因果机器学习库CausalML优化：将PyTorch改为可选依赖

在机器学习领域，因果推理是一个重要但实现复杂的研究方向。Uber开源的CausalML库为开发者提供了多种因果推理算法的实现，但在实际使用中，其依赖管理存在一些可以优化的地方。

问题背景

CausalML库原先将PyTorch作为必需依赖，这带来了两个主要问题：

1. 环境兼容性问题：PyTorch需要CUDA库支持，在没有GPU或未安装CUDA的环境中会导致安装失败，出现"libcublas.so.*[0-9] not found"等错误。

2. 包体积过大：PyTorch是一个较大的深度学习框架，强制安装会增加不必要的存储开销，特别是对于那些不使用PyTorch相关功能的用户。

技术解决方案

经过分析发现，PyTorch在CausalML中仅用于实现Causal Effect VAE（变分自编码器）模型。基于这一发现，开发团队决定将PyTorch改为可选依赖，类似于之前对TensorFlow的处理方式。

新的安装方式提供了两种选择：

1. 基础安装：仅安装核心功能

pip install causalml

2. 完整安装：包含PyTorch支持

pip install causalml[torch]

实现意义

这一优化带来了多重好处：

1. 提高兼容性：用户可以在无GPU环境中轻松安装使用核心功能。

2. 减少资源占用：不需要PyTorch功能的用户可以减少约500MB的存储空间占用。

3. 更灵活的部署：在容器化部署等场景下，可以构建更精简的运行时镜像。

技术实现细节

在Python包管理中，可选依赖通常通过setuptools的extras_require参数实现。开发团队需要：

1. 修改setup.py/pyproject.toml配置文件
2. 在相关PyTorch功能模块中添加导入检查
3. 提供清晰的文档说明
4. 确保测试覆盖两种安装场景

最佳实践建议

对于不同使用场景的用户：

1. 仅需传统因果模型：使用基础安装即可
2. 需要使用神经网络模型：选择完整安装
3. 无GPU环境：可通过PyTorch的CPU版本安装

这一改进体现了开源项目对用户体验的持续优化，也展示了良好的依赖管理实践，值得其他机器学习项目借鉴。