界面	安装	适用于
JupyterLab	`pip install jupyterlab` 然后 `jupyter lab`	完整 IDE 体验，多标签页，文件浏览器，终端
Jupyter Notebook	`pip install notebook` 然后 `jupyter notebook`	简单轻量，一次一个笔记本
VS Code	安装 “Jupyter” 扩展	已在你的编辑器中，git 集成，调试

三种界面读写相同的 .ipynb 文件。选你喜欢的。JupyterLab 在 AI 工作中最常用。

pip install jupyterlab
jupyter lab

第 2 步：重要的键盘快捷键

你在两种模式下操作。按 Escape 进入命令模式（左侧蓝色条），按 Enter 进入编辑模式（绿色条）。

命令模式（最常用的）：

按键	操作
`Shift+Enter`	运行单元格，移到下一个
`A`	在上方插入单元格
`B`	在下方插入单元格
`DD`	删除单元格
`M`	转为 Markdown
`Y`	转为代码
`Z`	撤销单元格操作
`Ctrl+Shift+H`	显示所有快捷键

编辑模式：

按键	操作
`Tab`	自动补全
`Shift+Tab`	显示函数签名
`Ctrl+/`	切换注释

Shift+Enter 是你每天会用上千次的快捷键。先学这个。

第 3 步：单元格类型

代码单元格运行 Python 并显示输出：

import numpy as np
data = np.random.randn(1000)
data.mean(), data.std()

输出：(0.0032, 0.9987)

Markdown 单元格渲染格式化文本。用它们记录你在做什么以及为什么。支持标题、粗体、斜体、LaTeX 数学公式（ $E = mc^2$ ）、表格和图片。

第 4 步：魔法命令

这些不是 Python。它们是 Jupyter 特有的命令，以 %（行魔法）或 %%（单元格魔法）开头。

计时你的代码：

%timeit np.random.randn(10000)

输出：45.2 us +/- 1.3 us per loop

%%time
model.fit(X_train, y_train, epochs=10)

输出：Wall time: 2.34 s

%timeit 多次运行代码取平均值。%%time 只运行一次。微基准测试用 %timeit，训练运行用 %%time。

启用内联图表：

%matplotlib inline

每个 plt.plot() 或 plt.show() 现在都直接在笔记本中渲染。

不离开笔记本安装包：

!pip install scikit-learn

! 前缀可以运行任何 shell 命令。

检查环境变量：

%env CUDA_VISIBLE_DEVICES

第 5 步：内联显示富输出

笔记本自动显示单元格中最后一个表达式。但你可以控制它：

import pandas as pd

df = pd.DataFrame({
    "model": ["Linear", "Random Forest", "Neural Net"],
    "accuracy": [0.72, 0.89, 0.94],
    "training_time": [0.1, 2.3, 45.6]
})
df

这会渲染一个格式化的 HTML 表格，而不是文本转储。图表也一样：

import matplotlib.pyplot as plt

plt.figure(figsize=(8, 4))
plt.plot([1, 2, 3, 4], [1, 4, 2, 3])
plt.title("Inline Plot")
plt.show()

图表直接显示在单元格下方。这就是笔记本主导 AI 工作的原因。你可以同时看到数据、图表和代码。

显示图片：

from IPython.display import Image, display
display(Image(filename="architecture.png"))

第 6 步：Google Colab

Colab 是云端的免费 Jupyter 笔记本。它提供 GPU、预安装的库和 Google Drive 集成。无需配置。

访问 colab.research.google.com
上传本课程的任何 .ipynb 文件
运行时 > 更改运行时类型 > T4 GPU（免费）

Colab 与本地 Jupyter 的区别：

文件在会话之间不持久（保存到 Drive 或下载）
预安装：numpy, pandas, matplotlib, torch, tensorflow, sklearn
from google.colab import files 上传/下载文件
from google.colab import drive; drive.mount('/content/drive') 持久存储
免费版会话在 90 分钟不活动后超时

实际应用

笔记本 vs 脚本：何时用哪个

用笔记本	用脚本
探索数据集	训练流水线
原型开发模型	可复用工具
可视化结果	任何需要 `if __name__` 的场景
解释你的工作	定时运行的代码
快速实验	生产代码
课程练习	包和库

原则：笔记本中探索，脚本中交付。

AI 中的常见工作流：

在笔记本中探索数据
在笔记本中做模型原型
一旦可行，将代码移到 .py 文件
将 .py 文件导入回笔记本进行进一步实验

常见陷阱

乱序执行。 你先运行单元格 5，然后单元格 2，然后单元格 7。笔记本在你的机器上能工作，但别人从头到尾运行就出问题。修复方法：分享前执行 Kernel > Restart & Run All。

隐藏状态。 你删除了一个单元格，但它创建的变量仍在内存中。笔记本看起来很干净，但依赖于一个幽灵单元格。修复方法：定期重启内核。

内存泄漏。 加载一个 4GB 的数据集，训练一个模型，再加载另一个数据集。什么都没释放。修复方法：del variable_name 和 gc.collect()，或者重启内核。

交付成果

本课程产出：

outputs/prompt-notebook-helper.md 用于调试笔记本问题

练习

打开 JupyterLab，创建一个笔记本，使用 %timeit 比较列表推导式和 numpy 创建 100,000 个随机数的数组
创建一个包含 Markdown 和代码单元格的笔记本，加载 CSV、显示 DataFrame、绘制图表。然后运行 Kernel > Restart & Run All 验证从头到尾都能工作
将 code/notebook_tips.py 中的代码粘贴到 Colab 笔记本中，使用免费 GPU 运行

关键术语

术语	通俗说法	实际含义
Kernel	”运行我代码的那个东西”	一个独立的 Python 进程，执行单元格并将变量保存在内存中
Cell	”代码块”	笔记本中可独立运行的单元，可以是代码或 Markdown
Magic command	”Jupyter 技巧”	以 `%` 或 `%%` 开头的特殊命令，控制笔记本环境
`.ipynb`	”笔记本文件”	包含单元格、输出和元数据的 JSON 文件。全称 IPython Notebook

Jupyter笔记本

Jupyter 笔记本

学习目标

问题所在

核心概念

动手构建

第 1 步：选择你的界面