy pipeline (python)
LMDeploy serving

环境配置

安装显卡驱动 & CUDA Toolkit

developer.nvidia.com/cuda-12-1-1...

成功安装后，打开 Powershell 后，环境变量 CUDA_PATH 不为空。

安装 LMDeploy

ini 复制代码

conda create -n lmdeploy python=3.10
conda activate lmdeploy
pip install lmdeploy --extra-index-url https://download.pytorch.org/whl/cu121

需要注意的是，--extra-index-url 不能省略，不然会安装 CPU 版本的 PyTorch

下载模型

perl 复制代码

mkdir D:\workspace
cd D:\workspace
huggingface-cli download --resume-download --cache-dir cache --local-dir-use-symlinks False --local-dir internlm2-chat-1_8b internlm/internlm2-chat-1_8b

命令行 CLI

LMDeploy 提供命令行工具，可以非常方便地在 Powershell 进行对话，相关命令是：

lmdeploy chat .\internlm2-chat-1_8b\

LMDeploy 会根据 $env:CUDA_PATH 添加 CUDA Runtime 的目录，并在程序的开头会打印目录。如果没有下图红线的部分，需要检查显卡驱动以及 CUDA Toolkit 是否正确安装。

运行结果如下：

pipeline

LMDeploy 提供了 Python api，可以方便集成到其他的工具中，相关的用法如下。

java 复制代码

from lmdeploy import pipeline
pipe = pipeline('internlm2-chat-1_8b')
pipe('上海有什么景点')

运行结果如下：

pipeline 启动时参数设置可参考 lmdeploy.readthedocs.io/zh-cn/lates...

服务化

LMDeploy 支持把模型一键封装为服务，对外提供的 RESTful API 兼容 openai 的接口。以下为使用方式：

服务端：

lmdeploy serve api_server .\internlm2-chat-1_8b\

更多使用方式可参考 lmdeploy.readthedocs.io/en/latest/s...

客户端：

ini 复制代码

from openai import OpenAI
client = OpenAI(
    api_key='YOUR_API_KEY',
    base_url="http://127.0.0.1:23333/v1"
)
model_name = client.models.list().data[0].id
response = client.chat.completions.create(
  model=model_name,
  messages=[
    {"role": "user", "content": "上海有什么著名景点"},
  ],
    temperature=0.8,
    top_p=0.8
)
print(response)

FAQ：

Q: 如何使用 LMDeploy cuda11 的版本?

A: 安装 CUDA Toolkit >= 11.3 并确保显卡驱动的版本支持 CUDA Toolkit，之后可以从 LMDeploy Release 页面找到使用 CUDA11 编译的 whl 包，以 python3.10, LMDeploy v0.4.2 为例，安装方式为:

bash 复制代码

pip install https://github.com/InternLM/lmdeploy/releases/download/v0.4.2/lmdeploy-0.4.2+cu118-cp310-cp310-win_amd64.whl --extra-index-url https://download.pytorch.org/whl/cu118

Q：模型过大，显存不够加载模型怎么办？

A：可以考虑把模型权重量化为 4bit，然后再部署。模型大小的快速估算方式为，1B 大小的模型，其权重（16bit）大约需要 2G 的显存。量化为 4bit 后，大约只需 0.5G 显存。7B 模型，4bit 量化后，约 3.5 G。具体方法请参考文档：lmdeploy.readthedocs.io/en/latest/q...

Q：如何使用多卡推理？

A：对于在 Windows 宿主机上直接使用 LMDeploy 的方式，由于 NVIDIA 并未提供 Windows 平台的 NCCL 运行时，所以不支持多卡推理。

LMDeploy Windows 平台最佳实践