在不同数据版本间切换

DVC 使用 .dvc 元数据文件跟踪数据文件，并将这些元数据文件提交到 Git。数据内容通过 dvc push 和 dvc pull 在本地机器和远程存储之间同步。DVC 与 Git 的这种集成使得切换不同版本的数据与代码一同进行成为可能，这是其主要功能之一。

机器学习 (machine learning)项目经常涉及使用不同数据集或同一数据集的不同版本（例如，清理前和清理后，或使用不同特征集）进行试验。能够可靠地将项目数据恢复到特定的历史状态，对于再现性、调试和结果比较非常重要。DVC 与 Git 配合使用，使这个过程变得简单明了。

Git 与 DVC 在版本管理上的配合

核心思想是：Git 跟踪您的代码演变以及指向数据的指示，而 DVC 管理与这些指示关联的实际数据文件。

当您运行 dvc add data.csv 然后 git add data.csv.dvc 时，您是在告诉 Git 跟踪元数据文件（data.csv.dvc）。这个文件包含诸如 data.csv 实际内容的哈希值等信息，但不是内容本身。当您进行 Git 提交时，您就捕获了代码的状态以及当时 .dvc 文件的特定版本。

可以这样理解：

• Git 提交： 您的代码库的快照，以及一份指令列表（.dvc 文件），指定哪个版本的数据与该代码快照对应。
• DVC 缓存/远程存储： 您的所有不同数据文件的实际存储位置，通过它们的内容哈希值进行索引。

数据版本切换流程

在项目历史中关联到特定时间点的数据版本之间切换，涉及一个两步过程：使用标准 Git 命令，然后使用一个 DVC 命令：

1. 使用 git checkout： 检出对应所需项目状态的 Git 提交、分支或标签。此操作会更新 Git 在您的工作目录中跟踪的文件，包括 .dvc 文件。您的代码将恢复到该提交的状态，而且重要的一点是，.dvc 文件现在将指向与该提交关联的数据版本。
2. 使用 dvc checkout： 在 Git 更新 .dvc 文件后，运行 dvc checkout。此命令指示 DVC 读取您工作目录中当前的 .dvc 文件并同步实际数据文件。DVC 将在其本地缓存中找到对应的数据内容（由 .dvc 文件中的哈希值识别），并将其放入您的工作空间，如果需要则覆盖以前的版本。

让我们用一个例子来说明。假设您的 Git 历史中有两个重要的提交：

• commit-A：使用了 data/raw_images_v1.zip。此提交中的 data/raw_images_v1.zip.dvc 文件指向此特定数据集版本的哈希值。
• commit-B：将数据集更新到 data/raw_images_v2.zip（可能在一些清理或添加之后）。此提交中的 data/raw_images_v1.zip.dvc 文件指向这个新数据集版本的哈希值。

假设您当前正在 commit-B 对应的状态下工作，但您想回溯并检查结果或使用 commit-A 中的数据重新运行分析。

步骤 1：切换 Git 历史

# 确保您当前的工作已保存或已提交
git status

# 检出上一个提交
git checkout commit-A

此时，Git 会更新您的代码库并恢复 commit-A 中存在的 data/raw_images_v1.zip.dvc 文件。然而，您工作空间中实际的 data/raw_images_v1.zip 文件可能仍然是 v2 版本（或者如果您刚刚克隆了仓库，甚至可能缺失）。您的工作空间数据会暂时与 .dvc 元数据文件不同步。

步骤 2：使用 DVC 同步数据

# 告诉 DVC 根据当前的 .dvc 文件更新工作空间数据
dvc checkout data/raw_images_v1.zip.dvc
# 或者，更新仓库中所有由 DVC 跟踪的文件：
# dvc checkout

DVC 读取 data/raw_images_v1.zip.dvc（它现在指向 v1 哈希），在其缓存中找到对应的 v1 数据，并将其放入您的 data/ 目录，替换 v2 内容。您的工作空间现在准确反映了项目在 commit-A 时的状态，包括代码和数据。

要返回 commit-B 的状态，您只需反向操作：

git checkout commit-B
dvc checkout

如果数据不在本地缓存中怎么办？

dvc checkout 命令依赖于所需的DVC数据版本存在于本地缓存中（通常位于 .dvc/cache）。如果您检出的 Git 提交所关联的数据尚未从远程存储下载（例如，在克隆仓库或切换到非常旧的分支之后），dvc checkout 可能会报告数据缺失。

在这种情况下，您首先需要使用 dvc pull 从您配置的 DVC 远程存储中获取所需数据：

# 在 git checkout commit-A 之后
# 尝试同步工作空间数据
dvc checkout

# 如果由于缓存缺失而失败，则从远程拉取：
dvc pull data/raw_images_v1.zip.dvc
# 或者拉取当前提交的所有数据：
# dvc pull

# 现在数据已本地缓存，因此 checkout 将会成功
# (注意：dvc pull 通常会隐式执行 checkout，
# 但运行 dvc checkout 可确保工作空间与缓存同步)
dvc checkout

dvc pull 从远程获取与当前 .dvc 文件对应的数据到本地缓存，并且通常也会直接更新工作空间文件。之后运行 dvc checkout 是一个好习惯，可以确保工作空间根据 Git 检出的 .dvc 文件与缓存正确同步。

通过将 git checkout 用于管理代码和元数据历史，与 dvc checkout（以及在需要时使用 dvc pull）用于同步关联的大型数据文件结合起来，您获得了一种强大而可靠的方法来浏览机器学习 (machine learning)项目的完整历史。这种精确恢复过去状态的能力对于再现性和协作开发而言非常根本。