Zurück zum Lernbereich

Die Isolations-Blase

Virtual Environments: wie man verhindert, dass sich Python-Projekte gegenseitig zerlegen.

  • Grundlagen
  • 13 min
  • Einsteiger

Einfache Sprache

Diese Vorschau ist in Einfacher Sprache. Das ganze Portal gibt es auch in Einfacher Sprache. Du kannst oben die Sprache wechseln. Oder nutze den Knopf unten. Unsere Texte in Einfacher Sprache entstehen KI-gestützt und werden redaktionell begleitet. Sie orientieren sich an den Grundprinzipien der Leichten Sprache, sind aber keine geprüfte Leichte Sprache: Eine Prüfgruppe von Menschen mit Lernschwierigkeiten prüft sie nicht.

Vorschau: Projekte sicher trennen

Dependency Hell

Zwei Projekte brauchen manchmal verschiedene Versionen eines Pakets. Das nennt man Dependency Hell. Dependency Hell bedeutet: Pakete verschiedener Projekte stören sich. Ein Update kann ein anderes Projekt kaputt machen.

Virtuelle Umgebung

Eine virtuelle Umgebung heißt auf Englisch Virtual Environment. Sie gibt jedem Projekt eine eigene Paket-Sammlung. Die Projekte stören sich dann nicht mehr. Du erstellst sie mit dem Befehl python -m venv.

Docker

Docker ist ein Programm. Es packt ein Projekt in einen Container. Container bedeutet: das ganze System steckt in einer Box. Das Betriebssystem gehört dazu. Python und alle Pakete auch. Das Projekt läuft dann überall gleich.

Du weißt, wie man Pakete mit pip installiert. Alles funktioniert — bis du eines Tages NumPy für ein neues Projekt aktualisierst und dein altes TensorFlow-Projekt sich weigert zu starten. Du hast keine einzige Zeile Code geändert, aber etwas Unsichtbares ist kaputtgegangen.

Willkommen in der Dependency Hell: der Moment, in dem sich gemeinsam genutzte Paketversionen zwischen Projekten in die Quere kommen. Dieser Artikel stellt zwei Werkzeuge vor, die diesen Albtraum verhindern — Virtual Environments für Python-Level-Isolation und Docker-Container für vollständige System-Isolation.

Dependency Hell — Wenn Pakete kollidieren

Definition

Dependency-Konflikt

Analogie

Stell dir eine große Werkstatt mit mehreren Werkbänken vor. Werkbank A ist für ein feines Architekturmodell — Präzisionskleber und saubere Oberflächen. Werkbank B ist für die Motorreparatur — Öl, Fett und schwere Werkzeuge. Wenn alle Werkzeuge in ein gemeinsames Regal kommen, kontaminiert das Motoröl irgendwann deine Modellteile. Genau das passiert im globalen site-packages: Ein Projekt aktualisiert NumPy "für sich selbst", aber es betrifft jedes Projekt.

In einer echten Werkstatt siehst du das Chaos sofort. In Python verstecken sich Konflikte, bis ein Import zur Laufzeit mit einer kryptischen Fehlermeldung abstürzt. Außerdem kann man in einer Werkstatt theoretisch zwei Versionen des gleichen Werkzeugs nebeneinander haben — in einer Python-Umgebung geht das nicht.

Beispiel: TensorFlow vs. NumPy

Du versuchst TensorFlow 2.12 und eine neue NumPy-Version zu installieren:

pip install tensorflow==2.12.0
pip install numpy==1.24.2

ERROR: tensorflow 2.12.0 requires numpy<1.24,>=1.22,
but you have numpy 1.24.2 which is incompatible.
Successfully installed numpy-1.24.2

Tückisch: pip meckert nur, installiert die neue NumPy aber trotzdem, und TensorFlow läuft ab jetzt mit einer Version, für die es nicht freigegeben ist. Noch schlimmer: Projekt A nutzt TensorFlow mit numpy==1.23. Dann installierst du für Projekt B PyTorch mit numpy==2.1. Die globale Installation überschreibt die Version von Projekt A. Beim nächsten Start von Projekt A: Absturz — "A module that was compiled using NumPy 1.x cannot be run in NumPy 2.1.0 as it may crash."

Drei Isolationsstufen

Docker Container Isoliertes OS + Python + Pakete — Vollständige Reproduzierbarkeit
Virtual Environment Isolierte Python-Pakete pro Projekt — Standardlösung für Entwicklung
Global (Chaos) Alle Projekte teilen ein site-packages — Versionskonflikte unvermeidlich

Virtual Environments — Eine Blase pro Projekt

Definition

Virtual Environment (venv)

Analogie

Jede Werkbank bekommt eine unsichtbare Plastikfolie. Alles, was du auf deinen Tisch legst (per pip installierte Pakete), bleibt innerhalb deiner Folie. Der Tisch deines Nachbarn hat seine eigene Folie — kein Öl, kein Kleber, keine verirrten Schrauben. Wenn ein Projekt fertig oder fehlkonfiguriert ist, wirfst du die Folie mitsamt Inhalt weg und fängst frisch an.

Die Plastikfolien-Analogie passt gut: Isolation und einfaches Aufräumen. Aber eine venv isoliert nur Python-Pakete — nicht das Betriebssystem, Systembibliotheken oder GPU-Treiber. Und requirements.txt ist präziser als eine Folie — es ist ein exaktes Inventar mit Versionsnummern.

Merke

Der venv-Workflow in 5 Schritten

  1. 1. python -m venv ki_projekt — Erstellt das Environment-Verzeichnis
  2. 2. source ki_projekt/bin/activate (Linux/macOS) oder ki_projekt\Scripts\activate (Windows) — Aktiviert es (Prompt beginnt jetzt mit (ki_projekt))
  3. 3. pip install transformers — Installiert nur in dieser Umgebung
  4. 4. pip freeze > requirements.txt — Speichert exakte Versionen
  5. 5. deactivate — Kehrt zum globalen Python zurück

Merke

Reproduzierbarkeit mit requirements.txt

pip freeze gibt eine exakte Liste aller installierten Pakete mit Versionsnummern aus:

pip freeze > requirements.txt

# Inhalt von requirements.txt:
numpy==1.26.3
tokenizers==0.15.0
transformers==4.37.0
...

Ein anderer Entwickler kann mit pip install -r requirements.txt exakt die gleichen Paketversionen auf seinem Rechner aufbauen. So funktioniert Reproduzierbarkeit in Python-Projekten.

Achtung

Warnung: Niemals pip install ohne aktives venv

Ohne aktives Virtual Environment installiert pip global — jedes Paket landet im gemeinsamen site-packages und betrifft alle Projekte. Auf Debian und Ubuntu verweigert pip das sogar (Meldung externally-managed-environment) — dort brauchst du venv von Anfang an. Prüfe vor jedem pip install, ob dein Prompt (ki_projekt) zeigt. Im Zweifel: which python (Unix) oder where python (Windows) — der Pfad sollte auf dein venv-Verzeichnis zeigen.

Interaktiv: Vorher vs. Nachher

Schalte zwischen den beiden Szenarien um: Im ersten Szenario siehst du, wie eine globale Installation zum Versionskonflikt führt. Das zweite zeigt den gleichen Ablauf mit Virtual Environments — jedes Projekt hat seine eigene Blase, kein Paket stört das andere. Achte besonders auf die Fehlermeldung im ersten und den sauberen Trainingsstart im zweiten Szenario.

Globale Installation (Chaos)
Terminal
$ pip install tensorflow==2.12.0
Successfully installed numpy-1.23.5 tensorflow-2.12.0
 
# 3 Monate später: neues Projekt
$ pip install torch numpy==2.1.0
ERROR: tensorflow 2.12.0 requires numpy<1.24
Successfully installed numpy-2.1.0 torch-2.3.0
 
# Zurück zum alten Projekt...
$ python train.py
A module that was compiled using NumPy 1.x cannot be run in
NumPy 2.1.0 as it may crash.
ImportError: numpy.core.multiarray failed to import
Beide Projekte teilen ein globales site-packages. Das Update für Projekt B zerstört Projekt A.
Ohne venv: Gemeinsames Chaos
site-packages (global)
numpy 2.1.0tensorflow 2.12.0pytorch 2.3.0
Projekt A
braucht numpy<1.24
Projekt B
braucht numpy>=2.0

Docker — Der Frachtcontainer für Code

Definition

Docker

Analogie

Bevor es standardisierte Frachtcontainer gab, mussten Hafenarbeiter Säcke, Kisten und Fässer einzeln verladen — jedes anders geformt. Heute geht alles in einen genormten Stahlcontainer. Dem Schiff ist egal, ob Autos, Getreide oder Maschinen drin sind — es transportiert einfach Container. Docker funktioniert genauso: Der Entwickler packt das gesamte Setup (OS, Python, Bibliotheken, Code) in einen Container, und der Server startet und stoppt einfach Container.

Ein Frachtcontainer hat eigene physische Wände; Docker-Container teilen sich den Kernel des Hosts — sie sind leichter, aber auch abhängiger. Einen physischen Container zu klonen braucht Zeit; Docker-Images werden in Sekunden kopiert und in Registries gepusht. Und Frachtcontainer starten nicht "in Sekunden" — Docker-Container schon, weil kein Bootvorgang nötig ist.

Virtual Environment (venv)

Isoliert nur Python-Pakete. Leichtgewichtig, eingebaut ab Python 3.3, kein Extra-Tool nötig. Ideal für alltägliche Entwicklung. Das Betriebssystem und Systembibliotheken werden nicht isoliert.

Docker Container

Isoliert das gesamte System: OS, Bibliotheken, CUDA-Toolkit, Python und Pakete. Schwerer, braucht Docker-Installation. Ideal für Deployment, Zusammenarbeit und spezifische GPU/CUDA-Setups.

Beispiel: Minimales Dockerfile für ein KI-Projekt

FROM python:3.11
COPY requirements.txt .
RUN pip install --no-cache-dir -r requirements.txt
COPY . .
CMD ["python", "train.py"]

Zwei Befehle zum Bauen und Ausführen — läuft identisch auf jeder Maschine mit Docker:

docker build -t my_ai_project .
docker run --rm my_ai_project

Achtung

Irrtum: Docker ist eine Virtuelle Maschine

Docker-Container teilen sich den Kernel des Host-Systems — sie booten kein eigenes Betriebssystem. Deshalb starten sie in Sekunden statt Minuten. Sie sind viel leichter als VMs. (Auf Windows und macOS startet Docker Desktop einmal im Hintergrund eine schlanke Linux-VM, in der dann die Container laufen.) Und Docker ersetzt venv nicht: In der Praxis werden beide oft kombiniert — Docker für die OS-Ebene, venv für die Python-Ebene innerhalb des Containers.

Es gibt einen wichtigen Unterschied zwischen gepinnten und ungepinnten Versionen:

# Gepinnt (reproduzierbar):
numpy==1.26.3
transformers==4.37.0

# Ungepinnt (nicht reproduzierbar!):
numpy
transformers

Ungepinnt bedeutet: "Installiere die neueste Version." Was heute die neueste ist, ist morgen eine andere. pip freeze erfasst alle Versionen exakt, inklusive transitiver Abhängigkeiten. Für saubere Dateien kannst du alternativ nur die Top-Level-Pakete manuell pflegen — aber immer mit Version. Neuere Werkzeuge wie uv erledigen Umgebung, Installation und Lock-Datei in einem; mit pylock.toml (PEP 751, seit 2025) gibt es dafür inzwischen auch ein Standardformat.

In der KI-Produktion sind Container der Standard. Warum? Weil CUDA/cuDNN-Versionen exakt stimmen müssen — Container bringen CUDA und cuDNN in passender Version gleich mit; nur der GPU-Treiber muss auf dem Host installiert sein.

Hugging Face bietet Docker Spaces zum Deployen beliebiger Frameworks. Amazon SageMaker AI liefert vorgefertigte Container für TensorFlow und PyTorch, unterstützt aber auch eigene. GPU-beschleunigte Container mit NVIDIA CUDA sind der gängigste Weg, Deep-Learning-Setups reproduzierbar zu machen.

Wenn du in späteren Artikeln KI-Modelle baust und deployst, wird Docker dein ständiger Begleiter sein.

Merke

Das Wichtigste auf einen Blick

  1. Dependency Hell entsteht, wenn zwei Projekte unterschiedliche Versionen desselben Pakets brauchen, aber eine globale Python-Installation teilen. Die Lösung: Jedem Projekt seine eigene Umgebung geben.
  2. python -m venv projektname erstellt eine isolierte Python-Umgebung. source projektname/bin/activate (Linux/macOS) oder projektname\Scripts\activate (Windows) wechselt hinein.
  3. pip freeze > requirements.txt speichert exakte Paketversionen. pip install -r requirements.txt reproduziert die Umgebung auf einem anderen Rechner. Immer Versionen pinnen.
  4. Ein Virtual Environment isoliert nur Python-Pakete. Docker isoliert das gesamte System: OS, Bibliotheken, CUDA-Toolkit, Python und Pakete — alles in einem portablen Container.
  5. Verwende venv für die tägliche Entwicklung. Verwende Docker, wenn du vollständige Reproduzierbarkeit über Maschinen hinweg brauchst, auf Server deployst oder spezifische GPU/CUDA-Setups benötigst.

Prüfen

Quiz: Virtual Environments & Docker

Noch offen

Was ist die "Dependency Hell"?

Wähle eine Antwort

Auflösung: 1) B · 2) B · 3) C · 4) B

Prüfen

Checkpoint

Kannst du das in eigenen Worten erklären? Hake ab, was sitzt.

0 von 3 sitzen