在ARM64架构上使用cibuildwheel构建Python轮子的解决方案
cibuildwheel是Python生态中一个非常实用的工具,它能够自动化地为多个Python版本和操作系统构建轮子(wheel)文件。然而,当开发者尝试在ARM64架构的Linux自定义Runner上使用cibuildwheel时,可能会遇到一些特殊挑战。
问题背景
在ARM64架构的Linux系统上,GitHub Actions的setup-python@v5动作可能不可用。这是因为setup-python动作目前对ARM64架构的支持有限,特别是在自定义Runner环境中。这导致开发者无法直接使用cibuildwheel的GitHub Action版本。
解决方案
幸运的是,cibuildwheel不仅提供了GitHub Action版本,还可以通过PyPI直接安装使用。这意味着开发者可以绕过对setup-python动作的依赖,直接在Runner上安装并使用cibuildwheel。
具体实现步骤
-
安装cibuildwheel:可以通过pip或pipx直接安装cibuildwheel。如果系统已安装pipx,推荐使用pipx,因为它能提供更好的隔离环境。
-
修改工作流配置:将原本使用cibuildwheel Action的配置改为直接运行cibuildwheel命令。
-
环境变量配置:保持原有的环境变量设置不变,确保构建参数一致。
配置示例
原GitHub Actions配置:
- name: Build wheels
uses: pypa/cibuildwheel@v2.16.5
env:
CIBW_ARCHS: ${{ matrix.cibw_archs }}
# 其他环境变量...
修改后的配置:
- name: Build wheels
run: pipx run cibuildwheel==2.16.5
env:
CIBW_ARCHS: ${{ matrix.cibw_archs }}
# 其他环境变量保持不变...
最佳实践建议
-
使用TOML配置文件:cibuildwheel支持使用pyproject.toml文件来配置构建参数,这比在环境变量中设置更加清晰和易于维护。
-
版本固定:始终指定cibuildwheel的具体版本,以确保构建过程的可重复性。
-
环境隔离:使用pipx或虚拟环境来运行cibuildwheel,避免与系统Python环境的冲突。
技术原理
cibuildwheel的核心功能是通过隔离的构建环境为多个Python版本创建轮子文件。当作为PyPI包运行时,它会自动检测系统架构和可用的Python版本,无需依赖GitHub的特殊动作。在ARM64架构上,它会正确识别处理器类型并使用相应的构建工具链。
总结
对于使用ARM64架构Linux自定义Runner的开发者,直接通过PyPI安装cibuildwheel是解决setup-python动作不可用问题的理想方案。这种方法不仅解决了依赖问题,还提供了更大的灵活性和控制权。通过合理配置,开发者可以在各种架构上实现一致的构建体验。
atomcodeClaude Code 的开源替代方案。连接任意大模型,编辑代码,运行命令,自动验证 — 全自动执行。用 Rust 构建,极致性能。 | An open-source alternative to Claude Code. Connect any LLM, edit code, run commands, and verify changes — autonomously. Built in Rust for speed. Get StartedRust0199
cann-learning-hubCANN 学习中心仓,支持在线互动运行、边学边练,提供教程、示例与优化方案,一站式助力昇腾开发者快速上手。Jupyter Notebook0130
MiMo-V2.5-Pro-FP4-DFlashMiMo-V2.5-Pro-FP4-DFlash 是驱动 MiMo-V2.5-Pro-UltraSpeed 的底层模型: FP4 量化骨干网络:对 MoE 专家采用 MXFP4 量化,同时保持模型其他部分的更高精度,在几乎无损质量的前提下,显著减小模型体积并降低内存带宽压力。 BF16 DFlash 草稿生成器:用于块扩散推测解码,每次前向传播可生成一整个块的 tokens,并让骨干网络一步完成验证。 两者协同作用,既降低了每参数的位宽,又减少了骨干网络前向传播的次数,而这两者正是万亿参数模型解码过程中的两大主要成本来源。Python00
JoyAI-EchoJoyAI-Echo,这是一个独立的、仅用于推理的版本,旨在实现分钟级多镜头音视频生成。它采用了经过蒸馏的DMD生成器、配对的跨模态记忆以及故事级别的一致性。其性能的核心在于,一个跨模态视听记忆库能够在长达五分钟的视频中保持角色外观和语音音色的一致性。同时,一个训练后处理流程将基于记忆的强化学习与分布匹配蒸馏相结合,实现了7.5倍的速度提升,显著增强了视觉质量和对齐效果。00
AstrBot✨ 易上手的多平台 LLM 聊天机器人及开发框架 ✨ 平台支持 QQ、QQ频道、Telegram、微信、企微、飞书 | OpenAI、DeepSeek、Gemini、硅基流动、月之暗面、Ollama、OneAPI、Dify 等。附带 WebUI。Python08
handy-ollama动手学Ollama,CPU玩转大模型部署,在线阅读地址:https://datawhalechina.github.io/handy-ollama/Jupyter Notebook07