标签：#AMD #ROCm #Gemma4 #vLLM #大模型部署 #云环境 #Datawhale #AI开发 #深度学习 #GPU计算
今天在Datawhale × AMD 开发者云 的Hello-ROCm 学习，成功在 AMD 开发者云上把 Google 的 Gemma4-E4B-it 跑起来并完成简单对话。
这篇笔记我把完整流程、坑点和心得整理出来，方便回看也供同样在学的同学参考。
一、整体流程概览
整个任务可以拆成两个主要阶段：
第一阶段：云环境准备
- 登录与授权：通过魔搭账号登录 AMD 开发者云平台
- 启动环境：打开 Hello ROCm Notebook 容器
- GPU 检查：使用
amd-smi命令确认 GPU 可用 - 框架验证：验证 PyTorch 能够识别并调用 AMD ROCm
第二阶段：模型部署与测试
- 环境配置：切换国内 pip 源并安装 ModelScope
- 下载模型：拉取 Gemma4-E4B-it 模型权重
- 安装推理框架：重装适配 ROCm 的 vLLM 版本
- 启动服务：使用 vLLM 启动模型推理服务
- 对话测试：在新终端中连接服务并进行对话测试
- 清理资源：关闭服务并销毁云实例
整个流程从登录到完成测试约 20 分钟，无需购买显卡或配置复杂环境，浏览器打开即可配置。接下来我们检查 GPU 状态：
amd-smi能看到 AMD-SMI 版本、ROCm 版本、显存占用等信息，就说明 GPU 可用。这一步相当于 NVIDIA 环境下的 nvidia-smi，是 ROCm 生态里的设备监控命令。
2. 验证 PyTorch 能否识别 AMD GPU
python-c"import torch; print('PyTorch:', torch.__version__); print('ROCm available:', torch.cuda.is_available()); print('Device:', torch.cuda.get_device_name(0) if torch.cuda.is_available() else 'N/A')"输出里ROCm available: True是正确标准。
这里有个容易踩的小坑：在 ROCm 环境下，PyTorch 仍然用torch.cuda.is_available()这个接口来判断 GPU 是否可用，名字里带 cuda 但实际走的是 HIP/ROCm 后端，容易被名字误导。
四、下载 Gemma4 模型
1. 切国内 pip 源
pip configsetglobal.index-url https://mirrors.cloud.tencent.com/pypi/simple/国内环境直接走默认源会卡顿，切到腾讯云镜像后下载速度明显提升。
2. 安装 ModelScope
pipinstallmodelscopeModelScope 是阿里达摩院的国内开源模型社区，服务器在国内，下大模型权重比 HuggingFace 稳定太多，所以这里用 ModelScope。
3. 拉取 Gemma4-E4B-it 权重
modelscope download--modelgoogle/gemma-4-E4B-it--cache_dir"./models"E4B 是 Gemma 4 家族里较小的型号，4.5B 有效参数、128K 上下文、原生支持文本/图像/音频，单卡就能跑，比较适合上手学习。下载大约 8 分钟，成功提示比较隐蔽，耐心等到提示符回来即可。
4. 确认权重完整
ls-lh./models/google/gemma-4-E4B-it/看到约 15G 的 model.safetensors（模型权重）在列表里，说明配置到位了。
五、启动 vLLM 推理服务
1. 更新 vLLM 版本
云环境自带的 vLLM 版本跑不了 Gemma4，需要卸载重装：
uv pip uninstall torchvision torchaudio uv pipinstall'vllm==0.23.0+rocm723'torchvision torchaudio'fastapi[standard]==0.136.0'\--no-cache\--index-url https://mirrors.aliyun.com/pypi/simple/\--extra-index-url https://wheels.vllm.ai/rocm/\-U这一步要把 torchvision 和 torchaudio 一起卸载重装，否则在当前云环境里会冲突报错，建议照做减少错误。
2. 启动服务
vllm serve ./models/google/gemma-4-E4B-it/ --served-model-name gemma-4-E4B-itvLLM 是一个高性能推理框架，核心是 PagedAttention 机制，对 KV 缓存做了高效管理，吞吐量在开源推理框架里属于第一梯队，而且同时支持 NVIDIA 和 AMD GPU。
关键点：
- 启动后这个终端窗口会被服务"占用"，日志在持续输出，不要关闭它、也不要按 Ctrl+C 退出。
- 第一次启动需要加载模型 + 编译内核，等几分钟是正常现象，只要日志还在动就别动它。
六、新终端对话测试
第一个终端在跑服务，需要再开一个新终端当要跟模型对话。
1. 开新终端连接服务
vllm chat--urlhttp://localhost:8000/v1--modelgemma-4-E4B-it2. 发一条测试消息
你是谁，你能做什么终端返回模型的回答，说明 Gemma4 已经在 AMD ROCm 云环境里正常跑起来了——整个任务的核心目标达成。
3. 关闭 vLLM 服务
后续微调任务要清理显存，需要先把推理服务关掉：
- 新终端：Mac 按 Control+C，Windows 按 Ctrl+C，退出聊天
- 第一个终端：同样按 Ctrl+C，结束 vLLM 服务
七、关键命令速查表
| 阶段 | 命令 | 作用 |
|---|---|---|
| GPU 检查 | amd-smi | 查看 AMD GPU 状态，对应 nvidia-smi |
| 框架验证 | python -c "import torch; ..." | 确认 PyTorch 能调用 ROCm |
| 换源 | pip config set global.index-url ...tencent... | 加速 pip 下载 |
| 装下载器 | pip install modelscope | 国内模型下载工具 |
| 下权重 | modelscope download --model google/gemma-4-E4B-it --cache_dir "./models" | 拉取 E4B 权重 |
| 查权重 | ls -lh ./models/google/gemma-4-E4B-it/ | 确认 15G safetensors 在位 |
| 重装 vLLM | uv pip install 'vllm==0.23.0+rocm723' ... | 适配 ROCm 7.2 的 vLLM 版本 |
| 启服务 | vllm serve ... --served-model-name gemma-4-E4B-it | 把模型装载成 HTTP 服务 |
| 对话测试 | vllm chat --url http://localhost:8000/v1 --model gemma-4-E4B-it | 客户端连服务端对话 |
八、踩坑记录与排查
1. modelscope download 命令找不到
先pip show modelscope确认是否装成功，没装上就pip install -U modelscope重装一次。
2. vLLM 启动很慢
第一次启动要加载模型权重 + 编译 ROCm 内核，等几分钟是正常的，只要日志还在输出就别中断。
3. 显存不足
启动时加--max-model-len 8192降低最大上下文长度，还不够就继续降到 4096：
vllm serve ./models/google/gemma-4-E4B-it/ --served-model-name gemma-4-E4B-it --max-model-len81924. vllm chat 连接失败
回第一个终端确认服务是否已经出现Application startup complete.，没启动完成就先等着，完成后再发 chat 命令。
5. 忘记关 Instance
这是最容易被忽略的一步。任务做完务必回 Profile 页点Destroy Instance，否则 10 小时免费额度会持续消耗。