您的位置: 首页> Python

从 Python+venv+pip 迁移到 uv 全过程及处理 torch + cuda 的跨平台指南

匿名上传

发布时间:2025-10-16 11:30:02

在 Python 开发中，传统上一直习惯使用 venv + pip 来管理虚拟环境和依赖项。这种方式 python 安装后自带，简单方便，但随着项目复杂化，尤其是涉及像 PyTorch 这样的库时，可能会遇到版本锁定不严谨、跨平台兼容性差、各种三方包版本冲突等问题，令人头疼不已。

本文将介绍如何从一个现有的基于 Python + venv 的项目迁移到 uv，特别是针对 torch + cuda 的特殊处理。

项目原本在 Windows 上运行良好，现在需要确保导出的依赖能在 macOS 上正常安装。整个过程强调跨平台兼容性，例如在 Windows 上使用 CUDA 加速的 torch，而在 macOS（尤其是 Apple Silicon）上使用 CPU 版本。

为什么迁移到 uv？uv 比 pip 快得多，支持并行下载，且 uv.lock 文件是平台无关的，能在不同操作系统上复现相同的环境。这对于部署非常有用。整个迁移过程大约需要 30 分钟，适合有基本命令行经验的开发者。

准备工作

首先，确保系统已安装 uv。如果没有，从 uv 官网 ( docs.astral.sh/uv/getting-… )下载安装器。项目应该有一个激活的 venv 环境，其中已安装所有依赖，包括 torch + cuda 版本（如 torch==2.7+cu128）。

步骤一：从 venv 导出依赖

在现有 venv 中，导出已安装的依赖列表。这一步使用 uv 的 pip 兼容命令，避免直接用 pip freeze 时的一些问题。

激活 venv：在 Windows 上，运行 .venvScriptsactivate。
导出依赖：运行 uv pip freeze > requirements.txt。这会生成一个 requirements.txt 文件，列出所有包及其版本，例如 torch==2.7+cu128。

注意： 对于 torch + cu128，不要直接导入带有 +cu128 的版本。编辑 requirements.txt，将 torch==2.7+cu128 改为 torch>=2.7.0，去掉后缀。同样处理 torchvision/torchaudio 等相关包。这允许 uv 在不同平台上灵活选择版本。

现在，检查 requirements.txt，确保没有多余的本地路径或 editable 安装（如 -e .）。如果有，手动移除或编辑。

步骤二：初始化 pyproject.toml

uv 使用 pyproject.toml 作为项目配置文件，取代 requirements.txt。

在项目根目录运行 uv init --bare。这会创建一个基本的 pyproject.toml 文件。

编辑 pyproject.toml，添加基本信息：

[project]
name = "your-project-name"
version = "0.1.0"
requires-python = "==3.10.*"  # 根据你的 Python 版本调整,最好固定，uv有自己的python版本寻找规则，找出来的默认版本和实际系统默认版本可能不一样

[project.dependencies]
# 这里稍后添加依赖

[project.optional-dependencies]
dev = []  # 如果有开发依赖

3. 将依赖导入：运行 uv add --active --no-sync --python 3.10 -r requirements.txt。这会自动将 requirements.txt 中的包添加到 [project.dependencies] 部分，并触发初步锁定。

--active: 选项告诉uv使用当前激活的环境
--no-sync: 告诉uv不要安装依赖,仅更新 pyproject.toml
--python 3.10 : 是我虚拟环境中使用的python版本

经过一段时间等待，pyproject.toml就更新好了

这一步可能会报错，提示有版本冲突等，如果你确定项目可正常运行，此时你可以修改命令，添加--frozen选项，

如果有 dev 依赖：uv add --dev -r requirements-dev.txt。

步骤三：特殊处理 torch + cuda

torch 是迁移中的难点，因为 CUDA 版本（如 cu128）是平台特定的：在 Windows 或 Linux 上可用，但 macOS（Apple Silicon）不支持 CUDA，只能用 CPU 或 Metal 后端。我们需要配置 pyproject.toml 来实现条件安装。

1. 添加专用索引：在 pyproject.toml 中添加 [tool.uv.index] 部分，指定 PyTorch 官方的 CUDA 索引，这里我使用的是 cuda12.8 版本：

[[tool.uv.index]]
name = "pytorch-cu128"
url = "https://download.pytorch.org/whl/cu128"
explicit = true

添加 CPU 索引作为回退：

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

2. 配置来源路由：在 [tool.uv.sources] 部分，使用环境标记（markers）指定平台：

[tool.uv.sources]
torch = [
    { index = "pytorch-cu128", marker = "sys_platform == 'win32' or sys_platform == 'linux'" },
    { index = "pytorch-cpu", marker = "sys_platform == 'darwin'" },  # darwin 为 macOS
]
torchaudio = [ 
    { index = "pytorch-cu128", marker = "sys_platform == 'win32' or sys_platform == 'linux'" },
    { index = "pytorch-cpu", marker = "sys_platform == 'darwin'" },
]
torchvision = [
    { index = "pytorch-cu128", marker = "sys_platform == 'win32' or sys_platform == 'linux'" },
    { index = "pytorch-cpu", marker = "sys_platform == 'darwin'" },
]

这确保：在 Windows/Linux 上安装 CUDA 版本，在 macOS 上安装 CPU 版本。markers 使用 Python 的环境变量，如 sys_platform。

更新依赖：在 [project.dependencies] 中指定：

dependencies = [
    "torch>=2.7.0",
    "torchaudio>=2.7.0",
    "torchvision>=0.22.0",  # 调整版本
]

运行 uv lock 生成 uv.lock 文件。uv 会根据当前平台解析依赖，并记录精确版本（包括 +cu128）。uv.lock 是跨平台的，它包含元数据支持多环境。

步骤四：分享 pyproject.toml 和 uv.lock

将 pyproject.toml 和 uv.lock 一起分享给他人
确保他们在项目根目录（包含这两个文件的目录）运行命令 uv sync。

没有意外的话，就能很快很顺利的安装了

注意事项和常见问题

版本冲突：如果 uv lock 报错，检查依赖兼容性。使用 uv lock --verbose 查看细节。
性能：uv sync 比 pip install 快 10 倍以上。
回滚：如果迁移失败，删除 pyproject.toml 和 uv.lock，回到 venv。
最佳实践：以后添加依赖用 uv add package，移除用 uv remove package。定期运行 uv lock --upgrade 更新版本。
限制：如果项目有非常特殊的 C 扩展依赖，跨平台可能需额外构建工具，例如windows上安装 Visual Studio后下载基于c++的桌面套件。