机器学习与深度学习 / 系统课时
使用 Jupyter 与 IDE
使用 Jupyter 与 IDE
本课完成一套可复用的深度学习开发环境:让 Jupyter Notebook 与 IDE 使用同一个 Python 解释器,并掌握终端、代码补全和断点调试的基本操作,避免“终端能运行、编辑器却找不到包”的常见问题。
学习目标
- 区分 Notebook 内核、IDE 解释器与终端环境
- 配置可识别的 Jupyter 内核并验证路径
- 使用代码补全、断点和变量查看器定位问题
先统一三个运行入口
Jupyter 的内核、IDE 的 Python 解释器和集成终端是三个独立入口。它们只有指向同一个虚拟环境时,安装的 PyTorch、NumPy 等包才会保持一致。判断是否一致时,不要只看环境名称,应比较 sys.executable 输出的实际路径。
推荐为每个项目创建独立虚拟环境,并始终通过 python -m pip 安装包。这样 pip 会跟随当前解释器执行,能够减少把依赖误装到系统 Python 的概率。
配置 Jupyter 内核
先激活项目虚拟环境,再安装 JupyterLab 与 ipykernel,最后把当前解释器注册为可选择的内核。
python -m pip install jupyterlab ipykernel
python -m ipykernel install --user --name dl-env --display-name "Python (dl-env)"
python -m jupyter kernelspec list预期输出
Available kernels:
dl-env <PATH>
python3 <PATH><PATH> 会随操作系统和用户目录变化。启动 python -m jupyter lab 后,在 Notebook 的内核菜单中选择 Python (dl-env);若列表中没有该项,先确认注册命令使用的正是项目环境中的 Python。
在 Notebook 单元格中执行 import sys; print(sys.executable),其路径应与终端执行 python -c "import sys; print(sys.executable)" 的结果一致。两者不同,说明 Notebook 仍在使用其他内核。
在 IDE 中选择解释器
以 VS Code 为例,打开项目目录后,通过状态栏中的 Python 版本或命令面板的“选择解释器”功能,选择同一个虚拟环境。PyCharm 中对应的是项目解释器设置,判断标准仍然是解释器路径,而不是界面显示名称。
编辑器出现红色导入提示时,先检查当前解释器,再在 IDE 集成终端中执行 python -m pip show torch。不要直接重复安装,因为错误往往来自解释器选错,而不是包不存在。
用一个脚本练习补全与调试
新建 debug_demo.py,输入 torch. 时观察代码补全。在 return 行左侧设置断点,以调试模式运行,检查 x 的数据类型、形状和值。
import sys
import torch
def train_step(x: torch.Tensor) -> float:
x = x.to(dtype=torch.float32)
return (x * 2).sum().item()
if __name__ == "__main__":
batch = torch.tensor([1, 2, 3])
print(f"python={sys.executable}")
print(f"result={train_step(batch)}")预期输出
python=<PATH>
result=12.0若代码能运行但没有补全,通常是 Python 扩展、语言服务器或项目索引尚未完成;若断点变成空心状态,则应检查是否以调试模式启动,以及当前文件是否由所选解释器执行。
工作习惯与边界
Notebook 适合逐步试验、可视化和记录推导,但单元格可乱序执行。遇到结果异常时,应重启内核并从头运行全部单元格,确认代码不依赖隐藏状态。IDE 更适合模块化代码、重构、测试和断点调试。
正式项目可以把探索代码留在 Notebook,把稳定逻辑移动到 .py 文件中,再由 Notebook 导入调用。这样既保留交互效率,也能避免重要逻辑散落在多个单元格。
本课总结
- Notebook 内核、IDE 解释器和终端必须指向同一虚拟环境
sys.executable比环境名称更适合验证真实运行路径- Notebook 用于探索,IDE 用于组织代码、补全与断点调试
下一课预告
下一课将按照固定顺序排查安装失败、CUDA 不可用、显存不足和动态库加载错误,并建立一套可重复执行的诊断流程。