在项目中设置DVC

将数据版本控制（DVC）引入您的机器学习项目，首先需要在项目目录下对其进行初始化。因为DVC设计为与Git配合使用，所以其主要条件是您的项目已经是一个Git仓库。如果您尚未初始化Git，请先进行此操作：

# 进入您的项目根目录
cd path/to/your-ml-project

# 初始化Git（如果尚未完成）
git init
# 添加并提交您现有的项目文件
git add .
git commit -m "Initial project commit"

Git设置好后，您现在可以将DVC引入项目结构中。

dvc init 命令

初始化DVC的命令很简单：dvc init。从您的Git仓库根目录运行此命令。

# 确保您位于Git仓库的根目录
cd path/to/your-ml-project

# 初始化DVC
dvc init

执行 dvc init 会进行几项操作：

1. 创建 .dvc 目录： 此目录类似于Git的 .git 目录。DVC在此处存储其内部信息，包括配置文件、缓存目录结构（即使缓存本身位于别处），以及与被追踪数据相关的元文件。通常情况下，除非您了解其影响，否则不应手动修改 .dvc 内部的文件。
2. 创建 .dvc/config 文件： 这是您的DVC项目的主要配置文件。它用于定义远程存储位置、缓存设置以及其他DVC行为。初始时，它可能非常简洁。
3. 创建 .dvcignore 文件： 类似于 .gitignore，此文件告诉DVC要忽略哪些文件或模式。这有助于防止DVC追踪不应作为数据工件进行版本控制的临时文件、日志或输出。例如，您可能将虚拟环境目录或IDE配置文件夹添加到 .dvcignore。
4. 打印指导信息： 该命令通常会输出确认初始化成功的消息，并提示后续步骤，通常涉及将新创建的DVC文件添加到Git。

以下是初始化后DVC如何融入项目结构的视图：

运行 dvc init 后，.dvc 目录和 .dvcignore 文件会在您的Git仓库中创建。DVC使用这些文件来管理元数据，而大型数据文件则存储在单独的缓存位置。

将DVC配置提交到Git

DVC设计的一个重要方面是，其配置文件和元数据文件（如 .dvc 目录内容和我们稍后会讲到的指针文件）就是要由Git追踪的。这确保了项目的状态，包括哪些数据版本与哪些代码版本关联，都能完全记录在Git历史中。

运行 dvc init 后，您应该立即将创建的DVC文件添加到Git暂存区并提交它们：

# 查看状态以查看新的DVC文件
git status

# 添加 .dvc 目录和 .dvcignore 文件
git add .dvc .dvcignore

# 提交这些更改
git commit -m "在项目中初始化DVC"

提交这些文件可确保任何克隆您的仓库并安装了DVC的人都可以立即开始使用DVC命令，例如 dvc pull，以获取与特定Git提交对应的正确数据版本。

初始配置概述

由 dvc init 创建的 .dvc/config 文件包含项目特定的设置。虽然我们稍后会详细介绍远程存储的配置（第2.6节：连接DVC到远程存储），但查看初始文件是什么样子会很有用：

# 全新执行 'dvc init' 后 .dvc/config 的内容
[core]
    remote = # 尚未配置默认远程存储
[cache]
    # 默认缓存设置可能会出现在这里，例如，缓存类型
    # 类型 = 硬链接、符号链接、复制（DVC根据操作系统/文件系统确定默认值）

初始时，没有配置远程存储。您需要明确设置一个远程位置（例如S3存储桶、GCS存储桶、Azure Blob存储容器，甚至只是文件系统上的另一个目录），DVC将把实际数据文件推送到那里，以便共享和备份。此配置步骤对于协作以及将数据存储在本地存储之外非常重要。

DVC初始化完毕并且其配置文件已提交到Git，您的项目现在已准备好进行下一步：告诉DVC它应该开始追踪哪些具体的数据文件或目录。