Jupyter Notebook的环境

### 设置和配置Jupyter Notebook的运行环境 #### 修改默认工作目录 为了更改 Jupyter Notebook 的默认启动目录，可以通过编辑其配置文件实现。具体操作如下： 1. **生成配置文件** 在终端中执行命令 `jupyter notebook --generate-config` 来生成配置文件，默认存储路径通常为 `~/.jupyter/jupyter_notebook_config.py`。 2. **定位并修改配置项** 使用文本编辑器打开上述配置文件，在其中找到 `c.NotebookApp.notebook_dir` 参数，并将其设置为目标路径。例如： ```python c.NotebookApp.notebook_dir = '/home/peter/Git/MatlabMisc/Jupyter' ``` 这样每次启动 Jupyter Notebook 时都会自动进入指定的工作目录[^1]。 --- #### 创建虚拟环境并与 Jupyter 关联 如果需要在一个独立的 Python 虚拟环境中运行 Jupyter Notebook，则需完成以下步骤： 1. **创建虚拟环境** 打开 Anaconda Prompt 或终端，输入以下命令来创建一个新的虚拟环境（假设命名为 `my_env` 并使用 Python 3.9 版本）： ```bash conda create -n my_env python=3.9 ``` 2. **激活虚拟环境** 激活刚刚创建的虚拟环境： ```bash conda activate my_env ``` 3. **安装必要的依赖包** 安装 Jupyter 和其他所需的库到此虚拟环境中： ```bash conda install jupyter numpy pandas matplotlib ``` 4. **关联虚拟环境至 Jupyter Kernel** 如果希望在 Jupyter 中切换不同的虚拟环境，可借助 `ipykernel` 实现： ```bash pip install ipykernel python -m ipykernel install --user --name=my_env --display-name="Python (my_env)" ``` 此处 `--display-name` 是指在 Jupyter 界面中显示的名字。 5. **验证配置成功与否** 启动 Jupyter Notebook (`jupyter notebook`)，在新建笔记本时应能看到名为 “Python (my_env)” 的选项[^2]。 --- #### GPU 支持下的 PyTorch 环境搭建 对于深度学习项目而言，可能还需要支持 NVIDIA CUDA 加速功能。以下是基于 Conda 构建带有 GPU 功能的 PyTorch 开发环境的方法： 1. **创建专用虚拟环境** 输入以下指令建立新的虚拟环境（此处以 `pytorch_gpu` 命名），同时指定所需 Python 版本号： ```bash conda create -n pytorch_gpu python=3.10 ``` 2. **激活新环境** 切换到刚才构建好的虚拟空间下继续后续操作： ```bash conda activate pytorch_gpu ``` 3. **安装对应版本的 PyTorch 库** 访问官方页面 https://pytorch.org/get-started/locally/ 获取适合系统的安装脚本链接复制粘贴执行即可。比如 Linux 下采用 CUDA 11.x 的情况可能是这样一条语句： ```bash conda install pytorch torchvision torchaudio cudatoolkit=11.7 -c pytorch -c nvidia ``` 4. **测试 GPU 是否可用** 编写简单的代码片段确认硬件加速正常运作： ```python import torch if torch.cuda.is_available(): device = 'cuda' else: device = 'cpu' print(f'Device being used: {device}') ``` 若输出结果表明正在利用显卡资源则说明一切准备就绪[^4]。 --- ### 注意事项 - 当前方法适用于大多数主流操作系统平台上的标准流程；特殊场景可能会有所差异。 - 对于远程服务器部署或者 Docker 容器化方案有额外需求的话还需另行探讨解决方案。