Die Isolations-Blase
Virtual Environments: wie man verhindert, dass sich Python-Projekte gegenseitig zerlegen.
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
Definition
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-1.24.2Tückisch: 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
Virtual Environments — Eine Blase pro Projekt
Definition
Virtual Environment (venv)
Analogie
Definition
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. python -m venv ki_projekt — Erstellt das Environment-Verzeichnis
- 2. source ki_projekt/bin/activate (Linux/macOS) oder ki_projekt\Scripts\activate (Windows) — Aktiviert es (Prompt beginnt jetzt mit (ki_projekt))
- 3. pip install transformers — Installiert nur in dieser Umgebung
- 4. pip freeze > requirements.txt — Speichert exakte Versionen
- 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.
braucht numpy<1.24
braucht numpy>=2.0
Docker — Der Frachtcontainer für Code
Definition
Docker
Analogie
Definition
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.
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.
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_projectAchtung
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
transformersUngepinnt 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
- 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.
- python -m venv projektname erstellt eine isolierte Python-Umgebung. source projektname/bin/activate (Linux/macOS) oder projektname\Scripts\activate (Windows) wechselt hinein.
- pip freeze > requirements.txt speichert exakte Paketversionen. pip install -r requirements.txt reproduziert die Umgebung auf einem anderen Rechner. Immer Versionen pinnen.
- Ein Virtual Environment isoliert nur Python-Pakete. Docker isoliert das gesamte System: OS, Bibliotheken, CUDA-Toolkit, Python und Pakete — alles in einem portablen Container.
- 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
Was ist die "Dependency Hell"?
Wähle eine Antwort
1. Was ist die "Dependency Hell"?
2. Welche Befehle erstellen und aktivieren ein Virtual Environment?
3. Dein Kollege soll exakt die gleichen Paketversionen nutzen. Was gibst du weiter?
4. Wann sollte man Docker statt nur eines Virtual Environments verwenden?
Prüfen
Checkpoint
Kannst du das in eigenen Worten erklären? Hake ab, was sitzt.
0 von 3 sitzen