1. Определите эталон и ожидаемый результат
Начните с того, что вы хотите воспроизвести: получать те же категории, близкие значения или повторять траекторию обучения. Сохраните небольшой набор входных данных, проходящий через важные этапы, и пример корректного вывода. Установка, завершившаяся без ошибок, ещё не отвечает на этот вопрос.
Рассмотрим учебный случай: ваше приложение формирует эмбеддинги для идентифицированной выборки. На эталонном окружении нужно зафиксировать форму выходных данных, их тип, отсутствие неконечных значений и полезный бизнес-критерий. Если вы сравниваете значения, выберите допуск, обоснованный вашим сценарием. Универсальный числовой порог здесь не приводится.
Присвойте ревизию коду, данным и весам. Такое имя, как «последняя-модель», может измениться, и программа этого не покажет. Также привяжите параметры и предобработку к эталону. Такое досье позволяет понять, вызвано ли различие программным обеспечением, входными данными или условиями выполнения.
Прокрутите таблицу, чтобы увидеть все столбцы.| Элемент | Что сохранить | Проверка после воссоздания |
|---|---|---|
| Код и параметры | Ревизия, возможные изменения, конфигурация | Та же точка входа и те же опции. |
| Данные и веса | Версия или отпечаток, происхождение и права доступа | Та же выборка и то же ожидаемое содержимое. |
| Python и пакеты | Версии, процедура и источники установки | Правильный интерпретатор и согласованные зависимости. |
| Система и бэкенд | ОС, архитектура, драйвер, CUDA или ROCm | Видимое устройство и успешно выполненный минимальный расчёт. |
| Результат | Формат и критерии приёмки | Структура, затем качество или ожидаемый допуск. |
2. Разделяйте системную цепочку и пакеты Python
Проверяйте в совокупности видеокарту, систему, драйвер, Python и библиотеки. Виртуальное окружение упорядочивает пакеты Python; оно не заменяет системный драйвер. Точно так же ссылки на образ недостаточно, чтобы описать реальный доступ к GPU с его хоста. Для скомпилированного расширения зафиксируйте необходимые инструменты и библиотеки компиляции.
Выбирайте сборку PyTorch исходя из вычислительной платформы вашего проекта. На ROCm PyTorch переиспользует вызовы torch.cuda и устройства с именем cuda: имя интерфейса не позволяет определить NVIDIA. Фиксируйте torch.version.cuda и torch.version.hip по отдельности. Расширение, написанное для конкретной цепочки, заслуживает собственной проверки.
Сохраните процедуру, которая фактически позволила выполнить установку, вместе с источником пакетов. Не смешивайте недавно найденную в сети команду со старым файлом зависимостей, не проверив их совместимость. Просмотренная документация может меняться; записывайте использованные версии в собственное досье.
3. Пишите воссоздание, а не копируйте установленную папку
Создайте новое окружение с выбранным Python. Затем явно используйте его интерпретатор для установки и запуска проекта. В Linux это будет, например, .venv-rebuild/bin/python; в Windows — .venv-rebuild\Scripts\python.exe. Вам не нужно зависеть от предшествующей активации. Документация Python уточняет, что виртуальное окружение нужно создавать заново при изменении его расположения.
pip freeze даёт перечень установленных пакетов, а не вычисленный файл блокировки. Сохраните его как наблюдение. Файл воссоздания также должен явно задавать индексы или файлы, необходимые для вашего варианта PyTorch, и совместимые версии. Перечитайте пути или URL, которые может содержать перечень, прежде чем делиться им.
Команды ниже иллюстрируют воссоздание в Linux и подлежат адаптации; они не являются выполненной проверкой вашего проекта. Файл requirements-rebuild.txt должен уже описывать ваше окружение, включая правильный выбор PyTorch. Не заменяйте его списком версий, которые считаются универсальными.
python -m venv .venv-rebuild
.venv-rebuild/bin/python -m pip --version
.venv-rebuild/bin/python -m pip install -r requirements-rebuild.txt
.venv-rebuild/bin/python -m pip check
.venv-rebuild/bin/python -m pip freeze --all > installed-after.txt4. Проверьте контракт зависимостей до расчёта
python -m pip check, запущенный с правильным интерпретатором, ищет отсутствующие или несовместимые установленные зависимости по их метаданным. Результат без конфликтов не является подтверждением драйвера, нативных расширений или качества приложения. Поэтому держите этот шаг коротким и переходите к проверке расчёта.
Чтобы сделать реконструкцию более строгой, вы можете зафиксировать версии и сохранить эмфпренты (хеши) разрешённых дистрибутивов. Это решение требует поддерживать полный список, соответствующий вашей платформе. Архив скомпилированных wheel-пакетов может зависеть от ОС и архитектуры; он не гарантирует переносимость между двумя разными машинами.
В нашем примере с эмбеддингами сравните восстановленный инвентарь с эталоном, прежде чем менять модель или её параметры. Если расхождение намеренное, зафиксируйте его и рассматривайте новый запуск как вариант. В противном случае исправьте реконструкцию; изменение сразу нескольких слоёв снизит точность диагностики.
5. Переход от минимального контроля к применению
В интерпретаторе проекта зафиксируйте версии Python, PyTorch и бэкенда, затем проверьте устройство и небольшое вычисление. Прервите этот шаг, если ожидаемый GPU недоступен; резервное выполнение на CPU исказит сравнение. Диагностика Kernodeck предоставляет интерпретируемый отчёт и различает фактически пройденные этапы.
После успешной проверки используйте ваш небольшой прикладной образец. Для эмбеддингов проверьте количество выходов, их размерности, соответствие идентификаторам и выбранному критерию. Перезагрузите файлы из папки вывода. Успешное матричное вычисление не доказывает, что предобработка или расширение проекта работают.
Если попытка падает при чтении данных, передаче или во время конкретной операции, сохраните этап и первую ошибку. Общая реконструкция, возможно, корректна; блокировка может относиться к загрузчику данных или к отдельному оператору. Тогда направьте диагностику на этот слой.
6. Различать реконструкцию и цифровую идентичность
Восстановление тех же зависимостей не гарантирует идентичных результатов между оборудованием, платформами или версиями PyTorch. Фиксация seed не покрывает все источники вариаций. Документируйте используемые генераторы, преобразования данных и релевантные настройки точности или детерминизма.
Определите критерий сравнения до того, как смотреть на разницу: точная структура, числовой допуск или стабильность метрики. Некоторые детерминированные настройки могут отклонять операции или изменять стоимость вычислений. Искомый результат — понятный вывод в заявленных условиях, а не обещание идентичности на любой машине.
Для возобновления обучения версий недостаточно: нужно также восстановить состояние вычислений и прогресс. Папка возобновления проверяет этот вопрос отдельно. Её упражнение на CPU и его допуск не становятся автоматически условиями вашей модели.
7. Завершение с папкой, которую может использовать другой запуск
Итоговая папка объединяет процедуру, наблюдаемый инвентарь, конфигурацию, ссылки на данные и результаты контроля. Добавьте точную последовательность: реконструировать, диагностировать, запустить образец, перечитать вывод. Храните доступы отдельно и укажите лишь, как их предоставлять.
Повторите эту последовательность в чистой папке, прежде чем считать среду передаваемой. Контроль должен пройти без извлечения переменной из старого notebook и без поиска забытого файла. Если требуется изменение, исправьте процедуру и присвойте эталону новую идентичность. Так вы получаете основу, пригодную для вашего следующего периода вычислений.