MedGemma 1.5模型微调指南适配特定医疗场景的定制化开发1. 引言医疗AI领域正在经历一场革命性的变革而MedGemma 1.5作为谷歌开源的多模态医疗模型为开发者提供了一个强大的基础工具。这个拥有40亿参数的轻量级模型不仅能处理CT、MRI等三维医学影像还能理解病理切片、分析电子健康记录甚至支持语音转录与文本生成的完整工作流。在实际医疗场景中通用模型往往无法满足特定专科的精准需求。比如放射科需要更精准的结节检测能力病理科需要更细致的细胞形态分析而急诊科则需要快速的分诊建议。这就是为什么模型微调变得如此重要——它能让通用的AI工具转变为专科医生的智能助手。本文将手把手带你完成MedGemma 1.5的完整微调流程从环境准备到模型评估让你能够根据自己的医疗场景需求定制专属的AI助手。2. 环境准备与数据收集2.1 硬件与软件要求开始之前确保你的环境满足以下要求。MedGemma 1.5虽然是个轻量模型但对硬件还是有一定要求的# 最低配置要求 GPU: RTX 3090 / A10 / L424GB显存以上 内存: 32GB RAM以上 存储: 至少20GB可用空间 Python: 3.10或更高版本推荐使用NVIDIA GPU因为PyTorch对CUDA的支持最完善。如果你的显存不足也可以考虑使用Google Colab的A100实例。2.2 安装必要的库# 安装核心依赖 pip install torch2.1.0 torchvision0.16.0 pip install transformers4.38.0 datasets2.14.0 pip install accelerate0.24.0 peft0.6.0 # 安装医疗影像处理专用库 pip install pydicom monai nibabel2.3 医疗数据准备要点医疗数据有其特殊性在收集和预处理时需要特别注意数据类型处理DICOM影像需要转换为PNG或JPG格式并统一分辨率病理切片支持全幻灯片图像WSI需要分块处理文本数据病历、报告需要去标识化处理时间序列数据如连续监测数据需要对齐时间戳数据标注建议# 标注数据示例结构 { image_path: data/ct_scans/patient_001.dcm, text_description: 右肺上叶见直径约8mm实性结节边缘光滑, labels: { diagnosis: 肺结节, location: 右肺上叶, size: 8mm, characteristics: 实性边缘光滑 } }3. 数据预处理与格式化3.1 医疗影像预处理医学影像的预处理至关重要直接影响模型的学习效果from monai.transforms import Compose, LoadImage, ScaleIntensity, EnsureChannelFirst # 定义CT影像预处理流程 ct_transform Compose([ LoadImage(image_onlyTrue), EnsureChannelFirst(), # 确保通道维度在前 ScaleIntensity(minv0.0, maxv1.0), # 强度归一化 # 可以添加更多的预处理步骤如重采样、裁剪等 ]) # MRI预处理可能需要不同的强度归一化参数 mri_transform Compose([ LoadImage(image_onlyTrue), EnsureChannelFirst(), ScaleIntensity(minv0.0, maxv1.0, percentiles(0.5, 99.5)), # 使用百分位归一化 ])3.2 文本数据标准化医疗文本需要特殊的处理流程import re def preprocess_medical_text(text): 预处理医疗文本去除敏感信息并标准化术语 # 去除患者标识信息 text re.sub(r患者[:]\s*[^\n]*, 患者[已去标识], text) text re.sub(r姓名[:]\s*[^\n]*, 姓名[已去标识], text) # 标准化医学术语 term_mapping { rct: CT, rmri: MRI, rx光: X射线, # 添加更多术语映射 } for pattern, replacement in term_mapping.items(): text re.sub(pattern, replacement, text, flagsre.IGNORECASE) return text.strip()3.3 创建多模态数据集MedGemma 1.5支持多种输入模式需要正确格式化数据from datasets import Dataset def create_medgemma_dataset(images, texts, labels): 创建MedGemma兼容的多模态数据集 examples [] for img_path, text, label in zip(images, texts, labels): example { image: img_path, # 图像路径或像素值 text: text, # 相关文本描述 labels: label, # 标注信息 input_text: f分析该医疗影像并描述发现: {text} } examples.append(example) return Dataset.from_list(examples)4. 模型加载与配置4.1 加载预训练模型from transformers import AutoProcessor, AutoModelForVision2Seq # 加载MedGemma 1.5模型和处理器 model_name google/medgemma-1.5-4b processor AutoProcessor.from_pretrained(model_name) model AutoModelForVision2Seq.from_pretrained( model_name, torch_dtypetorch.float16, # 使用半精度减少内存占用 device_mapauto # 自动分配设备 ) print(f模型加载完成参数量: {model.num_parameters():,})4.2 配置微调参数根据你的硬件条件调整训练参数from transformers import TrainingArguments training_args TrainingArguments( output_dir./medgemma-finetuned, per_device_train_batch_size2, # 根据GPU内存调整 per_device_eval_batch_size2, num_train_epochs3, # 医疗数据通常需要更多轮次 learning_rate2e-5, # 较小的学习率 fp16True, # 使用混合精度训练 logging_steps10, save_steps500, eval_steps500, warmup_steps100, weight_decay0.01, gradient_accumulation_steps4, # 模拟更大的batch size )4.3 使用LoRA进行高效微调对于医疗场景推荐使用LoRALow-Rank Adaptation进行参数高效微调from peft import LoraConfig, get_peft_model # 配置LoRA参数 lora_config LoraConfig( r16, # 秩 lora_alpha32, # 缩放参数 target_modules[q_proj, v_proj, k_proj, o_proj], # 目标模块 lora_dropout0.05, biasnone, task_typeVISION_2_SEQ, # 视觉到序列的任务类型 ) # 应用LoRA到模型 model get_peft_model(model, lora_config) model.print_trainable_parameters() # 显示可训练参数数量5. 训练流程实现5.1 准备训练数据加载器from torch.utils.data import DataLoader from transformers import DefaultDataCollator # 创建数据收集器 data_collator DefaultDataCollator() def collate_fn(batch): 自定义批处理函数处理多模态数据 images [item[image] for item in batch] texts [item[input_text] for item in batch] # 使用处理器处理批数据 inputs processor( texttexts, imagesimages, return_tensorspt, paddingTrue, truncationTrue, max_length512, # 根据需求调整 ) # 添加标签 inputs[labels] processor( text[item[labels] for item in batch], return_tensorspt, paddingTrue, truncationTrue, max_length512, ).input_ids return inputs # 创建数据加载器 train_dataloader DataLoader( train_dataset, batch_sizetraining_args.per_device_train_batch_size, collate_fncollate_fn, shuffleTrue, )5.2 实现训练循环from transformers import Trainer import torch class MedicalTrainer(Trainer): def compute_loss(self, model, inputs, return_outputsFalse): 重写损失计算适应多模态任务 labels inputs.pop(labels) outputs model(**inputs) logits outputs.logits # 计算交叉熵损失 loss_fct torch.nn.CrossEntropyLoss(ignore_index-100) loss loss_fct(logits.view(-1, logits.size(-1)), labels.view(-1)) return (loss, outputs) if return_outputs else loss # 创建训练器 trainer MedicalTrainer( modelmodel, argstraining_args, train_datasettrain_dataset, data_collatorcollate_fn, processorprocessor, )5.3 开始训练# 开始训练 print(开始微调训练...) train_result trainer.train() # 保存最终模型 trainer.save_model() trainer.save_state() print(f训练完成损失: {train_result.metrics[train_loss]:.4f})6. 模型评估与验证6.1 医疗场景评估指标在医疗AI中需要专门的评估指标from sklearn.metrics import precision_score, recall_score, f1_score import numpy as np def evaluate_medical_model(predictions, references): 评估医疗模型性能 # 转换为numpy数组 preds np.array(predictions) refs np.array(references) metrics { accuracy: np.mean(preds refs), precision: precision_score(refs, preds, averageweighted), recall: recall_score(refs, preds, averageweighted), f1_score: f1_score(refs, preds, averageweighted), } # 医疗场景特别关注的指标 if len(np.unique(refs)) 2: # 二分类任务 metrics.update({ sensitivity: recall_score(refs, preds, pos_label1), specificity: recall_score(refs, preds, pos_label0), }) return metrics6.2 生成质量评估对于生成式任务需要使用自然语言处理指标from rouge_score import rouge_scorer def calculate_rouge_scores(predictions, references): 计算ROUGE分数评估生成文本质量 scorer rouge_scorer.RougeScorer([rouge1, rouge2, rougeL], use_stemmerTrue) scores [] for pred, ref in zip(predictions, references): scores.append(scorer.score(ref, pred)) # 计算平均分数 avg_scores { rouge1: np.mean([s[rouge1].fmeasure for s in scores]), rouge2: np.mean([s[rouge2].fmeasure for s in scores]), rougeL: np.mean([s[rougeL].fmeasure for s in scores]), } return avg_scores7. 部署与推理7.1 模型导出与优化训练完成后需要将模型导出为适合部署的格式# 合并LoRA权重到基础模型 merged_model model.merge_and_unload() # 保存完整模型 merged_model.save_pretrained(./medgemma-finetuned-final) processor.save_pretrained(./medgemma-finetuned-final) # 转换为ONNX格式可选 from transformers import convert_graph_to_onnx # 转换模型到ONNX格式 convert_graph_to_onnx.convert( pipeline_namevision2seq-lm, model./medgemma-finetuned-final, output./medgemma-finetuned.onnx, opset13, )7.2 实现推理管道创建易于使用的推理接口class MedicalAIAssistant: def __init__(self, model_path): self.processor AutoProcessor.from_pretrained(model_path) self.model AutoModelForVision2Seq.from_pretrained( model_path, torch_dtypetorch.float16, device_mapauto ) def analyze_medical_image(self, image_path, questionNone): 分析医疗影像并生成报告 # 加载和预处理图像 image Image.open(image_path).convert(RGB) # 构建提示词 prompt question or 请分析该医疗影像并描述重要发现 # 准备模型输入 inputs self.processor( textprompt, imagesimage, return_tensorspt, ) # 生成输出 with torch.no_grad(): outputs self.model.generate( **inputs, max_length512, num_beams5, early_stoppingTrue ) # 解码输出 result self.processor.decode(outputs[0], skip_special_tokensTrue) return result # 使用示例 assistant MedicalAIAssistant(./medgemma-finetuned-final) result assistant.analyze_medical_image(path/to/ct_scan.jpg, 请描述肺部结节情况) print(f分析结果: {result})8. 实际应用建议8.1 不同医疗场景的微调策略根据你的具体应用场景调整微调策略放射科应用重点微调影像理解能力使用大量标注的X光、CT、MRI数据强调解剖结构定位和异常检测病理科应用使用高分辨率病理切片关注细胞形态学特征需要细粒度的分类能力急诊科应用强调快速准确的分诊建议结合生命体征数据和影像学发现需要高召回率避免漏诊8.2 持续学习与模型更新医疗知识不断更新模型也需要持续学习def continuous_learning(new_data, model_path): 实现模型的持续学习 # 加载现有模型 model AutoModelForVision2Seq.from_pretrained(model_path) processor AutoProcessor.from_pretrained(model_path) # 准备新数据 new_dataset create_medgemma_dataset(*new_data) # 继续训练 training_args TrainingArguments( output_dirmodel_path -updated, per_device_train_batch_size2, num_train_epochs1, # 少量epochs避免灾难性遗忘 learning_rate1e-5, # 更小的学习率 ) trainer MedicalTrainer( modelmodel, argstraining_args, train_datasetnew_dataset, data_collatorcollate_fn, ) trainer.train() trainer.save_model()9. 总结通过本文的完整指南你应该已经掌握了MedGemma 1.5模型微调的核心流程。从环境准备、数据预处理到模型训练、评估和部署每个环节都需要根据医疗场景的特殊性进行精心设计。实际应用中医疗AI模型的微调不是一蹴而就的过程。需要不断迭代优化结合临床反馈持续改进。建议从小规模试点开始先在一个具体的子任务上验证效果再逐步扩展到更复杂的应用场景。记住医疗AI的核心价值在于辅助医生提高诊疗效率和准确性而不是替代专业医疗判断。在模型部署后仍然需要医生的监督和验证。希望这篇指南能帮助你成功地将MedGemma 1.5适配到你的特定医疗场景中为医疗健康领域带来真正的价值。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。
MedGemma 1。5模型微调指南：适配特定医疗场景的定制化开发
MedGemma 1.5模型微调指南适配特定医疗场景的定制化开发1. 引言医疗AI领域正在经历一场革命性的变革而MedGemma 1.5作为谷歌开源的多模态医疗模型为开发者提供了一个强大的基础工具。这个拥有40亿参数的轻量级模型不仅能处理CT、MRI等三维医学影像还能理解病理切片、分析电子健康记录甚至支持语音转录与文本生成的完整工作流。在实际医疗场景中通用模型往往无法满足特定专科的精准需求。比如放射科需要更精准的结节检测能力病理科需要更细致的细胞形态分析而急诊科则需要快速的分诊建议。这就是为什么模型微调变得如此重要——它能让通用的AI工具转变为专科医生的智能助手。本文将手把手带你完成MedGemma 1.5的完整微调流程从环境准备到模型评估让你能够根据自己的医疗场景需求定制专属的AI助手。2. 环境准备与数据收集2.1 硬件与软件要求开始之前确保你的环境满足以下要求。MedGemma 1.5虽然是个轻量模型但对硬件还是有一定要求的# 最低配置要求 GPU: RTX 3090 / A10 / L424GB显存以上 内存: 32GB RAM以上 存储: 至少20GB可用空间 Python: 3.10或更高版本推荐使用NVIDIA GPU因为PyTorch对CUDA的支持最完善。如果你的显存不足也可以考虑使用Google Colab的A100实例。2.2 安装必要的库# 安装核心依赖 pip install torch2.1.0 torchvision0.16.0 pip install transformers4.38.0 datasets2.14.0 pip install accelerate0.24.0 peft0.6.0 # 安装医疗影像处理专用库 pip install pydicom monai nibabel2.3 医疗数据准备要点医疗数据有其特殊性在收集和预处理时需要特别注意数据类型处理DICOM影像需要转换为PNG或JPG格式并统一分辨率病理切片支持全幻灯片图像WSI需要分块处理文本数据病历、报告需要去标识化处理时间序列数据如连续监测数据需要对齐时间戳数据标注建议# 标注数据示例结构 { image_path: data/ct_scans/patient_001.dcm, text_description: 右肺上叶见直径约8mm实性结节边缘光滑, labels: { diagnosis: 肺结节, location: 右肺上叶, size: 8mm, characteristics: 实性边缘光滑 } }3. 数据预处理与格式化3.1 医疗影像预处理医学影像的预处理至关重要直接影响模型的学习效果from monai.transforms import Compose, LoadImage, ScaleIntensity, EnsureChannelFirst # 定义CT影像预处理流程 ct_transform Compose([ LoadImage(image_onlyTrue), EnsureChannelFirst(), # 确保通道维度在前 ScaleIntensity(minv0.0, maxv1.0), # 强度归一化 # 可以添加更多的预处理步骤如重采样、裁剪等 ]) # MRI预处理可能需要不同的强度归一化参数 mri_transform Compose([ LoadImage(image_onlyTrue), EnsureChannelFirst(), ScaleIntensity(minv0.0, maxv1.0, percentiles(0.5, 99.5)), # 使用百分位归一化 ])3.2 文本数据标准化医疗文本需要特殊的处理流程import re def preprocess_medical_text(text): 预处理医疗文本去除敏感信息并标准化术语 # 去除患者标识信息 text re.sub(r患者[:]\s*[^\n]*, 患者[已去标识], text) text re.sub(r姓名[:]\s*[^\n]*, 姓名[已去标识], text) # 标准化医学术语 term_mapping { rct: CT, rmri: MRI, rx光: X射线, # 添加更多术语映射 } for pattern, replacement in term_mapping.items(): text re.sub(pattern, replacement, text, flagsre.IGNORECASE) return text.strip()3.3 创建多模态数据集MedGemma 1.5支持多种输入模式需要正确格式化数据from datasets import Dataset def create_medgemma_dataset(images, texts, labels): 创建MedGemma兼容的多模态数据集 examples [] for img_path, text, label in zip(images, texts, labels): example { image: img_path, # 图像路径或像素值 text: text, # 相关文本描述 labels: label, # 标注信息 input_text: f分析该医疗影像并描述发现: {text} } examples.append(example) return Dataset.from_list(examples)4. 模型加载与配置4.1 加载预训练模型from transformers import AutoProcessor, AutoModelForVision2Seq # 加载MedGemma 1.5模型和处理器 model_name google/medgemma-1.5-4b processor AutoProcessor.from_pretrained(model_name) model AutoModelForVision2Seq.from_pretrained( model_name, torch_dtypetorch.float16, # 使用半精度减少内存占用 device_mapauto # 自动分配设备 ) print(f模型加载完成参数量: {model.num_parameters():,})4.2 配置微调参数根据你的硬件条件调整训练参数from transformers import TrainingArguments training_args TrainingArguments( output_dir./medgemma-finetuned, per_device_train_batch_size2, # 根据GPU内存调整 per_device_eval_batch_size2, num_train_epochs3, # 医疗数据通常需要更多轮次 learning_rate2e-5, # 较小的学习率 fp16True, # 使用混合精度训练 logging_steps10, save_steps500, eval_steps500, warmup_steps100, weight_decay0.01, gradient_accumulation_steps4, # 模拟更大的batch size )4.3 使用LoRA进行高效微调对于医疗场景推荐使用LoRALow-Rank Adaptation进行参数高效微调from peft import LoraConfig, get_peft_model # 配置LoRA参数 lora_config LoraConfig( r16, # 秩 lora_alpha32, # 缩放参数 target_modules[q_proj, v_proj, k_proj, o_proj], # 目标模块 lora_dropout0.05, biasnone, task_typeVISION_2_SEQ, # 视觉到序列的任务类型 ) # 应用LoRA到模型 model get_peft_model(model, lora_config) model.print_trainable_parameters() # 显示可训练参数数量5. 训练流程实现5.1 准备训练数据加载器from torch.utils.data import DataLoader from transformers import DefaultDataCollator # 创建数据收集器 data_collator DefaultDataCollator() def collate_fn(batch): 自定义批处理函数处理多模态数据 images [item[image] for item in batch] texts [item[input_text] for item in batch] # 使用处理器处理批数据 inputs processor( texttexts, imagesimages, return_tensorspt, paddingTrue, truncationTrue, max_length512, # 根据需求调整 ) # 添加标签 inputs[labels] processor( text[item[labels] for item in batch], return_tensorspt, paddingTrue, truncationTrue, max_length512, ).input_ids return inputs # 创建数据加载器 train_dataloader DataLoader( train_dataset, batch_sizetraining_args.per_device_train_batch_size, collate_fncollate_fn, shuffleTrue, )5.2 实现训练循环from transformers import Trainer import torch class MedicalTrainer(Trainer): def compute_loss(self, model, inputs, return_outputsFalse): 重写损失计算适应多模态任务 labels inputs.pop(labels) outputs model(**inputs) logits outputs.logits # 计算交叉熵损失 loss_fct torch.nn.CrossEntropyLoss(ignore_index-100) loss loss_fct(logits.view(-1, logits.size(-1)), labels.view(-1)) return (loss, outputs) if return_outputs else loss # 创建训练器 trainer MedicalTrainer( modelmodel, argstraining_args, train_datasettrain_dataset, data_collatorcollate_fn, processorprocessor, )5.3 开始训练# 开始训练 print(开始微调训练...) train_result trainer.train() # 保存最终模型 trainer.save_model() trainer.save_state() print(f训练完成损失: {train_result.metrics[train_loss]:.4f})6. 模型评估与验证6.1 医疗场景评估指标在医疗AI中需要专门的评估指标from sklearn.metrics import precision_score, recall_score, f1_score import numpy as np def evaluate_medical_model(predictions, references): 评估医疗模型性能 # 转换为numpy数组 preds np.array(predictions) refs np.array(references) metrics { accuracy: np.mean(preds refs), precision: precision_score(refs, preds, averageweighted), recall: recall_score(refs, preds, averageweighted), f1_score: f1_score(refs, preds, averageweighted), } # 医疗场景特别关注的指标 if len(np.unique(refs)) 2: # 二分类任务 metrics.update({ sensitivity: recall_score(refs, preds, pos_label1), specificity: recall_score(refs, preds, pos_label0), }) return metrics6.2 生成质量评估对于生成式任务需要使用自然语言处理指标from rouge_score import rouge_scorer def calculate_rouge_scores(predictions, references): 计算ROUGE分数评估生成文本质量 scorer rouge_scorer.RougeScorer([rouge1, rouge2, rougeL], use_stemmerTrue) scores [] for pred, ref in zip(predictions, references): scores.append(scorer.score(ref, pred)) # 计算平均分数 avg_scores { rouge1: np.mean([s[rouge1].fmeasure for s in scores]), rouge2: np.mean([s[rouge2].fmeasure for s in scores]), rougeL: np.mean([s[rougeL].fmeasure for s in scores]), } return avg_scores7. 部署与推理7.1 模型导出与优化训练完成后需要将模型导出为适合部署的格式# 合并LoRA权重到基础模型 merged_model model.merge_and_unload() # 保存完整模型 merged_model.save_pretrained(./medgemma-finetuned-final) processor.save_pretrained(./medgemma-finetuned-final) # 转换为ONNX格式可选 from transformers import convert_graph_to_onnx # 转换模型到ONNX格式 convert_graph_to_onnx.convert( pipeline_namevision2seq-lm, model./medgemma-finetuned-final, output./medgemma-finetuned.onnx, opset13, )7.2 实现推理管道创建易于使用的推理接口class MedicalAIAssistant: def __init__(self, model_path): self.processor AutoProcessor.from_pretrained(model_path) self.model AutoModelForVision2Seq.from_pretrained( model_path, torch_dtypetorch.float16, device_mapauto ) def analyze_medical_image(self, image_path, questionNone): 分析医疗影像并生成报告 # 加载和预处理图像 image Image.open(image_path).convert(RGB) # 构建提示词 prompt question or 请分析该医疗影像并描述重要发现 # 准备模型输入 inputs self.processor( textprompt, imagesimage, return_tensorspt, ) # 生成输出 with torch.no_grad(): outputs self.model.generate( **inputs, max_length512, num_beams5, early_stoppingTrue ) # 解码输出 result self.processor.decode(outputs[0], skip_special_tokensTrue) return result # 使用示例 assistant MedicalAIAssistant(./medgemma-finetuned-final) result assistant.analyze_medical_image(path/to/ct_scan.jpg, 请描述肺部结节情况) print(f分析结果: {result})8. 实际应用建议8.1 不同医疗场景的微调策略根据你的具体应用场景调整微调策略放射科应用重点微调影像理解能力使用大量标注的X光、CT、MRI数据强调解剖结构定位和异常检测病理科应用使用高分辨率病理切片关注细胞形态学特征需要细粒度的分类能力急诊科应用强调快速准确的分诊建议结合生命体征数据和影像学发现需要高召回率避免漏诊8.2 持续学习与模型更新医疗知识不断更新模型也需要持续学习def continuous_learning(new_data, model_path): 实现模型的持续学习 # 加载现有模型 model AutoModelForVision2Seq.from_pretrained(model_path) processor AutoProcessor.from_pretrained(model_path) # 准备新数据 new_dataset create_medgemma_dataset(*new_data) # 继续训练 training_args TrainingArguments( output_dirmodel_path -updated, per_device_train_batch_size2, num_train_epochs1, # 少量epochs避免灾难性遗忘 learning_rate1e-5, # 更小的学习率 ) trainer MedicalTrainer( modelmodel, argstraining_args, train_datasetnew_dataset, data_collatorcollate_fn, ) trainer.train() trainer.save_model()9. 总结通过本文的完整指南你应该已经掌握了MedGemma 1.5模型微调的核心流程。从环境准备、数据预处理到模型训练、评估和部署每个环节都需要根据医疗场景的特殊性进行精心设计。实际应用中医疗AI模型的微调不是一蹴而就的过程。需要不断迭代优化结合临床反馈持续改进。建议从小规模试点开始先在一个具体的子任务上验证效果再逐步扩展到更复杂的应用场景。记住医疗AI的核心价值在于辅助医生提高诊疗效率和准确性而不是替代专业医疗判断。在模型部署后仍然需要医生的监督和验证。希望这篇指南能帮助你成功地将MedGemma 1.5适配到你的特定医疗场景中为医疗健康领域带来真正的价值。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。
