在 DVC 流水线中，在 YAML 文件里定义依赖、输出和命令的主要目的是什么？
本练习是课程的一部分
通过我们的互动练习之一，将理论转化为实践
本章将全面介绍 Data Version Control（DVC），这是机器学习中进行数据版本管理的关键工具。您将了解进行数据版本管理的动机，明白它与代码版本管理的差异，并动手体验一个简单的分类问题。您还将回顾 Git 基本命令，认识 DVC，并练习创建与初始化仓库。最后，本章会概览 DVC 的功能与使用场景，包括数据与模型的版本管理、面向机器学习的 CI/CD、实验跟踪、流水线等。
当前练习
本章将深入讲解 DVC 的搭建与配置，包括安装、初始化仓库，以及使用 .dvcignore 文件。随后将带您探索 DVC 缓存与暂存文件，学习如何添加与移除文件、管理缓存，并通过 MD5 哈希理解其底层机制。同时，本章还会说明 DVC 的远端（remotes），区分它与 Git 远端的不同，并指导您如何添加、列出与修改远端。最后，您将学习如何与这些远端交互：推送与拉取数据、检出特定版本，以及将数据获取到缓存。
本章聚焦使用 DVC 实现 ML 流水线自动化。您将创建一个包含配置与超参数的配置文件。您还会学习用有向无环图来可视化流水线，并使用命令描述依赖、命令与输出。内容还涵盖 DVC 流水线的执行，包括本地模型训练以及 Git 如何跟踪 DVC 元数据。此外，您将学习在 DVC 中跟踪指标与可视化图，包括如何打印指标、创建图表文件，并在不同流水线阶段比较指标与图表。
