一、装与起

pip install notebook，然后在一个目录里敲 jupyter notebook，浏览器会自动打开一个页面， 地址是 localhost 加一个端口。 它是个本地服务，跑在你自己的机器上，关掉命令行窗口服务就停了。 所以别把它当成「网页版 Python」，它没有云端。 书里还提了 JupyterLab，那是新一代界面，功能更多（能开终端、能拖文件）。 两者读的是同一批 .ipynb 文件，用哪个都行。

二、格子有两种

Code 格写代码，Shift+Enter 运行，结果显示在格子下面。 Markdown 格写说明，同样 Shift+Enter 渲染成标题、列表、公式。 在命令模式（格子左边蓝色）下按 A 在上面插一格、B 在下面插一格、DD 删掉当前格。 这些快捷键用熟了比点菜单快得多。 输出是跟着格子存的。所以你把 notebook 发给别人，别人能看到你的输出， 但看不到你是怎么跑出来的——这就是下一节要讲的坑。

三、它就是一个 JSON

把 .ipynb 用文本编辑器打开，会看到一个 JSON：顶层四个键——cells、metadata、nbformat、 nbformat_minor。 cells 是个列表，每一项是一格：cell_type 说明是 code 还是 markdown， source 是内容（按行拆成字符串列表），code 格还多出 outputs 和 execution_count。 知道这件事有三个好处：能在 git 里 diff（它是纯文本）、能用脚本批量改（比如清空所有输出）、 能自己程序化生成 notebook。

四、执行顺序的坑

Notebook 的每个格子共享同一个 Python 进程，变量在格子之间是活的。这很方便，也很危险。 典型场景：第 1 格写 a = 1，第 2 格写 a = a + 1。按 1→2 跑一遍，a 是 2；按 2→1 跑一遍，a 是 1。 同一份文件，两个结果。 更隐蔽的是循环引用：你在第 5 格改了第 2 格用过的一个函数，但只重跑了第 5 格， 于是后面的结果一半用旧函数一半用新函数。这种错误看代码看不出来，只有重跑才能发现。 所以规矩只有一条：交结果之前，Restart Kernel and Run All。从头按顺序跑一遍，跑得通、结果对， 才算数。

五、两个实用技巧

%matplotlib inline：让画出来的图直接嵌在输出里，而不是弹一个新窗口。 新版 notebook 默认就是内嵌，不加也多半没问题。 %%time：放在格子第一行，跑完会告诉你这一格花了多久。 测训练速度时很有用，比自己在代码里插 time 干净。 书里那个 POINT 讲的是 Mac 上的执行方式——Mac 上装完 Jupyter 可能需要python3 -m jupyter notebook， 因为 jupyter 这个命令可能没进 PATH。

六、动手 Demo：它是一个 JSON 文件

用代码生成一个最小 notebook（两格），存盘、读回来、数数它有几个 cell、多少行代码； 然后用 exec 模拟「同样的两格、换顺序跑」会发生什么。

import json

nb = {
    "cells": [
        {"cell_type": "markdown", "metadata": {},
         "source": ["# 第一个 Notebook\n"]},
        {"cell_type": "code", "execution_count": 1, "metadata": {},
         "outputs": [], "source": ["a = 1\n"]},
    ],
    "metadata": {"kernelspec": {"name": "python3"}},
    "nbformat": 4,
    "nbformat_minor": 5,
}
json.dump(nb, open("demo.ipynb", "w", encoding="utf-8"),
          ensure_ascii=False, indent=1)

# 执行顺序：同一份代码，两种顺序两个结果
ns = {}
exec("a = 1", ns)          # 第 1 格
exec("a = a + 1", ns)      # 第 2 格
print(ns["a"])              # 2

实跑输出：

--------------------------------------------------------------------
使用 Jupyter Notebook：它是一个 JSON 文件
--------------------------------------------------------------------

  写了一个三格的 notebook：588 字节，39 行。
  它的顶层只有四个键：cells、metadata、nbformat、nbformat_minor

  cell 类型     个数
  --------------------
  code          2
  markdown      1

  代码行合计 6 行。**整个 notebook 就是这样一个 JSON**——
  所以它能在 git 里 diff、能被脚本读写、也能被 nbconvert 转成 html。

  真正要小心的是「执行顺序」。同样两格代码，按不同顺序跑，结果不一样：

  第 1 格：a = 1
  第 2 格：a = 2
  按 1 → 2 的顺序跑完，a = 2

  （先跑第 2 格）a = 100
  （再跑第 1 格）a = 1
  按 2 → 1 的顺序跑完，a = 1

  **同一个 notebook，两次跑出两个结果。**笔记本保存的是「格子」和「最后一次的输出」，
  不保存「执行顺序」。所以看到别人的 notebook 结果对不上，第一件事是
  Restart & Run All——从头按顺序跑一遍，才能确认结果是真的。

588 字节、39 行、2 个 code 格加 1 个 markdown 格。这就是一个 notebook 的全部—— 没有任何隐藏状态存在文件里。 顶层四个键里，nbformat 和 nbformat_minor 是格式版本号（4 和 5）。 别人打不开你的 notebook，很多时候就是版本号对不上。 后半段那个实验是关键：按 1→2 的顺序跑，a 最后是 2；按 2→1 的顺序跑，a 最后是 1。 代码一个字没变，结果变了。 现实里更糟：你不会只跑两格，而是几十格来回跳。 所以看到「书上的代码我抄了但结果不对」，第一件事不是怀疑书，是 Restart & Run All。

30 秒实验

1. 把生成出来的 .ipynb 用文本编辑器打开，找到 execution_count 这个键，看它是什么。
2. 在真实 notebook 里故意乱序跑一次，再 Restart & Run All，对比两次的输出。
3. 用 jupyter nbconvert --to script demo.ipynb 把它转成 .py，看转换成什么样。

常见误区

1. 把 notebook 当成脚本用。它是探索工具，不是程序。 要交付、要定时跑、要给别人调用，就写成 .py。
2. 不重启就一直往下跑。跑上几个小时之后，内存里堆着一堆早就删掉的东西， 结果谁也说不清是怎么来的。
3. 把大数据集读进 notebook 变量然后保存。输出里嵌着图片和表格，文件能涨到几十兆， git 一提交就再也拉不动。

工具就绪，开始看数据。下一节是 NumPy——这一节要盯住的只有一件事：形状。

• ☐ （本节完，下一节 3.3 数值运算函式库 NumPy 的使用方法）

相关笔记

• TensorFlow 与 Keras 的安装
• 41 课 · 图解深度学习 · 索引
• 📕 深度学习入门教室 · 索引