机器学习与深度学习 / 系统课时

配置 Jupyter 与 VS Code

配置 Jupyter 与 VS Code

这一步要把 TensorFlow、Jupyter 和 VS Code 指向同一个 Python 环境,避免“终端能导入、Notebook 却报错”的常见问题。完成后,你可以在 JupyterLab 与 VS Code Notebook 中运行同一段 TensorFlow 代码,并确认两边使用的是同一个解释器。

学习目标

  • 为课程项目创建独立的 Python 虚拟环境并安装 TensorFlow、JupyterLab 与 ipykernel。
  • 在 JupyterLab 和 VS Code 中选择正确的 Notebook 内核与 Python 解释器。
  • 用解释器路径和张量计算结果验证环境没有串用。

创建隔离的 Python 环境

在课程项目目录创建名为 .venv 的虚拟环境。这样依赖不会写进系统 Python,后续升级或重装 TensorFlow 时也不会影响其他项目。

bash
python -m venv .venv

预期结果:

text
项目目录出现 .venv;命令正常结束且没有报错。

创建后按系统激活环境:

系统 激活命令
Windows PowerShell .\.venv\Scripts\Activate.ps1
macOS / Linux source .venv/bin/activate

激活成功后再安装依赖。课程入门阶段使用 CPU 即可,不需要先配置 CUDA。

bash
python -m pip install --upgrade pip
python -m pip install tensorflow jupyterlab ipykernel

预期结果:

text
两条安装命令均以退出码 0 结束,安装日志中没有 ERROR。

再做一次最小导入测试,避免等到打开编辑器后才发现环境装错。

bash
python -c "import tensorflow as tf; print('tensorflow-ok'); print(tf.reduce_sum(tf.constant([1, 2, 3])).numpy())"

预期输出:

text
tensorflow-ok
6

配置 JupyterLab 内核

为了让 Notebook 明确显示课程环境名称,给当前虚拟环境注册一个内核。--name 是内部标识,--display-name 是界面里看到的名称。

bash
python -m ipykernel install --user --name tf-course --display-name "Python (tf-course)"

预期输出:

text
Installed kernelspec tf-course in <PATH>

随后启动 JupyterLab。

bash
jupyter lab

预期结果:

text
浏览器打开本机 JupyterLab 页面;实际端口和 token 可能不同。

新建 Notebook 后,在顶部内核选择器中选择 Python (tf-course)。如果看不到它,先关闭 JupyterLab,确认当前终端已激活 .venv,再重新执行内核注册命令。

JupyterLab 中选择课程 Python 内核的位置

配置 VS Code 的解释器与 Notebook

打开课程项目文件夹后,先安装 Microsoft 发布的 Python 与 Jupyter 扩展。然后按 Ctrl+Shift+P 打开命令面板,执行 Python: Select Interpreter,选择项目下的 .venv。这一步决定普通 .py 文件从哪个 Python 运行。

打开或新建 .ipynb 文件后,再点击 Notebook 编辑器右上角的 Select Kernel,选择 Python (tf-course) 或指向同一个 .venv 的 Python 环境。Notebook 内核与左下角或状态栏显示的解释器不一致时,最容易出现包“明明装了却导入失败”的现象。

VS Code 中选择 Python 解释器与 Notebook 内核的位置

用同一段代码检查两个入口

在 JupyterLab 单元格与 VS Code Notebook 单元格中分别运行下面代码。两边的第一行都应指向课程虚拟环境,版本号也应一致;最后一行固定为 6。

python
import sys
import tensorflow as tf

print(sys.executable)
print(tf.__version__)
print(tf.reduce_sum(tf.constant([1, 2, 3])).numpy())

预期输出:

text
<PATH>
<VERSION>
6

如果 JupyterLab 能运行而 VS Code 报 ModuleNotFoundError: No module named 'tensorflow',不要重复安装 TensorFlow,先重新检查 Python: Select Interpreter 和 Select Kernel。只要两边的 sys.executable 指向同一 .venv,后续课程里的脚本和 Notebook 就会使用同一套依赖。

按自己的节奏,确认真正理解。

目录与阅读设置

阅读设置

17

记录一个想法

配置 Jupyter 与 VS Code

0 / 10000 · 笔记保存到账号。未提交的修改会在关闭、离开或刷新后丢失。

登录哪都通