Jupyter Notebook 安装与 AI 实验环境配置
从零搭建 Python 数据分析、机器学习与大模型实验环境
适用对象：AI 初学者、数据分析入门用户、自媒体教程站、希望在本机或服务器上搭建实验环境的开发者。
文章摘要
Jupyter Notebook 是学习 Python、数据分析、机器学习和大模型实验最常用的交互式工具之一。本文从安装前准备开始，分别讲解 venv、conda、Anaconda、Docker、远程服务器几种路线，带你完成 Jupyter Notebook / JupyterLab 安装、Kernel 注册、AI 常用包安装、VS Code 连接、GPU 验证和常见报错排查。读者照着本文操作，可以快速搭建一个适合 AI 实验、模型推理、数据处理和学习记录的本地实验环境。
爆款标题
- Jupyter Notebook 安装与 AI 实验环境配置：新手从零跑通 Python 实验环境
- AI 学习第一步：Jupyter Notebook + Python + GPU 环境保姆级配置教程
- 不会装 Jupyter？一篇搞定 Notebook、JupyterLab、Kernel 和 AI 实验包
- 从 Python 到 PyTorch：用 Jupyter Notebook 搭建本地 AI 实验环境
- Jupyter Notebook 配置全流程：venv、conda、VS Code、远程服务器一次讲清楚
适合谁阅读这篇教程
- 刚开始学习 Python、数据分析、机器学习或大模型应用的新手。
- 想在 Windows、macOS、Linux 服务器上搭建本地 AI 实验环境的用户。
- 已经安装 Python，但不知道 Jupyter Kernel、venv、conda 如何配合使用的读者。
- 希望用 VS Code 打开 .ipynb 文件，或连接远程 Jupyter Server 的开发者。
- 做教程站、资源站、自媒体内容，需要一篇可直接发布的保姆级安装文章。
先搞懂：Jupyter Notebook、JupyterLab、Kernel 分别是什么
Jupyter Notebook：交互式代码笔记本
Jupyter Notebook 可以把代码、运行结果、说明文字、公式、图表放在同一个 .ipynb 文件里，非常适合学习、实验、记录和展示。它不像普通 .py 文件那样必须从头到尾一次运行，而是可以一格一格执行，非常适合调试数据、测试模型、验证思路。
JupyterLab：更现代的 Notebook 工作台
JupyterLab 是更现代的网页式交互开发环境，可以同时打开 Notebook、终端、文本文件、CSV、Markdown 等内容。对于 AI 实验来说，JupyterLab 更像一个浏览器中的轻量 IDE。
Kernel：Notebook 背后的 Python 运行环境
Kernel 可以理解为 Notebook 的“执行引擎”。如果你在某个虚拟环境里安装了 torch、transformers、pandas，但 Notebook 选错了 Kernel，就会出现“明明安装了包，却 import 失败”的问题。因此，配置 AI 实验环境的关键不是只安装 Jupyter，而是让 Jupyter 正确识别项目虚拟环境。
安装路线总览
上图是本文推荐的安装顺序。新手不要先追求“大而全”，而是先让一个最小 Notebook 跑通，再逐步接入 VS Code、GPU、远程服务器或 Docker。
安装前准备清单
| 检查项 | 建议 | 说明 |
| 操作系统 | Windows / macOS / Linux 均可 | Windows 用户建议优先使用 PowerShell 或 Anaconda Prompt；Linux 服务器建议使用 SSH。 |
| Python 版本 | 优先按 AI 框架官方安装页选择 | PyTorch、TensorFlow、JAX 等框架对 Python 版本有要求，不建议盲目追最新。 |
| 环境管理 | venv 或 conda 二选一 | 项目之间必须隔离，否则依赖冲突会越来越严重。 |
| 编辑器 | JupyterLab 或 VS Code | JupyterLab 适合网页实验；VS Code 适合项目化开发。 |
| GPU | 可选 | 没有 NVIDIA 显卡也能跑 CPU 实验；有显卡再配置 CUDA / PyTorch GPU。 |
方案一：使用 venv + pip 安装 Jupyter
适合什么情况
venv 是 Python 标准库自带的虚拟环境工具，适合新手、本地学习、轻量 AI 实验和 Web 项目。如果你只是想快速安装 Jupyter 并跑通 pandas、matplotlib、scikit-learn 等常用包，venv 是最干净的路线。
Windows 命令
| mkdir jupyter-ai-demo cd jupyter-ai-demo py -m venv .venv .\.venv\Scripts\activate python -m pip install –upgrade pip pip install jupyterlab notebook ipykernel numpy pandas matplotlib scikit-learn python -m ipykernel install –user –name jupyter-ai-demo –display-name “Python (jupyter-ai-demo)” jupyter lab |
macOS / Linux 命令
| mkdir jupyter-ai-demo cd jupyter-ai-demo python3 -m venv .venv source .venv/bin/activate python -m pip install –upgrade pip pip install jupyterlab notebook ipykernel numpy pandas matplotlib scikit-learn python -m ipykernel install –user –name jupyter-ai-demo –display-name “Python (jupyter-ai-demo)” jupyter lab |
启动成功后，终端会显示一个带 token 的链接，例如 http://localhost:8888/lab?token=…。复制到浏览器即可打开。
方案二：使用 Miniconda / conda 安装 Jupyter
适合什么情况
conda 更适合数据科学、机器学习和跨平台项目。它不仅能管理 Python 包，还能管理部分非 Python 依赖。AI 项目里如果经常使用 numpy、scipy、pandas、PyTorch、Jupyter、CUDA 相关包，conda 路线会更稳。
创建 AI 实验环境
| conda create -n jupyter-ai python=3.11 -y conda activate jupyter-ai conda install -c conda-forge jupyterlab notebook ipykernel numpy pandas matplotlib scikit-learn -y python -m ipykernel install –user –name jupyter-ai –display-name “Python (jupyter-ai)” jupyter lab |
常用 conda 环境管理命令
| 用途 | 命令 |
| 查看环境列表 | conda env list |
| 激活环境 | conda activate jupyter-ai |
| 退出环境 | conda deactivate |
| 导出环境 | conda env export > environment.yml |
| 从文件恢复环境 | conda env create -f environment.yml |
| 删除环境 | conda env remove -n jupyter-ai |
方案三：使用 Anaconda Navigator 图形化安装
适合什么情况
如果你完全不熟悉命令行，可以先使用 Anaconda Navigator。它提供图形界面，可以创建环境、启动 Notebook、启动 JupyterLab，也适合教学场景。不过 Anaconda 体积较大，如果你想要更轻量的环境，建议使用 Miniconda。
图形化操作步骤
- 安装 Anaconda Distribution。
- 打开 Anaconda Navigator。
- 在 Environments 中创建一个新环境，例如 jupyter-ai。
- 在该环境中安装 jupyterlab、notebook、ipykernel、numpy、pandas、matplotlib。
- 回到 Home 页面，选择对应环境后启动 JupyterLab 或 Notebook。
方案四：使用 Docker 运行 Jupyter
适合什么情况
Docker 路线适合服务器、团队协作、教学环境或需要高度可复现的实验环境。Jupyter Docker Stacks 提供了一组开箱即用的镜像，能快速启动带 JupyterLab 的容器。
Docker 快速启动示例
| docker run -p 8888:8888 \ -v “$PWD”:/home/jovyan/work \ quay.io/jupyter/scipy-notebook:latest |
启动后查看终端输出中的访问链接。生产环境不要把没有密码、没有 HTTPS 的 Jupyter 直接暴露到公网。
安装 AI 实验常用包
基础数据分析包
| pip install numpy pandas matplotlib seaborn scikit-learn scipy tqdm requests |
大模型与 NLP 常用包
| pip install transformers datasets accelerate sentencepiece tokenizers huggingface_hub |
PyTorch 安装建议
PyTorch 不建议直接复制网上旧命令。正确做法是打开 PyTorch 官方安装选择器，选择操作系统、pip/conda、Python、CUDA/CPU 版本，然后复制官方生成的命令。
| # CPU 示例，实际以 PyTorch 官网选择器生成命令为准 pip install torch torchvision torchaudio # 安装后验证 python -c “import torch; print(torch.__version__); print(torch.cuda.is_available())” |
TensorFlow 安装建议
TensorFlow 同样建议参考官方 pip 安装指南。Linux / WSL2 GPU 路线与 Windows 原生 GPU 路线存在差异，新手不要把旧教程中的 tensorflow-gpu 命令照搬到新版环境里。
| pip install tensorflow python -c “import tensorflow as tf; print(tf.__version__); print(tf.config.list_physical_devices(‘GPU’))” |
把虚拟环境注册成 Jupyter Kernel
为什么必须注册 Kernel
Jupyter 前端和 Python 环境不是一回事。你可以用一个系统环境启动 JupyterLab，但 Notebook 里的代码可能运行在另一个 Kernel。为了避免“包安装了但 Notebook 找不到”，建议每个项目环境都注册一个独立 Kernel。
注册命令
| python -m pip install ipykernel python -m ipykernel install –user –name my-ai-env –display-name “Python (my-ai-env)” |
删除无用 Kernel
| jupyter kernelspec list jupyter kernelspec remove my-ai-env |
启动 Jupyter Notebook / JupyterLab
启动 Notebook 经典界面
| jupyter notebook |
启动 JupyterLab 现代界面
| jupyter lab |
指定目录启动
| jupyter lab –notebook-dir ./notebooks |
如果浏览器没有自动打开，可以手动复制终端中的 URL。URL 中的 token 是登录凭据，不要随意发给别人。
在 VS Code 中使用 Jupyter Notebook
需要安装哪些扩展
- Python：提供解释器选择、运行 Python 文件、调试等能力。
- Jupyter：支持打开 .ipynb 文件、选择 Kernel、运行单元格。
- Pylance：提供更好的 Python 补全与类型分析。
- GitHub Copilot / Cline / Continue 等 AI 插件：用于代码补全、解释、重构和实验辅助。
选择解释器与 Kernel
- 在 VS Code 中打开项目文件夹。
- 按 Ctrl+Shift+P / Cmd+Shift+P，运行 Python: Select Interpreter。
- 选择当前项目的 .venv 或 conda 环境。
- 打开 .ipynb 文件后，在右上角 Kernel 选择器中选择对应环境。
- 运行一个简单单元格：import sys; print(sys.executable)，确认路径正确。
| import sys print(sys.executable) import pandas as pd print(pd.__version__) |
GPU / CUDA 环境验证
第一步：验证显卡驱动
| nvidia-smi |
如果 nvidia-smi 都无法运行，说明问题在显卡驱动层，不要急着重装 PyTorch 或 Jupyter。先修复驱动，再安装深度学习框架。
第二步：验证 PyTorch 是否识别 GPU
| import torch print(torch.__version__) print(torch.cuda.is_available()) if torch.cuda.is_available(): print(torch.cuda.get_device_name(0)) |
第三步：验证 TensorFlow 是否识别 GPU
| import tensorflow as tf print(tf.config.list_physical_devices(‘GPU’)) |
注意：不同框架对 CUDA、cuDNN、Python 版本的要求不同。Jupyter 只是前端工具，GPU 能不能用取决于驱动、框架安装包和当前 Kernel。
远程服务器运行 Jupyter 的安全做法
推荐：SSH 隧道访问
如果 Jupyter 运行在云服务器或局域网服务器上，推荐使用 SSH 隧道，把远程 8888 端口映射到本地，避免直接把 Jupyter 暴露在公网。
| # 本地电脑执行 ssh -L 8888:127.0.0.1:8888 user@your-server-ip # 服务器上执行 jupyter lab –no-browser –port=8888 |
不建议：直接裸露到公网
如果必须公网访问，至少需要设置强密码、Token、HTTPS、反向代理、防火墙和访问控制。Jupyter Server 官方也明确提醒，公网运行单用户 Jupyter Server 需要理解安全限制与风险。
推荐项目目录结构
| jupyter-ai-demo/ ├─ notebooks/ # Notebook 文件 ├─ data/ # 原始数据和样例数据 ├─ outputs/ # 图表、模型输出、实验结果 ├─ src/ # 可复用 Python 代码 ├─ models/ # 本地模型或模型缓存说明 ├─ requirements.txt # pip 依赖 ├─ environment.yml # conda 依赖 └─ README.md # 项目说明 |
建议把临时探索写在 notebooks，把可复用逻辑逐步迁移到 src。这样 Notebook 不会越来越乱，也方便后续用 AI 编程工具重构。
常见问题排查
问题 1：jupyter 命令找不到
优先确认虚拟环境是否已经激活。如果仍然找不到，可以使用 python -m jupyter lab 启动，这样能确保调用的是当前 Python 环境中的 Jupyter。
| python -m jupyter lab |
问题 2：Notebook 里 import 报错，但终端里能运行
这通常是 Kernel 选错。运行下面代码查看 Notebook 当前使用的 Python 路径。
| import sys print(sys.executable) |
问题 3：页面打不开或端口被占用
默认端口通常是 8888。如果端口被占用，可以换端口启动。
| jupyter lab –port=8890 |
问题 4：VS Code 中找不到 Kernel
先确认当前环境已经安装 ipykernel，并且 VS Code 选择了正确解释器。必要时关闭 VS Code 后重新打开项目文件夹。
问题 5：GPU 显示 False
排查顺序固定为：nvidia-smi → Python 环境 → PyTorch/TensorFlow 安装命令 → Notebook Kernel。不要只盯着 Jupyter 设置。
新手推荐配置模板
轻量学习模板
| python -m venv .venv source .venv/bin/activate # Windows 用 .\.venv\Scripts\activate pip install jupyterlab notebook ipykernel numpy pandas matplotlib scikit-learn python -m ipykernel install –user –name learn-ai –display-name “Python (learn-ai)” jupyter lab |
AI 大模型实验模板
| conda create -n llm-lab python=3.11 -y conda activate llm-lab pip install jupyterlab ipykernel transformers datasets accelerate sentencepiece # PyTorch 请按官网选择器安装 CPU 或 CUDA 版本 python -m ipykernel install –user –name llm-lab –display-name “Python (llm-lab)” jupyter lab |
服务器远程实验模板
| conda create -n server-ai python=3.11 -y conda activate server-ai pip install jupyterlab ipykernel torch transformers pandas matplotlib python -m ipykernel install –user –name server-ai –display-name “Python (server-ai)” jupyter lab –no-browser –port=8888 |
FAQ 常见问答
Jupyter Notebook 和 JupyterLab 选哪个？
新手可以从 JupyterLab 开始，因为它界面更现代，能同时打开 Notebook、终端和文件。经典 Notebook 更轻量，但长期看 JupyterLab 更适合完整实验工作流。
一定要安装 Anaconda 吗？
不一定。Anaconda 简单但体积大；Miniconda 更轻量；venv 更干净。个人 AI 项目推荐 Miniconda 或 venv。
为什么 pip install 了包，Notebook 里还是 import 不到？
多数是 Kernel 不是当前环境。运行 import sys; print(sys.executable) 检查路径，再重新注册 ipykernel。
Jupyter 能直接跑大模型吗？
可以，但取决于内存、显存和模型大小。Notebook 适合实验和调试，不建议把长期运行的大模型服务直接放在 Notebook 单元格里。
没有 NVIDIA 显卡能用 Jupyter 做 AI 吗？
可以。CPU 也能学习数据分析、机器学习、小模型推理和 API 调用。只有训练大模型或本地跑大模型时才强依赖 GPU。
Jupyter 可以连接远程服务器吗？
可以。推荐使用 SSH 隧道或 VS Code Remote SSH，避免直接将 Jupyter 端口暴露到公网。
Notebook 文件能发布到网站吗？
可以导出为 HTML、Markdown 或 PDF，也可以把核心内容整理成文章。正式发布前建议清理敏感路径、Token、API Key 和输出结果。
Jupyter 适合生产环境吗？
不适合作为生产服务入口。它适合探索、实验和教学；生产部署建议改成脚本、API 服务或工作流。
官方参考来源
| 来源 | 链接 |
| Project Jupyter 安装页 | https://jupyter.org/install |
| JupyterLab 安装文档 | https://jupyterlab.readthedocs.io/en/stable/getting_started/installation.html |
| 经典 Jupyter Notebook 安装文档 | https://docs.jupyter.org/en/latest/install/notebook-classic.html |
| IPython Kernel 安装文档 | https://ipython.readthedocs.io/en/stable/install/kernel_install.html |
| VS Code Jupyter Notebooks 文档 | https://code.visualstudio.com/docs/datascience/jupyter-notebooks |
| VS Code Jupyter Kernel 管理文档 | https://code.visualstudio.com/docs/datascience/jupyter-kernel-management |
| PyTorch 官方安装选择器 | https://pytorch.org/get-started/locally/ |
| TensorFlow pip 安装指南 | https://www.tensorflow.org/install/pip |
| Jupyter Docker Stacks 文档 | https://jupyter-docker-stacks.readthedocs.io/ |
| Jupyter Server 公网访问安全说明 | https://jupyter-server.readthedocs.io/en/latest/operators/public-server.html |
