使用UV管理PyTorch项目

最新推荐文章于 2025-11-26 03:39:20 发布
原创 最新推荐文章于 2025-11-26 03:39:20 发布 · 1.5k 阅读 · 11 ·
CC 4.0 BY-SA版权
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
文章标签：

#uv #pytorch #人工智能

PyTorch是深度学习研究和开发的流行选择。可以使用uv管理PyTorch项目，包括不同Python版本依赖、管理环境、甚至加速器选择等。

安装Pytorch

从打包角度来看，PyTorch 有几个不常见的特点：

  • 许多 PyTorch wheel托管在专门的索引上，而非 Python 包索引（PyPI）。因此，安装 PyTorch 通常需要配置项目使用 PyTorch 专属索引。

  • PyTorch 为每种加速器生成不同的构建版本（例如，仅 CPU 版本、CUDA 版本）。由于在发布或安装时没有标准化的机制来指定这些加速器，PyTorch 会将其编码在本地版本说明中。因此，PyTorch 版本通常会显示为 2.5.1+cpu、2.5.1+cu121 等形式。

  • 不同加速器的构建版本发布在不同的索引上。例如，+cpu 版本发布于 https://download.pytorch.org/whl/cpu，而 +cu121 版本发布于 https://download.pytorch.org/whl/cu121。

因此，所需的打包配置会因需要支持的平台以及想要启用的加速器而有所不同。

首先，考虑以下（默认）配置，该配置可通过运行 uv init --python 3.12 并随后执行 uv add torch torchvision 生成。

在这种情况下，PyTorch 将从 PyPI 安装，其中包含适用于 Windows 和 macOS 的仅 CPU wheel，以及适用于 Linux 的 GPU 加速wheel（针对 CUDA 12.6）：

[project]
name = "project"
version = "0.1.0"
requires-python = ">=3.12"
dependencies = [
  "torch>=2.7.0",
  "torchvision>=0.22.0",
]

对于希望在 Windows 和 macOS 上使用 CPU 版本、在 Linux 上使用支持 CUDA 的版本的项目来说，这是一种有效的配置。不过，如果需要支持其他平台或加速器，则需要对项目进行相应配置。

使用PyTorch索引

在某些情况下，你可能希望在所有平台上使用特定的 PyTorch 变体。例如，你可能也想在 Linux 上使用仅支持 CPU 的构建版本。

这种情况下，第一步是将相关的 PyTorch 索引添加到你的 pyproject.toml 中：

CPU ONLY

[[tool.uv.index]]
name = "pytorch-cpu"
url = "https://download.pytorch.org/whl/cpu"
explicit = true

CUDA 11.8

[[tool.uv.index]]
name = "pytorch-cu118"
url = "https://download.pytorch.org/whl/cu118"
explicit = true

CUDA 12.6


                

                
                
        

    



  


        

            

                      
                        最低0.47元/天 解锁文章
                          
                      
            

        


    



                



	

		

			

				
					
uv如何正确下载GPU版的pytorch

				
			

			

				

					人工智能
				

				

					07-27
					
					604
					
				

			

		

		

			
				
摘要：这是一个名为"NER"的Python项目(v0.1.0)，使用transformers库进行命名实体识别。项目要求Python 3.13及以上版本，依赖torch、torchaudio和torchvision库。配置文件中指定了针对Linux和Windows平台的PyTorch CUDA 12.8版本安装源，使用pytorch-cu128索引从PyTorch官方下载地址获取。项目包含README.md说明文件。

			
		

	



                

            
              



	

		

			

				
					
星际导航仪：掌握 uv 的 Python 项目管理魔法

				
			

			

				

					步子哥的博客
				

				

					05-23
					
					1386
					
				

			

		

		

			
				
uv 是 Python 项目管理的“星际导航仪”，以 Rust 的光速性能和统一的工作流，简化了初始化、依赖管理、脚本运行和版本切换。

			
		

	



              


  
              

                


	

		

			

				
					
将 uv 与 PyTorch 结合使用

				
			

			

				

					学亮编程手记
				

				

					09-10
					
					1111
					
				

			

		

		

			
				
例如，以下配置将在 Linux 上使用 PyTorch 的启用 CUDA 的构建，并在所有其他平台（例如，macOS 和 Windows）上使用仅 CPU 构建。等）使用最具兼容性的 PyTorch 索引。在某些情况下，您可能希望在一个环境（例如，macOS 和 Windows）中使用仅 CPU 构建，而在另一个环境（例如，Linux）中使用启用 CUDA 的构建。在某些情况下，您可能希望在某些情况下使用仅 CPU 构建，而在其他情况下使用启用 CUDA 的构建，并通过用户提供的额外功能来切换选择（例如，

			
		

	





	

		

			

				
					
颠覆 pip 的速度革命：用 uv 优雅管理你的 PyTorch 项目环境

				
			

			

				

					专注于Python爬虫开发，分享爬虫技巧、项目实战与反爬经验，使用Scrapy、BeautifulSoup等工具，解决数据抓取难题。
				

				

					07-24
					
					757
					
				

			

		

		

			
				
摘要：本文介绍了新一代Python包管理工具uv在PyTorch项目环境管理中的优势。uv由Astral开发，基于Rust构建，具有极速安装、依赖锁定、自动创建虚拟环境等特点，能显著提升PyTorch项目的开发效率。文章详细讲解了如何使用uv初始化项目、安装PyTorch依赖、锁定环境配置，并与pip/conda/poetry进行了对比分析。uv结合了pip的兼容性和Rust的速度优势，是深度学习项目环境管理的新选择，能有效解决传统工具在安装速度、依赖管理和环境复现等方面的问题。

			
		

	



		

			
		



	

		

			

				
					
python包管理工具-UV国内使用简单配置

				
			

			

				

					0_warnings0_errors的博客
				

				

					11-21
					
					424
					
				

			

		

		

			
				
本文介绍了Python包管理工具UV在国内环境的快速配置方法。UV是由Astral团队开发的Rust编写工具，旨在统一替代Pip、Pipenv等工具，以极速为特点。配置只需三步：1) 确定配置文件位置（项目级/用户级/系统级）；2) 编辑uv.toml文件，设置清华镜像源；3) 配置Python解释器安装镜像。特别提示Windows用户建议使用系统级配置。该配置可显著提升国内开发者的包管理效率，将原本数分钟的等待缩短至秒级。UV作为一站式解决方案，值得开发者尝试使用。

			
		

	





	

		

			

				
					
UV安装GPU版本PyTorch

				
			

			

				

					Humbunklung的专栏
				

				

					03-05
					
					8162
					
				

			

		

		

			
				
经过同事推荐，开始尝试使用uv管理Python环境，效果相当不错。

			
		

	





	

		

			

				
					
uv 简易安装与更换国内镜像源

					
热门推荐

				
			

			

				

					The cure for boredom is curiosity.  This is the log of its adventures.
				

				

					02-17
					
					4万+
					
				

			

		

		

			
				
通过以上方法，你可以在 Windows 系统上灵活地修改 UV 的下载源。UV 支持在项目级别、用户级别和系统级别使用配置文件。环境变量来设置默认的包索引源。

			
		

	





	

		

			

				
					
uv换源：一行命令搞定

				
			

			

				

					jaket5219999的博客
				

				

					03-26
					
					1万+
					
				

			

		

		

			
				
方法二：新建或修改全局配置文件（Linux和MacOS一般是~/.config/uv/uv.toml，Windows一般是%APPDATA%/uv/uv.toml，路径不存在的话直接手动创建即可）方法三：修改当前项目的pyproject.toml。如何给python的包管理工具uv换源？附：方法二脚本版，一行命令搞定。方法一：设置环境变量。

			
		

	





	

		

			

				
					
用uv管理python环境/项目(各种应用场景)

				
			

			

				

					tao355667
				

				

					03-16
					
					4863
					
				

			

		

		

			
				
UV 是一款高效的 Python 包管理工具，支持通过镜像加速安装（需在项目pyproject.toml或全局环境变量中单独配置源地址），提供uv pip命令加速传统 pip 操作（如安装、卸载、依赖导出），同时支持通过uv init创建项目并绑定虚拟环境，利用uv add/remove动态管理依赖并自动生成锁文件（uv.lock）确保环境一致性，还可通过uv sync一键同步依赖或结合requirements.txt迁移已有项目环境，其独立的镜像配置和依赖树分析（uv tree）特性使其在快速构建、版本控

			
		

	





	

		

			

				
					
高效Python项目管理：uv工具全指南

				
			

			

				

					DevOps
				

				

					04-22
					
					1849
					
				

			

		

		

			
				
在Python生态中，依赖管理一直是开发者关注的焦点。Astral团队推出的uv工具以其极速性能和创新的依赖管理理念，正在成为新一代Python开发利器。本文将带你全面掌握uv的安装配置与高阶用法，助你提升开发效率。uv不仅带来了显著的性能提升（官方称比pip快10-100倍），其创新的依赖管理理念更契合现代Python工程需求。建议从新项目开始尝试，逐步体验其强大的依赖解析和版本锁定能力。随着Astral团队的持续开发，uv有望成为Python生态的标配工具。立即执行开启你的高效开发之旅吧！🚀扩展阅读。

			
		

	





	

		

			

				
					
从 0 搭建 LLM 不再难！这个 PyTorch 项目帮你吃透大模型底层逻辑

				
			

			

				

					方品
				

				

					11-16
					
					821
					
				

			

		

		

			
				
摘要：GitHub开源项目llm-from-scratch提供了一套基于PyTorch的大语言模型(LLM)从零实现方案，专为教育设计。该项目特色包括：1)完全手工实现Transformer核心组件，包括注意力机制、归一化层等；2)集成了RMSNorm、RoPE等现代LLM技术；3)提供完整训练和推理流程；4)包含详尽的测试验证；5)中文文档支持。项目采用模块化设计，帮助开发者深入理解LLM底层原理，适合作为学习LLM的实践教程。通过该项目，用户可以从数据准备、模型训练到文本生成全流程实践LLM开发。项目已

			
		

	





	

		

			

				
					
Python 项目管理工具总结

				
			

			

				

					weixin_45809780的博客
				

				

					07-03
					
					1243
					
				

			

		

		

			
				
本文总结了Python主流项目管理工具的特点和适用场景。

			
		

	





	

		

			

				
					
uv 配置国内镜像加速教程

				
			

			

				

					qq_43499921的博客
				

				

					10-04
					
					2001
					
				

			

		

		

			
				
uv是一个用 Rust 编写的高性能 Python 包管理器，旨在作为pip和venv的替代品，其速度比传统工具快 10 到 100 倍。然而，uv的速度优势主要体现在本地依赖解析和处理环节。在下载包时，它默认连接到国外的官方 PyPI 仓库 (pypi.org)，由于网络距离和国际网络波动，下载速度可能依然缓慢。为了解决这个问题，我们可以将uv的下载源配置为国内的镜像源，从而显著提升下载速度。

			
		

	





	

		

			

				
					
 Vue单文件组件解析：Vue Language Tools如何高效处理.vue文件

					
最新发布

				
			

			

				

					gitblog_00228的博客
				

				

					11-26
					
					1016
					
				

			

		

		

			
				
Vue Language Tools 是一套基于 Volar.js 构建的高性能 Vue 语言工具集，专门用于处理 Vue 单文件组件（.vue 文件）。作为 Vue 开发者必备的工具，它提供了智能的代码补全、类型检查、语法高亮等功能，让 Vue 开发体验更加流畅高效。🎯

## 🔍 Vue单文件组件是什么？

Vue单文件组件（SFC）是 Vue.js 框架的核心特性之一，它将模板、脚本和样

			
		

	





	

		

			

				
					
探索 Astral-UV：一个高效的 Universal Value Estimator 框架

				
			

			

				

					gitblog_00054的博客
				

				

					04-25
					
					594
					
				

			

		

		

			
				
探索 Astral-UV：一个高效的 Universal Value Estimator 框架

    
        
            uv
            An extremely fast Python package installer and resolver, written in Rust.
            
                项目地址: h...

			
		

	





	

		

			

				
					
python项目和依赖管理工具uv简介

				
			

			

				

					kaiyuanheshang的博客
				

				

					05-24
					
					744
					
				

			

		

		

			
				
uv是一个python管理工具的集大成者，一个工具将项目管理、虚拟环境管理、开发工具使用和管理等等集于一身。这里只是入门简介，更详细的使用方法请参考官方文档。

			
		

	





	

		

			

				
					
Python 项目管理神器 uv 深度解析：从初始化到发布的全流程指南

				
			

			

				

					佑瞻的博客
				

				

					04-26
					
					6296
					
				

			

		

		

			
				
uv 支持生成标准的 Python 发行包（源包和 wheel 包），只需：bashuv build # 在当前目录构建项目ls dist/ # 查看生成的发行包（.tar.gz和.whl文件）构建时支持指定源目录或工作区中的子包：bashuv build src/my_package # 构建指定目录的包uv build --package my_lib # 构建工作区中的指定包。

			
		

	





	

		

			

				
					
深度学习方向(大语言模型与蛋白质模型等)
1. python语言+uv环境管理+pytorch框架+lightning框架+deepspeed分布式.
2. rust语言+cargo环境管理+burn框架


				
			

			

				

					09-20
				

			

		

		

			
				
### Python + uv 环境管理 + PyTorch 框架 + Lightning 框架 + DeepSpeed 分布式

#### 整体概述
在深度学习领域，尤其是大语言模型和蛋白质模型的训练与推理中，Python 是广泛使用的编程语言。uv 可用于环境管理，确保项目依赖的一致性和可重复性。PyTorch 是深度学习的主流框架之一，提供了丰富的张量操作和自动求导功能。Lightning 框架在 PyTorch 的基础上进行了封装，简化了模型训练和调试的流程。DeepSpeed 则专注于分布式训练，能够有效利用多 GPU 资源加速训练过程。

#### uv 环境管理
uv 可以帮助开发者创建独立的虚拟环境，每个环境可以有不同的 Python 版本和依赖库。通过 uv，能够避免不同项目之间的依赖冲突，提高开发的稳定性。例如，在一个新的项目中，可以使用 uv 创建一个专门的虚拟环境：
```bash
uv create my_project_env
uv activate my_project_env
```

#### PyTorch 框架
PyTorch 提供了张量计算和自动求导的基础功能，使得开发者可以方便地构建神经网络模型。以下是一个简单的全连接神经网络示例：
```python
import torch
import torch.nn as nn

# 定义一个简单的全连接神经网络
class SimpleNet(nn.Module):
    def __init__(self, input_size, hidden_size, output_size):
        super(SimpleNet, self).__init__()
        self.fc1 = nn.Linear(input_size, hidden_size)
        self.relu = nn.ReLU()
        self.fc2 = nn.Linear(hidden_size, output_size)

    def forward(self, x):
        out = self.fc1(x)
        out = self.relu(out)
        out = self.fc2(out)
        return out

# 创建模型实例
model = SimpleNet(10, 20, 1)
```

#### Lightning 框架
Lightning 框架通过组织代码结构，将模型定义、训练循环等部分分离，使得代码更加清晰易读。以下是一个使用 Lightning 框架的示例：
```python
import pytorch_lightning as pl
import torch.nn as nn
import torch.optim as optim

class LitSimpleNet(pl.LightningModule):
    def __init__(self, input_size, hidden_size, output_size):
        super().__init__()
        self.model = SimpleNet(input_size, hidden_size, output_size)

    def forward(self, x):
        return self.model(x)

    def training_step(self, batch, batch_idx):
        x, y = batch
        y_hat = self(x)
        loss = nn.MSELoss()(y_hat, y)
        self.log('train_loss', loss)
        return loss

    def configure_optimizers(self):
        optimizer = optim.Adam(self.parameters(), lr=1e-3)
        return optimizer

# 创建 Lightning 模型实例
lit_model = LitSimpleNet(10, 20, 1)
```

#### DeepSpeed 分布式
DeepSpeed 可以在多 GPU 或多节点环境下进行分布式训练，提高训练效率。在 Lightning 中集成 DeepSpeed 可以通过简单的配置实现：
```python
from pytorch_lightning.plugins import DeepSpeedPlugin

trainer = pl.Trainer(
    gpus=4,  # 使用 4 个 GPU
    strategy=DeepSpeedPlugin(
        stage=3,  # DeepSpeed 优化阶段
        offload_optimizer=True,
        offload_parameters=True
    )
)

trainer.fit(lit_model)
```

### Rust + cargo 环境管理 + burn 框架

#### 整体概述
Rust 语言以其高性能和内存安全性著称。cargo 是 Rust 的包管理工具，类似于 Python 的 pip，用于管理项目的依赖和构建过程。burn 框架是 Rust 生态中的深度学习框架，提供了张量操作和模型训练的功能。

#### cargo 环境管理
使用 cargo 可以轻松创建和管理 Rust 项目。以下是创建一个新的 Rust 项目的示例：
```bash
cargo new my_rust_project --bin
cd my_rust_project
```

#### burn 框架
burn 框架提供了类似于 PyTorch 的张量操作和自动求导功能。以下是一个简单的示例：
```rust
use burn::tensor::{backend::Backend, Tensor};

// 定义一个简单的线性层
fn linear<B: Backend>(x: Tensor<B, 2>, weight: Tensor<B, 2>, bias: Tensor<B, 1>) -> Tensor<B, 2> {
    x.matmul(weight.transpose()) + bias.unsqueeze()
}

// 创建张量
let x = Tensor::<f32, 2>::ones([1, 10]);
let weight = Tensor::<f32, 2>::ones([20, 10]);
let bias = Tensor::<f32, 1>::ones([20]);

// 进行线性运算
let output = linear(x, weight, bias);
```



			
		

	



              




          




        



    





    



      

      

        
      

      





	

		评论	
	

  
	




  

    

      添加红包
      
    

    

      

        
        

          
          
        

        
请填写红包祝福语或标题

      

      

        
        

          
          个
        

        
红包个数最小为10个

      

      

        
        

          
          元
        

        
红包金额最低5元

      

      

        
        

          当前余额3.43元
          前往充值 >
        

      

      

        

          需支付：10.00元
        

        
        
      

    

  





  

    
    
  

  

    
    
  








  

    

      

        

          

            
            
成就一亿技术人!

          

          

        

        

          

          

            领取后你会自动成为博主和红包主的粉丝
            规则
          

        

      

      

        

          

            
              
            
            

              
hope_wisdom
 发出的红包
            

          

        

        

          

          

          

        

      

    

    

  



      
      

      
实付元

      
使用余额支付

      

        

          

            
            点击重新获取
          

        

        
扫码支付

      

      

        
          
            
          
          
        
      

      

        
        钱包余额
          0
          

            
            

              

                
抵扣说明：

                
 1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
 2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

              

            

          

      

      余额充值