实验管理与代码工具

版本控制的研究用法（分支对应实验、tag 对应论文版本）、配置管理（Hydra/OmegaConf）、实验追踪（W&B/MLflow/TensorBoard）、环境（conda/uv + Docker）。本章给出一个最小组合。

版本控制的研究用法

Git 在研究代码里的用法与工程不同（研究代码的定位见研究代码的组织）：

• 分支对应实验：每个实验分支（exp/xxx）对应一个配置变体，合并回 main 的标准是"这个结论要保留"；
• tag 对应论文版本：每个论文表格对应一个 git tag（paper-v1-table2）——rebuttal 与 camera-ready 时能精确回到产生该表格的代码；
• commit 信息写实验语义（"fix eval split for table 3"），不写"update"。

配置文件进版本控制，密钥不进：configs/ 全部入库，密钥/路径用环境变量与 .env（gitignore）——配置的可追溯性是可复现性的核心（见可复现性）。

配置管理

Hydra/OmegaConf（Python 生态）是配置管理的标准组合：

• 每个实验一个 YAML 配置，派生实验只改差异字段（对比实验不漂移的前提，见实验设计）；
• 配置的组合与覆盖（命令行覆盖单个字段用于快速实验，正式实验走配置文件）；
• 运行时自动保存配置快照到结果目录——每个结果的配置可追溯。

实验追踪

W&B / MLflow / TensorBoard 的选择（对比见算力与实验管理）：

• W&B：团队协作、跨实验对比、超参搜索集成，托管服务（数据在外部服务）；
• MLflow：开源自托管、与工程生态集成好；
• TensorBoard：轻量、本地、单实验可视化为主。

最低要求（无论哪个工具）：配置全量记录、关键指标、git commit、失败信息——"可追溯"比"功能全"重要（记录规范见可复现性）。

环境

conda/uv 管依赖 + Docker 锁环境：

• conda/uv lockfile 锁定 Python 依赖版本；
• Docker 镜像锁定系统级依赖（CUDA、驱动）——容器保证审稿人能跑起来（artifact 的标准要求，见开源、复现包与 Artifact 评估）；
• 环境文件进版本控制，与代码同生命周期。

一个最小组合

git（分支=实验，tag=论文表格）+ Hydra（配置）+ W&B 或 MLflow（追踪）+ conda/uv + Docker（环境）。组合里的每个工具都有替代品，关键是组合覆盖了"配置、记录、环境"三个可复现性支柱——工具的完整与否不决定可复现性，纪律才决定。

本章要点

• 每个论文表格对应一个 git tag
• 配置文件进版本控制，密钥不进
• 容器保证审稿人能跑起来

相关阅读

• 研究代码的组织