部署一个训练好的模型通常涉及以下步骤：

1. 加载模型：首先需要加载训练好的模型。根据模型类型的不同，可以使用不同的库来加载模型。下面是一个示例，展示如何加载一个Keras模型：

from tensorflow.keras.models import load_model

# 加载模型
model = load_model('trained_model.h5')

2. 配置服务器环境：如果你计划将模型部署到服务器上，你需要配置服务器环境，确保安装了相应的库和依赖项。这可能涉及到安装Python、必要的库、GPU驱动程序等。确保服务器环境与训练模型的环境相匹配。

3. 创建API：为了能够与模型交互，你需要创建一个API来接收输入数据并返回模型的预测结果。这可以使用Web框架（如Flask或Django）来实现。下面是一个使用Flask创建API的示例：

from flask import Flask, request, jsonify

app = Flask(__name__)

# 定义API端点
@app.route('/predict', methods=['POST'])
def predict():
    # 获取输入数据
    data = request.json
    
    # 进行预测
    prediction = model.predict(data)
    
    # 返回预测结果
    return jsonify(prediction.tolist())

# 启动API服务器
if __name__ == '__main__':
    app.run(debug=True)

4. 部署模型：将训练好的模型和API代码部署到服务器上。这可以通过将代码上传到服务器并运行它来实现。确保API服务器处于运行状态，并能够接收和处理来自客户端的请求。

5. 测试模型：使用测试数据或实际数据来测试部署的模型。通过发送请求到API端点并接收响应来进行预测。

这是一个简单的部署训练好的模型的示例。具体的实现方式可能因使用的框架和技术而有所不同。在实际部署中，还需要考虑模型的性能优化、安全性等问题。