最近，幻方 AI 发布了其沉淀多年的深度学习套件 hfai ，吸引了众多同行研究员和开发者们咨询试用。其中，不少用户朋友对 hfai 中一些功能不太熟悉，使用上存在疑惑，或者仅仅使用了其中非常少的一部分功能。
为此，我们专门创建了 “hfai 使用心法”系列专辑，陆续为大家介绍 hfai 一些功能的设计思路和原理，帮助大家更好更快地习得心法，带着 hfai 这套“神功”游刃有余的应对深度学习作业的各项挑战，举重若轻、例不虚发。
上次文章为大家介绍了 hfai workspace，其可以帮助用户快速同步本地工程目录代码到远程萤火集群中。但是在实际的作业中，我们还会碰到另外一个问题——如何构建运行环境？这跟上一招式讲到的“本地-萤火，数据通路”其实是一套组合拳，那么本次“心法”就为大家介绍 haienv，“本地-萤火，环境共享”——快速实现运行环境的集群部署。
使用场景
如上一期文章所介绍的，用户将本地的数据、代码传到远程萤火集群之后，任务代码还需要依赖一些必要的环境才能实际跑起来。然而，集群为了安全起见，采用的是一个封闭的内网系统。
幻方AI经过多年的积累，内部环境已经可以满足很多深度学习训练的需求。使用方式如下，在运行代码的开头加入：
import haienv
haienv.set_env('202111')
import ...之后，提交任务到萤火集群上运行即可。
然而就特定场景而言，用户难免会依赖一些特殊的环境。那么，用户如何方便地将自定义的环境从本地（个人电脑，个人集群）推到远程集群中部署呢？
haienv create 应运而生，您可以以此构建您自己的运行环境。
命令结构
haienv create <venv_name> [--py <py>] [--no_extend]以上就是 haienv 命令的格式，其与 conda 创建环境类似， 会生成一个名为 venv_name 的虚拟环境，python 版本号为 <py>（默认为本地电脑里的 python 版本）。
这里要注意的有两点：
--no_extend表示不扩展本地环境生成新环境，默认是扩展的。如果不指定--no_extend那么新创建的环境只可以在本地使用，不能推送到远程。这是因为依赖的基础环境不能被haienv所捕获。- 在本地使用
hfai init初始化用户账户信息时，命令里包含了--venv_path参数，这个参数在萤火集群中是/hf_shared/hfai_envs/这个路径，在很多用户的本地电脑里基本不会存在。这里如果不指定--venv_path，可能在venv创建环境时抛出权限问题。这里建议用户在初始化的过程中指定一个存放自己环境的路径，如下所示：
hfai init <token> --venv_path <local_path>之后，您就可以顺利创建虚拟环境，并通过 haienv list 命令来查看您所创建的虚拟环境了。
环境使用
虚拟环境安装好之后，打开您本地电脑的 ternimal，可以通过如下命令进入该虚拟环境：
source haienv <venv_name> 进入该虚拟环境后，您可以用 pip install 或者 conda install 的方式安装您所需要的依赖。 同时，您也可以人工找到 site-package 的目录并手动导入自己想要的包。以上过程和 python 的流行使用方式一致。
当执行代码时，除了在当前激活的环境下运行，您也可以在项目代码中指定这个虚拟环境。使用非常简单，只需要在主函数代码的最开始引入：
import haienv
haienv.set_env(<venv_name>)
import ...后续的依赖都会在您所指定的这个虚拟环境中加载。
环境部署
如果您在 hfai Studio 中开发容器里执行的 haienv 创建的虚拟环境，该环境则默认已经部署在集群中。如果您在本地电脑执行的，则需要将环境推送到远程萤火集群进行部署。命令如下：
haienv push <venv_name>执行该命令时，本地和后台会发生如下交互：
与 hfai workspace 类似，本地与萤火服务层通过 VPN 进行控制交互后，本地环境会先打包发送给OSS，再通过专线导入到萤火集群中。在训练时，模型代码会去搜索加载集群中的这个环境，弹性计算于多个节点中。
这里需要注意的是：
- 与 workspace 不同在于，haienv 只有 push 动作，没有 pull，环境只能单向上传到集群里；
- 在本地执行
haienv，必须指定--no_extend参数，环境从零构建；在 Studio 开发容器中执行，则可以不加，从集群默认环境中增量安装
为了您的安装方便，我们建议您在 Studio 开发容器中创建您的虚拟环境。