机器学习与深度学习 / 系统课时

使用虚拟环境管理依赖

使用虚拟环境管理依赖

这一课用 Python 自带的 venv 把 PyTorch 项目与系统环境隔离,并把实际安装版本固化下来。完成后你会得到一个可删除、可重建的 .venv,一份可复用的依赖清单,以及检查依赖冲突和解释器路径的方法。

学习目标

  • 为单个项目创建、激活并确认独立虚拟环境。
  • 固定 PyTorch 等包的版本,并生成可复现的依赖清单。
  • 在新环境中重建依赖并验证没有包冲突。

创建并确认独立环境

在项目根目录创建 .venv。目录名以点开头,方便编辑器识别,也能和源码明显分开。下面命令不会改动系统 Python。

bash
mkdir torch-demo
cd torch-demo
python -m venv .venv

预期结果:当前目录出现 .venv;命令成功时通常没有终端输出。

Windows PowerShell 使用 .\.venv\Scripts\Activate.ps1 激活;macOS/Linux 使用 source .venv/bin/activate。激活后用解释器路径确认当前会话确实进入了虚拟环境。

bash
python -c "import sys; print(sys.prefix); print(sys.base_prefix); print(sys.prefix != sys.base_prefix)"

预期输出

text
<PATH>/torch-demo/.venv
<PATH-OF-BASE-PYTHON>
True

最后一行必须是 True。如果是 False,说明当前 python 仍指向基础解释器。

固定直接依赖版本

版本不固定时,同一条 pip install torch torchvision 在不同日期可能解析到不同版本。示例把课程基线固定为 torch==2.14.0 与 torchvision==0.29.0,并始终通过 python -m pip 调用与当前解释器绑定的 pip。

bash
python -m pip install --upgrade pip
python -m pip install torch==2.14.0 torchvision==0.29.0
python -m pip check

预期输出:安装命令以退出码 0 完成;最后一条应输出:

text
No broken requirements found.

如果项目明确使用 CPU-only、CUDA 或 ROCm wheel,应把对应的 PyTorch --index-url 安装命令也写进项目 README 或启动脚本。仅记录版本号不足以表达不同计算平台的 wheel 来源。

生成可复现的依赖清单

pip freeze 会记录当前环境里已经解析出的具体版本,包括直接依赖和传递依赖。它适合把“这台机器当前能运行的组合”保存下来。

bash
python -m pip freeze > requirements.txt

预期结果:项目根目录生成 requirements.txt,命令本身通常不打印内容。

用一个小检查确认关键包被固定,而不是只凭肉眼浏览长文件。

bash
python -c "from pathlib import Path; text=Path('requirements.txt').read_text(encoding='utf-8'); print('torch==2.14.0', 'torch==2.14.0' in text); print('torchvision==0.29.0', 'torchvision==0.29.0' in text)"

预期输出

text
torch==2.14.0 True
torchvision==0.29.0 True

pip freeze 反映当前平台,因此包含 CUDA、ROCm 或操作系统相关包时,不应强求一份文件跨所有平台复用。真实项目可按环境维护 requirements-linux-cu130.txt、requirements-cpu.txt 等独立清单。

在新环境中重建并验证

复现测试不要在原 .venv 里做,因为已经安装过的包会掩盖缺失依赖。先退出当前环境,再创建第二个空环境;Windows 与 macOS/Linux 只在激活路径上不同。

bash
deactivate
python -m venv .venv-repro

预期结果:创建新的 .venv-repro 目录,且里面最初只有 Python、pip 等基础环境组件。

激活 .venv-repro 后安装锁定清单并检查版本。Windows PowerShell 使用 .\.venv-repro\Scripts\Activate.ps1,macOS/Linux 使用 source .venv-repro/bin/activate。

bash
python -m pip install -r requirements.txt
python -m pip check
python -c "import torch; print(torch.__version__.split('+')[0])"

预期输出:安装成功后 pip check 显示 No broken requirements found.,最后一行显示:

text
2.14.0

若 pip install -r requirements.txt 找不到某个带 CUDA/ROCm 标记的 wheel,说明依赖清单与当前平台不匹配,应切换到对应平台的 requirements 文件或重新使用该平台的 PyTorch wheel 源,不要删除版本约束强行安装。

不提交虚拟环境目录

.venv 中包含平台相关的可执行文件和大量第三方包,提交到 Git 既浪费空间,也不能替代依赖清单。项目应提交 requirements.txt,忽略本地环境目录。

text
.venv/
.venv-repro/
__pycache__/
*.pyc

这段内容保存为 .gitignore 后,Git 会忽略两个虚拟环境目录和 Python 缓存文件。验证时运行 git status;如果 .venv/ 仍出现在已跟踪文件中,说明它在添加 .gitignore 之前已经被提交,需要先从 Git 索引中移除再继续维护。

按自己的节奏,确认真正理解。

目录与阅读设置

阅读设置

17

记录一个想法

使用虚拟环境管理依赖

0 / 10000 · 笔记保存到账号。未提交的修改会在关闭、离开或刷新后丢失。

登录哪都通