Phi-4-reasoning-vision-15B部署案例：CSDN云GPU环境双卡常驻加载实录

Phi-4-reasoning-vision-15B部署案例CSDN云GPU环境双卡常驻加载实录1. 引言当视觉模型遇上推理能力如果你正在寻找一个能“看懂”图片还能像人一样“思考”的AI模型那么微软最新发布的Phi-4-reasoning-vision-15B绝对值得你花时间了解一下。想象一下这样的场景你有一张复杂的业务图表需要快速提取关键数据并分析趋势或者你拿到一份扫描版合同想快速找到关键条款又或者你设计了一个软件界面想看看AI能不能理解各个按钮的功能。这些过去需要人工处理或者多个工具配合才能完成的任务现在一个模型就能搞定。Phi-4-reasoning-vision-15B就是这样一个多面手。它不仅能识别图片里有什么还能理解图片里的文字、分析图表数据、解读界面布局甚至进行多步骤的推理。简单说它把“看”和“想”结合在了一起。但这么强大的模型部署起来会不会很麻烦特别是它需要24GB显存对硬件要求不低。别担心这篇文章就是来帮你解决这个问题的。我将带你一步步在CSDN云GPU环境上用两张显卡成功部署这个模型并让它常驻运行随时待命。无论你是开发者、研究人员还是业务人员只要你对视觉AI应用感兴趣这篇实战指南都能让你快速上手。2. 模型能力全景不止于“看图说话”在开始部署之前我们先搞清楚这个模型到底能做什么。了解它的能力边界你才能更好地用它解决实际问题。2.1 核心功能一览Phi-4-reasoning-vision-15B的核心能力可以概括为五个方面图片问答你上传一张图片问它问题它能基于图片内容给出答案。比如你上传一张风景照问“图片里有哪些颜色”它会告诉你具体的颜色种类。OCR与截图理解它能读取图片中的文字无论是打印体还是手写体。对于软件界面截图它能识别出按钮、输入框等元素并理解它们的功能。图表和表格分析这是它的强项。给它一张折线图、柱状图或者数据表格它能提取关键数据分析变化趋势甚至指出可能存在的问题。界面元素理解对于软件界面、网页设计图它能识别出各个UI组件并理解用户与这些组件可能的交互方式。多步视觉推理这是最有趣的部分。模型不是简单地描述看到了什么而是能进行逻辑推理。比如看到“冰箱门开着”的图片它可能会推理出“这样比较耗电”。2.2 与普通视觉模型的区别你可能会问现在很多模型不都能识别图片吗Phi-4-reasoning-vision-15B有什么特别最大的区别在于“推理”二字。普通视觉模型更像是一个“描述者”——它告诉你图片里有什么。而Phi-4-reasoning-vision-15B更像是一个“分析者”——它不仅能描述还能分析、推理、解答问题。举个例子给一张销售额月度报表的图表普通模型可能说“这是一张柱状图展示了12个月的数据。”Phi-4-reasoning-vision-15B可能会说“3月和9月的销售额最高分别达到120万和115万1月和7月是销售淡季整体呈现季节性波动建议在淡季加大营销投入。”看到区别了吗后者提供了真正的洞察而不仅仅是描述。2.3 适用场景举例了解了能力我们来看看它能用在哪些实际场景内容审核与分类自动识别用户上传的图片内容判断是否合规并自动打上标签。文档数字化处理扫描件、照片中的文字提取和结构化合同、发票的关键信息抓取。数据洞察生成业务报表、统计图表的自动分析快速生成数据简报。无障碍服务为视障用户描述图片内容理解复杂图表。教育培训数学题、物理图的解题辅助学习材料的智能问答。产品设计评审界面设计稿的可用性分析自动检查设计规范。现在你对这个模型有了基本了解接下来我们进入实战环节——如何把它部署起来随时可用。3. 环境准备与部署实战部署一个15B参数的多模态模型听起来可能有点吓人但跟着我的步骤走你会发现其实没那么复杂。我在CSDN云GPU环境上已经走通了全流程这里把关键步骤和注意事项都告诉你。3.1 硬件要求与资源选择首先明确一点这个模型需要24GB显存。在消费级显卡上这意味着至少需要两张RTX 409024G或者专业级的A100、H100。在CSDN云GPU环境我选择了以下配置GPU型号两张24GB显存的显卡具体型号根据平台提供选择内存至少32GB建议64GB存储100GB SSD用于存放模型文件和运行环境网络公网IP用于外部访问为什么需要双卡因为模型参数太大单卡24GB装不下。通过模型并行技术我们可以把模型的不同部分放在不同的卡上共同完成推理任务。3.2 部署流程详解部署过程可以分为几个关键步骤我尽量用简单的语言解释每个步骤在做什么第一步环境初始化# 创建项目目录 mkdir -p /root/workspace/phi4-deployment cd /root/workspace/phi4-deployment # 安装基础依赖 apt-get update apt-get install -y python3-pip python3-venv supervisor这里我们创建了一个专门的工作目录安装了Python环境和管理工具。Supervisor很重要它能确保我们的服务在意外退出后自动重启。第二步模型下载与准备# 创建Python虚拟环境 python3 -m venv phi4-env source phi4-env/bin/activate # 安装PyTorch和相关库 pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu118 pip install transformers accelerate bitsandbytes # 下载模型这里以Hugging Face为例 from transformers import AutoModelForCausalLM, AutoTokenizer model_name microsoft/Phi-4-reasoning-vision-15B # 实际部署时我们使用提前下载好的模型文件 # 模型大小约30GB下载需要一定时间模型下载是最耗时的步骤30GB的文件需要良好的网络环境。如果平台提供预下载服务可以节省大量时间。第三步服务启动脚本编写#!/bin/bash # phi4-web.sh cd /root/workspace/phi4-deployment source phi4-env/bin/activate # 设置GPU可见性使用两张卡 export CUDA_VISIBLE_DEVICES0,1 # 启动Web服务 python web_interface.py \ --model_path ./phi4-model \ --port 7860 \ --max_new_tokens 256 \ --temperature 0.1这个脚本做了几件事激活Python环境、指定使用哪几张显卡、启动Web服务。端口7860是Gradio常用的端口号。第四步Supervisor配置[program:phi4-reasoning-vision-web] directory/root/workspace/phi4-deployment command/bin/bash /root/workspace/phi4-deployment/phi4-web.sh autostarttrue autorestarttrue startretries3 userroot stdout_logfile/root/workspace/phi4-reasoning-vision-web.log stderr_logfile/root/workspace/phi4-reasoning-vision-web.err.logSupervisor的配置确保服务能常驻运行。即使程序崩溃它也会自动重启。日志文件帮助我们排查问题。3.3 双卡加载的关键技巧让模型在两张卡上稳定运行有几个技术要点模型并行策略我们使用device_mapauto让Transformers库自动分配模型层到不同的GPU。对于15B模型它会智能地平衡两张卡的负载。内存优化使用4位或8位量化可以显著减少显存占用但可能会轻微影响精度。对于大多数应用8位量化是个好平衡。批处理大小由于显存限制批处理大小通常设置为1。如果需要处理多张图片可以考虑队列机制。部署完成后你可以通过以下命令检查状态# 查看服务状态 supervisorctl status phi4-reasoning-vision-web # 查看GPU使用情况 nvidia-smi # 检查端口是否监听 ss -ltnp | grep 7860如果一切正常你会看到服务在运行两张GPU都有显存占用7860端口处于监听状态。4. Web界面使用指南部署完成后最激动人心的时刻到了——实际使用。我为你准备了一个开箱即用的Web界面让你通过浏览器就能调用这个强大的模型。4.1 界面概览与访问服务启动后你可以通过两种方式访问内网访问在服务器上直接访问http://127.0.0.1:7860外网访问通过CSDN云GPU提供的外网地址访问界面设计简洁直观主要分为三个区域图片上传区拖拽或点击上传图片问题输入区输入你想问的问题参数设置区调整模型行为的关键参数结果显示区模型回答的展示区域4.2 三种推理模式详解这是Phi-4-reasoning-vision-15B的一个特色功能——你可以控制它如何“思考”。三种模式适应不同的使用场景自动模式推荐默认工作原理模型自己决定是否需要深入思考。对于简单问题快速回答复杂问题则多思考几步。适用场景日常使用、不确定问题复杂度时。示例问“图片里有什么动物”——快速回答“一只猫”。强制思考模式工作原理要求模型必须进行多步推理展示思考过程。适用场景数学题、逻辑推理、复杂图表分析。示例给一张销售图表问“为什么6月份销售额下降”——模型会逐步分析先提取6月数据对比前后月份考虑季节性因素最后给出可能原因。强制直答模式工作原理跳过思考过程直接给出最终答案。适用场景OCR文字提取、简单描述、需要快速响应的场景。示例问“图片里的文字是什么”——直接输出文字内容。4.3 从上传到结果完整操作流程让我带你走一遍完整的使用流程第一步准备图片选择一张清晰的图片。可以是自然照片人物、风景、物体文档扫描件合同、报告、书籍数据图表折线图、柱状图、饼图界面截图软件、网页、APP第二步上传图片点击上传区域选择文件。支持JPG、PNG等常见格式。上传后图片会显示在预览区。第三步输入问题根据你的需求输入问题。一些建议具体明确的问题效果更好开放式问题能激发更有趣的回答可以要求特定格式的输出第四步设置参数推理模式根据问题类型选择最大输出长度控制回答长短一般128-256足够温度控制创造性分析任务建议0或0.1第五步开始分析点击按钮等待结果。处理时间取决于图片复杂度和问题难度通常几秒到几十秒。第六步解读结果模型会返回答案。如果是强制思考模式你还能看到它的思考过程。4.4 参数设置建议不同的任务需要不同的参数组合这是我的经验总结任务类型推理模式最大长度温度提示词技巧文字提取强制直答128-2560明确要求“按行输出”图表分析强制思考256-5120.1要求“总结趋势”图片描述自动128-2560.2要求“详细描述”界面理解自动256-5120避免动作指令数学解题强制思考5120要求“分步骤解答”温度参数特别说明设置为0时模型输出最确定的结果适合事实性任务设置为0.1-0.3时有一定随机性适合创意性任务。5. 实战案例与效果展示理论说再多不如实际看看效果。我测试了几个典型场景你可以直观感受这个模型的能力。5.1 案例一文档OCR与信息提取场景你收到一份扫描版的会议纪要需要快速提取关键信息。测试图片包含会议主题、时间、地点、参会人员、决议事项的扫描文档。提问“请提取本次会议的关键信息包括时间、地点、主要决议。”模型回答强制直答模式会议时间2024年3月15日 下午2:00-4:00 会议地点公司第三会议室 参会人员张三、李四、王五、赵六、孙七 主要决议 1. 批准Q2市场预算增加20% 2. 确定新产品发布时间为5月10日 3. 成立跨部门项目组推进数字化转型 4. 下次会议定于4月10日效果分析文字识别准确率很高即使是扫描件信息结构化做得很好自动分点列出提取了所有关键字段没有遗漏处理时间约3秒效率很高这个功能可以用于合同审查、报告摘要、档案数字化等各种文档处理场景。5.2 案例二销售图表分析与洞察场景月度销售报告需要快速分析数据趋势。测试图片包含12个月销售额的柱状图有明显季节性波动。提问“分析销售趋势指出表现最好的月份和最差的月份并给出可能的原因和建议。”模型回答强制思考模式让我分析这张销售图表 首先提取关键数据点 - 1月80万春节假期影响 - 2月85万 - 3月120万季度末冲量 - 4月95万 - 5月100万 - 6月75万传统淡季 - 7月78万 - 8月105万 - 9月115万开学季促销 - 10月98万 - 11月110万双十一预热 - 12月125万年终促销 分析趋势 1. 表现最好的月份12月125万和3月120万 - 原因年终促销和季度末冲量活动 2. 表现最差的月份6月75万和1月80万 - 原因6月是传统销售淡季1月受春节假期影响 建议 1. 在6月等淡季加大营销投入推出针对性活动 2. 总结3月和12月的成功经验复制到其他月份 3. 考虑在1月提前备货避免春节影响效果分析不仅提取了数据还进行了分析识别出了季节性模式给出了具体可行的建议思考过程清晰结论有数据支撑对于业务分析人员这个功能可以节省大量手动分析时间。5.3 案例三软件界面理解与描述场景设计了一个新的软件界面想看看AI如何理解它。测试图片一个数据可视化工具的界面截图包含菜单栏、工具栏、图表区、控制面板。提问“描述这个界面的主要区域和功能假设你是一个新用户你会如何使用这个工具”模型回答自动模式这是一个数据可视化工具的界面可以分为四个主要区域 1. 顶部菜单栏左侧 - 包含文件、编辑、视图、帮助等标准菜单项 - 预计可以在这里进行新建、打开、保存等操作 2. 左侧工具栏 - 从上到下依次是选择工具、图表类型柱状图、折线图、饼图、数据导入按钮 - 这是创建和修改图表的主要区域 3. 中央图表展示区 - 当前显示的是一个柱状图展示了季度销售数据 - 图表清晰有图例和坐标轴标签 4. 右侧控制面板 - 可以调整图表样式颜色、字体、网格线 - 数据筛选选项按时间、按类别 - 导出按钮可以将图表保存为图片或PDF 作为新用户我会这样使用 1. 先通过左侧的“数据导入”按钮上传我的数据 2. 选择合适的图表类型比如柱状图 3. 在中央区域看到初步图表 4. 使用右侧面板调整样式让图表更美观 5. 最后通过菜单栏或导出按钮保存结果 界面设计直观功能区划分清晰新用户应该能快速上手。效果分析准确识别了界面元素和布局合理推测了各区域功能从用户角度给出了使用流程还提供了设计评价这对于UI/UX设计师、产品经理来说是个很好的测试工具可以在开发前验证界面的易用性。5.4 效果对比与模型特点通过这几个案例你可以看到Phi-4-reasoning-vision-15B的几个突出特点准确性高文字识别、数据提取的准确率令人满意。理解深入不止于表面描述能进行一定程度的分析和推理。实用性强回答具有操作性能直接用于实际工作。灵活性好通过不同的推理模式可以适应不同复杂度的任务。当然它也不是万能的。我测试中发现对于特别模糊的图片识别准确率会下降非常专业的领域知识如医学影像需要额外训练推理过程有时会“想太多”需要适当引导但总体而言对于大多数通用场景它的表现已经足够出色。6. API接口与集成应用Web界面适合手动操作但如果你想把能力集成到自己的系统中API接口就派上用场了。我为你准备了几个常用的接口示例。6.1 健康检查接口在集成前先确认服务是否正常curl http://127.0.0.1:7860/health正常返回{status: healthy, model: Phi-4-reasoning-vision-15B}这个接口很简单但很重要。你可以在监控系统中定期调用它确保服务可用。6.2 图片问答接口这是最核心的接口支持图片上传和问题提问import requests def ask_image_question(image_path, question, reasoning_modeauto): 向Phi-4模型提问关于图片的问题 参数 image_path: 图片文件路径 question: 问题文本 reasoning_mode: 推理模式可选 auto/think/nothink url http://127.0.0.1:7860/generate_with_image with open(image_path, rb) as f: files { image: f, prompt: (None, question), reasoning_mode: (None, reasoning_mode), max_new_tokens: (None, 256), temperature: (None, 0.1) } response requests.post(url, filesfiles) if response.status_code 200: return response.json()[response] else: return f错误{response.status_code} - {response.text} # 使用示例 answer ask_image_question( image_pathsales_chart.png, question分析这张销售图表的主要趋势, reasoning_modethink ) print(answer)这个Python函数封装了API调用你可以直接用在你的项目中。支持本地图片文件也支持网络图片URL需要稍作修改。6.3 批量处理接口如果需要处理多张图片可以这样设计import concurrent.futures from pathlib import Path def batch_process_images(image_dir, questions, output_fileresults.txt): 批量处理图片目录中的所有图片 参数 image_dir: 图片目录路径 questions: 问题列表每个图片对应一个问题 output_file: 结果输出文件 image_files list(Path(image_dir).glob(*.png)) \ list(Path(image_dir).glob(*.jpg)) \ list(Path(image_dir).glob(*.jpeg)) results [] # 使用线程池并发处理 with concurrent.futures.ThreadPoolExecutor(max_workers2) as executor: future_to_image { executor.submit(ask_image_question, str(img), questions[i % len(questions)]): img for i, img in enumerate(image_files) } for future in concurrent.futures.as_completed(future_to_image): image future_to_image[future] try: result future.result() results.append(f图片{image.name}\n回答{result}\n{-*50}) except Exception as e: results.append(f图片{image.name}\n错误{str(e)}\n{-*50}) # 保存结果 with open(output_file, w, encodingutf-8) as f: f.write(\n.join(results)) return len(results)这个批量处理函数可以自动处理一个目录下的所有图片支持并发处理以提高效率。注意并发数不要太高避免GPU内存不足。6.4 集成到现有系统在实际业务中你可能会这样集成客服系统集成用户上传问题图片自动分析并给出初步回答客服人员在此基础上完善。class CustomerServiceBot: def __init__(self, api_url): self.api_url api_url def process_customer_query(self, image, customer_question): # 先用模型分析图片 analysis ask_image_question(image, 描述图片内容并识别可能的问题) # 结合客户问题生成回答草稿 prompt f 图片分析结果{analysis} 客户问题{customer_question} 请根据以上信息生成给客户的回答。 # 调用文本接口生成回答 response self.generate_text_response(prompt) return response内容审核系统自动审核用户上传的图片识别违规内容。def content_moderation(image_path): 内容审核识别图片是否包含违规内容 questions [ 这张图片是否包含暴力或血腥内容, 这张图片是否包含不适当或暴露的内容, 这张图片是否包含违禁物品或行为 ] results [] for question in questions: answer ask_image_question( image_path, question, reasoning_modenothink # 直接回答不需要思考 ) results.append(answer) # 分析结果判断是否违规 if any(是 in result or 包含 in result for result in results): return 需要人工审核 else: return 审核通过数据分析流水线自动处理日报、周报中的图表提取关键指标。def extract_metrics_from_report(report_image): 从报表图片中提取关键指标 template 请从这张图表中提取以下信息 1. 图表类型柱状图/折线图/饼图等 2. 主要数据指标和数值 3. 关键趋势上升/下降/平稳 4. 异常值或突出点 5. 建议关注的重点 请用JSON格式返回 { chart_type: , metrics: [], trend: , anomalies: [], recommendations: [] } result ask_image_question( report_image, template, reasoning_modethink # 需要深入思考 ) # 解析JSON结果 try: import json metrics_data json.loads(result) return metrics_data except: return {error: 解析失败, raw_response: result}这些示例展示了如何将Phi-4-reasoning-vision-15B的能力集成到实际业务系统中。关键是理解API的使用方式然后根据你的具体需求进行封装。7. 常见问题与优化建议在实际使用中你可能会遇到一些问题。这里我总结了一些常见情况和解决方法。7.1 部署与运行问题问题服务启动失败提示显存不足解决方案 1. 检查nvidia-smi确认两张卡都正常 2. 减少批处理大小在启动参数中添加 --batch_size 1 3. 使用8位量化修改加载代码添加 load_in_8bitTrue 4. 如果还是不够考虑使用内存卸载添加 device_mapauto 和 offload_folder./offload问题外网无法访问但内网正常可能原因 1. 云平台网关配置问题 2. 防火墙或安全组限制 3. 服务绑定地址不正确 排查步骤 1. 服务器内执行curl http://127.0.0.1:7860/health 2. 检查服务绑定netstat -tlnp | grep 7860 3. 确认监听地址是 0.0.0.0:7860 4. 联系云平台技术支持检查网关配置问题响应速度慢优化建议 1. 启用缓存第一次加载慢后续会快很多 2. 调整参数减少max_new_tokens适当增加temperature加速生成 3. 使用更快的存储确保模型文件在SSD上不在机械硬盘 4. 考虑预热定期发送简单请求保持模型热状态7.2 模型使用问题问题模型输出动作指令如click坐标而不是描述原因模型有时会把界面截图误认为是可操作的GUI 解决方法 1. 在提示词中明确要求只描述图片内容不要输出动作指令 2. 使用强制直答模式reasoning_modenothink 3. 添加系统提示你是一个图像分析助手只负责描述和分析图片内容问题对于复杂图表分析不够深入优化策略 1. 使用强制思考模式reasoning_modethink 2. 提供更具体的指导请分步骤分析先...然后...最后... 3. 限制输出格式请用表格形式总结关键数据 4. 多次提问先问整体趋势再问具体细节问题文字识别偶尔有误应对措施 1. 确保图片清晰分辨率足够 2. 对于重要文档使用强制直答模式提高准确性 3. 可以要求模型验证请确认你读取的文字是否正确 4. 对于关键信息可以多次识别取共识7.3 性能优化建议根据我的使用经验这里有一些提升使用体验的建议提示词工程技巧具体比笼统好分析销售趋势不如指出销售额最高的三个月并分析原因结构化输出要求请用项目符号列出、请用表格展示角色设定假设你是一个数据分析专家、作为内容审核员分步骤指导第一步描述图片第二步分析数据第三步给出建议参数调优经验日常使用temperature0.1, max_new_tokens256创意任务temperature0.3-0.7, max_new_tokens512精确任务temperature0, max_new_tokens128复杂分析reasoning_modethink, max_new_tokens1024系统层面优化定期重启服务清理内存碎片监控GPU温度和显存使用设置请求超时和重试机制对于高频使用场景考虑负载均衡7.4 成本控制考虑双卡24GB部署确实有成本这里有一些控制成本的建议使用策略按需启动不需要时关闭实例需要时再启动批量处理积累一定任务后一次性处理缓存结果相同图片相同问题缓存答案降级方案简单任务使用小模型资源优化选择按量计费避免闲置浪费监控使用率调整实例规格考虑冷热数据分离常用数据放内存使用模型量化减少显存占用8. 总结与展望经过这次在CSDN云GPU环境上的完整部署和实践我对Phi-4-reasoning-vision-15B有了更深入的理解。这个模型确实在视觉推理方面表现出色特别是结合了思考能力后不再是简单的“看图说话”而是真正的“看图思考”。8.1 核心价值回顾回顾整个部署和使用过程Phi-4-reasoning-vision-15B的核心价值体现在几个方面多模态理解的深度它不仅能识别图片内容还能理解上下文、进行推理、给出建议。这种深度理解能力在很多业务场景中都能创造价值。部署的可行性虽然需要24GB显存但通过双卡部署和合理的资源管理在云GPU环境上完全可以稳定运行。CSDN云GPU提供的环境让部署过程变得简单。使用的便捷性Web界面让非技术人员也能轻松使用API接口又为系统集成提供了可能。这种灵活性很重要。效果的实用性从我测试的案例来看无论是文档处理、图表分析还是界面理解模型都能给出有实际价值的回答不是花架子。8.2 实际应用建议如果你考虑在实际项目中应用这个模型我的建议是从小处着手不要一开始就想着替代所有人工。找一个具体的、高价值的场景试点比如自动处理某种类型的报表或者辅助内容审核。理解模型边界知道它能做什么不能做什么。对于它擅长的任务如图表分析、文档理解可以大胆使用对于专业领域任务需要额外训练或人工复核。设计人机协作流程最好的应用模式不是完全替代人而是增强人的能力。让模型处理重复性、基础性的工作人专注于决策和创造性工作。持续优化提示词提示词的质量直接影响结果。建立你的提示词库针对不同任务类型积累最佳实践。8.3 技术发展趋势从Phi-4-reasoning-vision-15B身上我看到几个技术发展趋势多模态成为标配未来的AI模型不会只擅长文本或只擅长图像而是天然具备多模态能力。理解和生成会越来越无缝结合。推理能力增强从识别到理解从理解到推理这是AI进化的必然路径。具备推理能力的模型能解决更复杂的问题。部署门槛降低虽然现在还需要双卡24GB但随着模型优化和硬件发展未来在更小的设备上运行这样的模型会成为可能。垂直领域深化通用模型加上领域知识会在医疗、法律、金融等专业领域创造更大价值。8.4 开始你的实践如果你对Phi-4-reasoning-vision-15B感兴趣我建议你这样开始环境准备在CSDN云GPU上申请合适的实例按本文指南部署简单测试用一些日常图片测试基本功能熟悉三种推理模式的区别业务对接找一个具体的业务场景设计测试用例效果评估从准确性、速度、成本多个维度评估效果逐步推广效果满意后扩大应用范围技术的价值在于应用。Phi-4-reasoning-vision-15B是一个强大的工具但最终能创造多少价值取决于你怎么使用它。希望这篇实战指南能帮你快速上手在实际工作中发挥它的能力。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。