4. DVC 入门

好，咱们进入实操环节。前面聊了那么多数据版本控制的理念，现在该动手了。DVC 这东西，说白了就是给数据文件也配上 Git 那样的版本管理能力。我最早接触它的时候，团队正被几百 GB 的模型训练数据搞得焦头烂额——每次迭代都要手动备份整个数据集，硬盘都快塞满了。后来发现 DVC，嗯，算是彻底解放了。

4.1 环境准备：先看看你的工具箱

在装 DVC 之前，有几样东西你得先备好。我个人习惯先把环境理清楚，免得装到一半发现缺这缺那。

你想想看，如果 Git 都没装好，DVC 根本跑不起来。因为 DVC 的核心理念就是「用 Git 管代码，用 DVC 管数据」，两者是搭档关系。

4.2 安装 DVC：三种方式，任你选

安装 DVC 其实就一行命令的事。但根据你的使用场景，有三种常见方式。我一般推荐第一种，最省心。

方式一：pip 安装（最常用）

pip install dvc

这条命令会安装 DVC 核心功能。如果你需要跟云存储打交道，比如 S3、GCS、Azure，那就得装对应的扩展包：

pip install "dvc[s3]"    # 支持 Amazon S3
pip install "dvc[gs]"    # 支持 Google Cloud Storage
pip install "dvc[azure]" # 支持 Azure Blob Storage
pip install "dvc[all]"   # 一次性装所有扩展

我个人习惯用 dvc[all]，因为项目后期可能会换存储后端，提前装好省得再折腾。不过如果你硬盘空间紧张，按需安装就好。

方式二：conda 安装

如果你在用 Anaconda 管理环境，也可以用 conda：

conda install -c conda-forge dvc

这种方式的好处是 conda 会自动处理依赖，不会出现 pip 那种「装完发现缺动态链接库」的情况。我在 Windows 上遇到过几次 pip 安装后命令行找不到 dvc 命令，换成 conda 就没事了。

方式三：源码安装（不推荐新手）

如果你想尝鲜最新特性，或者给 DVC 贡献代码，可以从 GitHub 拉源码：

git clone https://github.com/iterative/dvc.git
cd dvc
pip install -e ".[all]"

不过说实话，除非你在做 DVC 二次开发，否则没必要这么搞。稳定版已经够用了。

4.3 初始化 DVC：让项目拥有数据版本能力

装好之后，咱们来初始化一个 DVC 项目。这个过程跟 git init 很像，但 DVC 会额外创建一些配置文件。

步骤一：先初始化 Git 仓库

DVC 要求项目必须是一个 Git 仓库。所以第一步：

mkdir my-dvc-project
cd my-dvc-project
git init

这一步不能省。我记得有个同事上来就 dvc init，结果报错说找不到 Git 仓库，他还以为是 DVC 装坏了……

步骤二：运行 dvc init

dvc init

执行后，你会看到类似这样的输出：

Initialized DVC.

You can now commit the changes to Git:

  git add .dvc/config .dvc/.gitignore
  git commit -m "Initialize DVC"

DVC 会在项目根目录下创建一个 .dvc/ 文件夹，里面放着配置文件、缓存目录等。这个文件夹默认被 .gitignore 忽略，但 .dvc/config 和 .dvc/.gitignore 需要提交到 Git。

步骤三：提交到 Git

按照提示，把初始化结果提交到 Git：

git add .dvc/config .dvc/.gitignore
git commit -m "Initialize DVC"

为什么要提交？因为团队成员拉取代码时，需要知道这个项目已经启用了 DVC。如果不提交，别人拿到代码还得自己 dvc init，容易搞乱配置。

4.4 理解 DVC 的核心文件结构

初始化完成后，咱们来看看 DVC 到底生成了什么。我画了一张图，帮你快速理解 DVC 的文件组织逻辑。

这张图展示了 DVC 初始化后的核心文件结构。你可能会问：.dvc/cache/ 是干嘛的？简单说，当你用 DVC 跟踪一个数据文件时，DVC 会把文件复制一份到缓存里，然后生成一个 .dvc 文件（比如 data.dvc）来记录这个文件的哈希值。Git 只跟踪这个 .dvc 文件，而不是原始数据文件。这样一来，Git 仓库就保持轻量，而数据文件由 DVC 管理。

4.5 配置远程存储：让数据有个「家」

初始化只是第一步。真正用起来，你还需要配置一个远程存储，用来存放数据文件。DVC 支持很多后端，我列几个常用的：

配置远程存储的命令很简单：

dvc remote add myremote s3://my-dvc-bucket/data

这条命令会在 .dvc/config 里写入远程存储的地址。之后你 dvc push 的时候，数据就会上传到这个地址。

4.6 验证初始化：跑个简单的测试

为了确认一切正常，咱们做个快速测试。创建一个数据文件，然后用 DVC 跟踪它：

echo "hello, dvc" > data.txt
dvc add data.txt

你会看到类似这样的输出：

100% Adding...|████████████████| 1/1 [00:00, 1.29file/s]
To track the changes with git, run:

  git add data.txt.dvc data.txt.gitignore

这说明 DVC 已经成功跟踪了 data.txt。它生成了 data.txt.dvc 文件，并把原始文件移到了缓存里。现在你可以提交这个 .dvc 文件到 Git：

git add data.txt.dvc data.txt.gitignore
git commit -m "Add data.txt with DVC"

嗯，到这里，DVC 的安装和初始化就完成了。你可能会觉得步骤有点多，但说白了就是「装软件 → 初始化 → 配置远程 → 开始用」这几步。一旦跑通一次，后面就顺了。