update info

Author: CoderJackZhu

source/_posts/现代的包管理工具uv.md

@@ -0,0 +1,229 @@
+---
+title: 现代化的包管理工具：uv
+date: 2025-04-29 22:21:37
+tags: 技术知识
+categories: 技术知识
+keywords: 
+description: 秋招正式批拼多多技术面试分享。
+top_img: https://gcore.jsdelivr.net/gh/CoderJackZhu/bloggallery/img/9df566a73df3459ced3a41e6a9b124c4.jpeg
+comments: true
+cover: https://gcore.jsdelivr.net/gh/CoderJackZhu/bloggallery/img/9df566a73df3459ced3a41e6a9b124c4.jpeg
+toc:
+toc_number:
+copyright:
+copyright_author: Jack Zhu
+copyright_author_href: 
+copyright_url: http://jackzhu.top/
+copyright_info: 
+mathjax: 
+katex: 
+aplayer: 
+highlight_shrink: 
+aside: 
+---
+
+在 Python 开发中，使用好的包和项目管理工具，相当于打好基础，相关件将相宜実。这年头，来自 Astral (即 Ruff 和 Black 的开发者) 的新工具「UV」，一上线就引发了广泛关注，以 Rust 高性能实现，目标是替代 pip，virtualenv，poetry 等组合，成为 Python 最新一代的包管理栏杆。
+
+## 为什么要使用uv
+
+现在的包管理工具有很多，conda，pip，poetry，pipenv 等等，功能各有千秋，但都存在一些问题，而uv则可以在很大程度上解决了这些问题。
+
+自从接触到uv之后我几乎不再使用其他包管理工具，只有部分情况是例外的，比如个别仓库默认的包管理工具是conda或者poetry，而且这个项目用uv会存在bug，比如ComfyUI，使用uv就会有问题，这种就会使用conda。或者个别比较老的代码，有些时候就存在一些问题，这种还是求稳定最好。
+
+### uv的优势
+
+1. 极致性能
+
+- 安装速度提升：这是非常重要的一点，UV 在无缓存的冷启动情况下，安装速度比 pip 快约 8～10 倍；uv在已有缓存的情况下，速度提升可达 80～100 倍。这一点看似不明显，但是亲身体验之后就回不去了，命令刚输完就执行完了，简直不要太爽。pip是单线程串行下载，且每安装一个包就校验一次，速度受限；解析依赖时是**递归深度优先**，每次都重新 resolve，IO+CPU双重瓶颈。而uv**完全异步并行下载**（利用 Rust 的 tokio runtime），同时批量多线程拉取 wheel 文件。**依赖解析一次性建树**，在内存中直接解析出完整依赖树，再按优先级并行处理。大量减少 I/O 阻塞、减少不必要校验轮次。
+
+
+- 并行下载与解析：​利用 Rust 的并发能力，UV 实现了高效的依赖解析和并行下载，大幅减少了安装时间。uv在解析阶段同时并发处理**多条依赖关系。下载阶段是异步 HTTP 客户端**，同时并发多达 32+ 连接从镜像源拉取 `.whl` 文件。在安装阶段：**解压 wheel 包时并行 IO + CPU 分摊**。最近几年很多rust的项目都表现不错，未来可期。
+
+
+- 全局缓存机制：UV 使用全局包缓存，避免重复下载和构建，提高了资源利用率。这一点其实还是很重要的，因为conda也可以进行全局缓存，但是conda由于本身就非常慢，这样效率其实也没有快哪里去。同时uv的依赖解析缓存也更加细粒度，非常快，全局统一缓存目录管理更加智能，冷启动性能好。**pip 的 cache**只是简单放 `.whl` 文件。**UV的 cache**更加复杂，针对不同源（PyPI、国内镜像等）**独立管理缓存目录**；wheel/binary/source包缓存分离；pip-style `.whl` 缓存 + 自有 `build cache`（本地打包 artifacts）；还有**软链接/硬链接优化**（安装时尽量链接，不拷贝）
+
+2. 统一的项目管理
+
+- 集成虚拟环境管理：​UV 内置虚拟环境管理功能，自动在项目中创建和管理虚拟环境，避免了手动操作，非常方便，而且还方便切换python多个版本，避免了本地环境污染。
+
+- 支持 pyproject.toml：UV 使用 pyproject.toml 作为项目配置文件，统一管理依赖和项目元数据。这是一种现代化的依赖管理方法，负责定义项目的元数据、依赖关系、构建系统以及 UV 的特定配置。
+
+- 生成锁定文件：​UV 自动生成 uv.lock 文件，精确记录每个包的版本和校验信息，确保环境的可重复性。​
+
+3. 灵活的依赖解析
+
+- 多种解析策略：​UV 提供多种依赖解析策略，如选择最新兼容版本或最低版本组合，满足不同需求。​
+
+- 支持多 Python 版本：​UV 允许指定目标 Python 版本进行依赖解析，即使当前环境中未安装该版本的 Python。​
+
+
+依赖覆盖机制：​UV 引入了“依赖覆盖”机制，允许用户修改某些包声明的依赖版本，解决上游包的依赖冲突问题。​
+
+4. 丰富的功能集
+   命令行工具管理：​UV 提供类似于 pipx 的功能，可以在隔离的环境中安装 Python 工具，同时使它们的命令行接口全局可用。​
+
+Python 版本管理：​UV 支持安装和管理不同版本的 Python，方便在项目中使用特定版本的解释器。​
+
+脚本运行支持：​UV 支持运行脚本，并支持内联的依赖元数据，简化了脚本的依赖管理。
+
+## 基本使用和常用命令
+
+一段很简单的安装：
+
+pip install uv
+
+快速创建项目：
+
+uv init my_project
+cd my_project
+
+添加包：
+
+uv add requests
+
+删除包：
+
+uv remove requests
+
+同步安装依赖：
+
+uv sync
+
+重新解析依赖并生成锁定文件：
+
+uv lock
+
+创建虚拟环境：
+
+uv venv .venv
+
+跟 pip 使用方式类似：
+
+uv pip install flask
+
+运行脚本：
+
+uv run python app.py
+
+清理缓存：
+
+uv cache clean
+
+pyproject.toml 包管理文件使用
+
+UV 采用标准的 pyproject.toml，统一管理项目信息和依赖：
+
+基础结构：
+
+[project]
+name = "my_project"
+version = "0.1.0"
+dependencies = [
+    "requests>=2.31",
+    "numpy~=1.24"
+]
+
+[project.optional-dependencies]
+dev = ["pytest", "black"]
+
+[build-system]
+requires = ["hatchling"]
+build-backend = "hatchling.build"
+
+UV 特有配置：
+
+[tool.uv]
+managed = true
+package = true
+
+[[tool.uv.index]]
+url = "https://pypi.tuna.tsinghua.edu.cn/simple"
+default = true
+
+[tool.uv] 表示是否由 UV 管理虚拟环境、打包等
+
+index 可以指定镜像源（如清华 PyPI）
+
+同时 UV 会生成 uv.lock，锁定给定环境下的确定包版本和校验信息，保证可重复性。
+
+常见问题和解决方法
+
+1. 使用 --system-site-packages 后包无效
+
+UV 创建虚拟环境时，当使用 --system-site-packages，运行可以访问系统包，但不会在解析时考虑。
+
+建议自己在虚拟环境内重新安装所需包，保证环境简洁可控。
+
+2. 删除包后剩余依赖
+
+uv remove xxx 不会自动删除其下气包
+
+请手动执行：
+
+uv lock
+uv sync
+
+依赖分析后自动清理
+
+3. 网络慢，下载失败
+
+使用国内镜像：
+
+uv config set index-url https://pypi.tuna.tsinghua.edu.cn/simple
+
+4. uv.lock 未自动更新
+
+进行依赖改动后，需自动执行：
+
+uv lock
+
+在 UV 中管理 PyTorch
+
+1. 基础安装：
+
+默认：Windows/Mac 安装 CPU-only 版，Linux 安装 CUDA 12.4 版
+
+uv init --python 3.12
+uv add torch torchvision torchaudio
+
+2. 安装指定 CUDA 版（如 12.6）：
+
+修改 pyproject.toml：
+
+[[tool.uv.index]]
+name = "pytorch-cu126"
+url = "https://download.pytorch.org/whl/cu126"
+explicit = true
+
+[tool.uv.sources]
+torch = { index = "pytorch-cu126" }
+torchvision = { index = "pytorch-cu126" }
+torchaudio = { index = "pytorch-cu126" }
+
+后执行：
+
+uv sync
+
+3. 验证 CUDA 支持
+
+新建脚本：
+
+import torch
+print(torch.cuda.is_available())
+print(torch.cuda.get_device_name(0))
+
+运行：
+
+uv run python check_cuda.py
+
+常见问题：
+
+如果直接用 uv pip install 安装，pyproject.toml 不会更新，建议终究使用 uv add
+
+如遇到网络慢，同样可配置用国内镜像源
+
+总结
+
+UV 是一款超高性能、全配套、很合于环境及大型项目管理的新世代工具，特别适合对环境素质有严格要求的开发者和研究人员。
+
+无论是日常开发，进行快速指定版本部署，还是复杂的模型训练，UV 都完全能上场，是很值得推荐的 Python 包管理方案。

source/about/index.md

@@ -7,7 +7,7 @@ comments: false
 
 # 个人介绍
 
-本人是西安电子科技大学18级本科生，22级西电研三，主要学习AI相关的内容，做过的方向有视频理解，时序定位，分割，检测，姿态估计，医学影像配准，多模态胶质瘤分割分级相关领域，现在也在做AIGC图文生成、大语言模型相关的内容，之后本来打算做大模型算法研发的，现在改去某大厂做做语音算法了。
+本人是西安电子科技大学18级本科生，22级西电研三，主要学习AI相关的内容，做过的方向有视频理解，时序定位，分割，检测，姿态估计，医学影像配准，多模态胶质瘤分割分级相关领域，现在也在做AIGC图文生成、大语言模型相关的内容，之后本来打算做大模型算法研发的，后改去某大厂做做语音算法，现在又在做大模型Agent了。
 
 平时比较懒，但也想折腾点有意思的东西，博客大部分时间闲置，有时间了就学点技术做点分享好了，顺便发点论文阅读的内容，虽然目前看来并没有什么时间，也没什么人看。