与前几课不同，第6课没有按第1步、第2步等来说明，而是介绍Python环境的概念、构建、在接下来不同阶段的策略、pyproject.toml 的基础、锁定文件、及常见错误。- 在 AI/ML 领域，经常会遇到“依赖地域”--因某工具不同的版本，会绑定不同的功能。如，
- PyTorch, Jax, and TensorFlow 它们会带有各自的 CUDA的绑定
- 全局的 pip install 安装会覆盖以前的内容
- CUDA11.8的构建在12.x 版的驱动里无法运行，反之亦然。
解决以上问题的办法，是让每个项目有其自已单独的运行环境和功能包。有虚拟环境，刚每个项目即使使用不同的版本，如 A 使用torch2.4.0，B 使用 torch2.1.2，它们可以在自己的环境中正常运行；反之，如没有虚拟环境，则仅有一个torch版本的项目可以运行。选项1：uv venv(推荐）
uv（在第一课中已经安装过）是目前最快的 Python package 管理工具。它可以处理虚拟环境，python 版本，以及依赖问题。
如果装不上 uv，可以激活python 内建的 venv。python3 -m venv .venv
source .venv/bin/activate # Linux/macOS
- 需要特殊的 CUDA 工具包版，却不想整个系统都装时
- 当在一个共享的 cluster 上，却无法安装系统包时（不太懂，后续再跟进）
阶段11会使用 API SDKs，不需要 torch。pyproject.toml 会替代 setup.py,setup.cfg, 以及 requirements.txt。一个锁文件将每个依赖指定到确切的版本上，从而保证从其安装时所用的包一定相同。
本课中自带了一个.sh 文件，可以创建本系列课程所需要的环境这一课，介绍了 Python 环境的相关内容。感觉操作一次也没怎么理解，应该是缺少较多的相关知识。课程有一个测试，可以评估学习者的相关能力，感兴趣的可以先去做一下这个测试。
10个月宝宝每天需要喝多少奶粉？