Jupyter、.ipynb、Jupyter Notebook、JupyterLab、uv run 等的概念

#2026/01/02

目录

1. 定义

  • Jupyter（通常指 Jupyter Notebook 或 JupyterLab）是数据科学和 AI 开发领域的“实验室”。
  • 你可以把它理解为一个增强版的 Web 交互式 REPL。它不仅仅能运行代码，还能将代码、运行结果（如图像、表格）、数学公式和 Markdown 文档完美融合在一个文件（.ipynb）中。

2. 为什么 AI 开发离不开它？

2.1. 基于“单元格”（Cells）的运行模式

不同于传统的 .py 脚本必须从头运行到尾，Jupyter 将代码拆分成一个个独立的单元格。

  • 状态保留：
    • 你在第一个单元格定义了一个加载大模型的变量，运行后它会一直驻留在内存里。
  • 局部调试：
    • 你可以只修改和运行第二个单元格的绘图代码，而不需要重新加载耗时几分钟的模型。

2.2. 即时可视化

在 Web 开发中，你可能需要启动服务、打开浏览器查看 UI。
在 Jupyter 中，数据处理后的图表、模型生成的文本直接显示在代码下方。这对于观察 LLM 的 Tokenization 过程或 Loss 曲线非常直观。

2.3. 文档与代码合一

正如你现在阅读的 Sebastian Raschka 的书，他的 GitHub 仓库里全是 .ipynb 文件。这种格式能让他一边写深入浅出的原理解释（Markdown），一边放上可以直接执行的代码片段。

3. 📊 Jupyter vs 传统 IDE（如 VS Code/PyCharm）

特性Jupyter (Notebook)传统 IDE (Script)
执行流程碎片化、交互式（适合实验）线性执行（适合工程化部署）
内存状态运行后变量常驻内存程序运行完即释放
输出展示原位显示图表、多媒体内容命令行输出或弹窗
核心用途数据探索、模型训练、写教程软件开发、系统构建

4. 🚀 环境相关

既然你已经在搭建 Sebastian Raschka 的环境，Jupyter 是必不可少的。

4.1. 安装

在你激活的 uv 环境中，安装 JupyterLab：

uv pip install jupyterlab

4.2. 启动

使用 uv 运行命令，它会自动在你默认浏览器打开一个交互界面：

Bash

uv run jupyter lab

5. VS Code 里安装 “Jupyter” 扩展

你会发现 VS Code 对 Jupyter 的支持非常好。你不需要在浏览器运行，直接在 VS Code 里安装 “Jupyter” 扩展，就可以像编辑普通代码一样打开 .ipynb 文件，同时还能享受 Copilot 的强力辅助。

6. .ipynb 到底是什么？

如果你用文本编辑器（如 Sublime 或 VS Code 的文本模式）打开一个 .ipynb 文件，你会发现它本质上是一个 JSON 文件。

它里面记录了：

  • 所有的代码块（Cells）。
  • 所有的渲染文本（Markdown）。
  • 上一次运行的输出结果（包括报错信息、打印的文本、甚至是图片的二进制数据）。

7. 为什么不直接写 .py？（AI 开发的特殊性）

在传统的 Web 开发中，代码改了直接热重载（Hot Reload）就行。但在 大模型开发 中，有一个非常头疼的问题：内存挂载。

7.1. 场景对比：

  • 如果你写 .py：
    • 每次你修改一行绘图的代码，你都必须重新运行整个脚本。这意味着你需要重新加载几 GB 的模型权重、重新处理一遍数据集。在 M4 芯片上虽然快，但每次等 10-30 秒也会打断思路。
  • 如果你写 .ipynb：
    • 你可以把“加载模型”放在第一个单元格，“数据处理”放在第二个。当你修改第三个单元格的绘图逻辑时，模型依然驻留在内存里，点击运行，结果秒出。

结论： .ipynb 的核心价值在于保留内存状态，它是为了“探索”和“调试”而生的。

8. 全栈工程师的最佳实践：混合模式

既然你习惯了编辑器（VS Code），我建议你不需要切换到浏览器去用 Jupyter。

8.1. 方案 A：在 VS Code 里直接用 Notebook（推荐）

VS Code 内置了完美的 Notebook 支持。

  1. 直接打开书中的 .ipynb 文件。
  2. VS Code 会用类似 Notebook 的 UI 显示它。
  3. 好处：你可以享受 Copilot、代码跳转、以及你熟悉的快捷键，同时拥有“分块运行”的能力。

8.2. 方案 B：使用 Python 交互式窗口（Interactive Window）

如果你坚持写 .py 文件，但又想要 Notebook 的功能，可以在 .py 文件里使用特殊的注释 #%%：

`#%%` 加载模型（运行后模型会留在内存）
import torch
model = load_model() 

`#%%` 测试模型（改这里不需要重新加载模型）
output = model("Hello")
print(output)

VS Code 会识别 #%% 并允许你逐块发送到右侧的交互窗口运行。

9. 什么时候该把代码转成 .py？

当你的实验结束，代码逻辑已经定型，需要进行以下操作时，请务必转成 .py：

  1. 版本控制：.ipynb 的 JSON 格式在 Git 里的 diff 简直是灾难。
  2. 自动化训练：在服务器上跑长时间的预训练任务。
  3. 模块化调用：当你想封装一个 tokenizer.py 给其他服务调用时。

10. 🛠️ 给你的建议

作为正在读这本书的你：

  1. 阅读阶段：
    • 直接使用 VS Code 打开书中的 .ipynb。因为作者 Sebastian 在里面写了大量的原理解释，这比单看代码注释要清晰得多。
  2. 练习阶段：
    • 你可以自己建一个 playground.ipynb 来随手测试。
  3. 重构阶段：
    • 当你学完第二章，尝试自己写一个 data_loader.py。

11. Jupyter Notebook 和 JupyterLab 的区别

简单来说：Jupyter Notebook 是“文档格式”和“单一编辑器”的代称，而 JupyterLab 是承载它的“下一代集成开发环境（IDE）”。

作为全栈工程师，你可以把它们的关系类比为：

  • Notebook (.ipynb)：好比是 HTML 文件（底层格式）。
  • Jupyter Notebook (Classic)：好比是 Notepad（只能打开一个文件的简单编辑器）。
  • JupyterLab：好比是 VS Code（可以开多个标签页、有终端、有文件管理器的完整工作站）。

11.1. 核心区别：工具 vs 平台

特性Jupyter Notebook (经典版)JupyterLab (现代版)
定位简单的 Web 页面，一次只能开一个 Notebook模块化的 IDE，可以在一个窗口管理整个项目
界面标签页式（每个文件占一个浏览器标签）窗口式（类似 IDE，左侧文件树，右侧多页签）
功能集成仅限运行代码块集成终端、Markdown 预览、CSV/图片查看器
扩展性插件系统较老且难以管理拥有非常现代化的扩展系统

11.2. 它们如何协作？

  1. 底层文件通用：无论你用哪一个，操作的都是 .ipynb 文件（JSON 格式）。
  2. 共用内核（Kernel）：它们都连接到同一个后台 Python 进程。
  3. 官方现状：Jupyter 官方团队目前已经将开发重心完全转向 JupyterLab，它被定位为前者的接班人。

11.3. 对全栈工程师来说，JupyterLab 强在哪里？

JupyterLab 的多任务处理能力能让你非常爽：

  • 多窗口分屏：
    • 你可以左边开着 chapter2.ipynb（看原理），右边开一个 playground.ipynb（自己练手），底部再开一个终端（运行 pip 或 git 命令）。
  • 更好的文件管理：
    • 左侧有类似 VS Code 的目录树，可以直接拖拽文件。
  • 实时 Markdown 预览：
    • 写文档时可以像编辑器一样实时看到效果。

11.4. 关键点：你在 VS Code 里用的是什么？

由于你习惯使用 VS Code，你其实已经跳过了这两个工具的纠结。

  • 当你在 VS Code 里打开 .ipynb 时，VS Code 使用的是它自己开发的 UI 来渲染 Notebook。
  • 它既不是 JupyterLab 官网那个界面，也不是经典 Notebook 的界面，但功能上涵盖了两者，且完美集成了 VS Code 的插件生态。

11.5. 💡 总结与建议

  • 如果你想在浏览器里玩：
    • 直接选 JupyterLab。安装命令是 uv pip install jupyterlab，启动命令是 uv run jupyter lab。
  • 如果你想效率最高：留在 VS Code。
    • 你会发现 VS Code 处理 .ipynb 比浏览器更流畅。
    • 你可以直接把代码从 .ipynb 复制到旁边的 .py 文件，或者利用 VS Code 的“交互式窗口”功能。

12. uv run jupyter lab 和 jupyter notebook 这两个启动的命令有什么区别？

由于你使用的是 uv，这两个命令不仅启动了界面，还确保了 Jupyter 运行在你当前项目定义的虚拟环境中。

12.1. 核心区别：IDE 与 单文档

特性uv run jupyter labuv run jupyter notebook
界面定位下一代 IDE（集成开发环境）经典单文档编辑器
窗口管理支持在一个浏览器页签中分屏、多签一个浏览器页签只能打开一个文件
集成工具内置终端、文件浏览器、图片查看器功能单一，专注于代码块运行
推荐人群需要同时处理多个脚本、模型、数据的工程师只需要临时运行一个演示文档的人

12.2. uv run 在这里的关键作用

不管你后面接的是 lab 还是 notebook，前缀 uv run 对你这个全栈工程师来说非常重要：

  • 内核自动匹配：
    • 它会自动将你的 Python 虚拟环境（.venv）注册为 Jupyter 的 Kernel。
  • 无需重复安装：
    • 只要你的 pyproject.toml 或 requirements.txt 里有这些包，uv run 就能确保 Jupyter 找得到它们。
  • 依赖隔离：
    • 它不会去污染你 Mac Pro M4 的全局 Python 环境，一切都留在项目目录里。

12.3. 对于复刻 Sebastian 代码的你，该选哪个？

既然你现在正在通过**手敲（复刻）**的方式学习，我强烈建议使用：

uv run jupyter lab

原因如下：

  1. 左侧文件树：你可以一边看着 data/ 目录里的 .txt 文件，一边在 src/ 里敲代码。
  2. 分屏对照：你可以在 JupyterLab 里左右分栏，左边打开作者的 ch02.ipynb 作为参考，右边打开你自己新建的 my_ch02.ipynb 手敲。
  3. 集成终端：你可以直接在界面下方的终端里运行 git status 或者 uv pip install，不需要切换窗口。

12.4. 💡 进阶：如果你已经在 VS Code 里装了插件

如果你已经安装了前面提到的 VS Code Jupyter 插件，你其实根本不需要运行这两个命令。

  1. 直接在 VS Code 里点击 .ipynb 文件。
  2. VS Code 会自动询问你使用哪个内核，你选择 .venv 下的 Python。
  3. 结果：你获得了一个比 JupyterLab 更快、更符合全栈开发习惯的界面。

13. 现在专业选手，使用 vscode 还是使用jupyter lab？

这是一个非常深刻的问题。作为一名全栈工程师，你会发现 AI 领域的“专业选手”其实分为两派，但趋势已经非常明显。

直接给结论：现在的“专业选手”（尤其是具备工程背景的机器学习工程师）绝大多数已经全面转向 VS Code（配合 Jupyter 插件）。

13.1. 为什么“工程派”专业选手首选 VS Code？

在全栈开发和大模型实战中，代码最终是要跑在生产环境的。VS Code 实现了从“实验室”到“工厂”的无缝切换。

  • 混合开发能力（Hybrid Workflow）：
    • 是专业选手最看重的。你可以左边开着 .ipynb 做实验（测试分词逻辑），右边开着 .py 写正式的类（封装 Tokenizer）。
    • 在 VS Code 里，这两个文件共享同一个内核，你可以无缝复制代码。
  • 极致的 AI 辅助：
    • 在 VS Code 里，你可以使用 GitHub Copilot 或 Cline (Claude Dev)。当你手敲 GPTDatasetV1 遇到逻辑问题时，AI 可以直接读取你的整个项目上下文提供建议。
    • Jupyter Lab 的插件系统在这方面远逊于 VS Code。
  • 调试能力（Debugging）：
    • Jupyter Lab 的调试器相对简陋。而在 VS Code 中，你可以像调试 Node.js 或 Go 一样，在 Python 代码里打断点、查看变量堆栈、单步执行。
    • 这对理解复杂的滑动窗口切片逻辑非常有帮助。
  • 版本控制（Git）：
    • 对于专业选手，代码不在 Git 里等于没写。VS Code 有极致的 Git 集成，配合 nbdime 等工具，可以处理原本很难对比的 .ipynb 文件差异。

13.2. 谁还在坚持使用 Jupyter Lab？

Jupyter Lab 并没有消失，它在以下场景依然是“专业选手”的选择：

  • 纯科研/学术界：很多论文作者、数学家更喜欢纯粹的、无干扰的文档环境。
  • 展示与协作：如果你在做一个演示，或者需要利用一些复杂的交互式微调插件（ipywidgets），Jupyter Lab 的 Web 端渲染有时更稳定。
  • 远程重设备环境：在一些超大规模算力集群上，管理员可能只开放了网页端的 Jupyter 接口。

13.3. 对你（Macbook Pro M4 用户）的终极建议

既然你习惯了 Obsidian 的 Markdown 风格，追求手感，且拥有 M4 这种顶级生产力工具，你的最佳组合应该是：VS Code + Python 交互式窗口（Interactive Window）。

13.3.1. 为什么这是“大神级”操作？

你不需要新建 .ipynb 文件，而是直接新建一个普通的 .py 文件，然后利用 #%% 注释：

  1. 手感一流：
    • 你在写真正的 .py 代码，这符合你全栈工程师的本能。
  2. 分块运行：
    • 点击代码上方的 “Run Cell”，结果会像 Notebook 一样弹出在右侧。
  3. 直接复用：
    • 当你手敲完第二章的所有逻辑，你的代码直接就是一个可以直接被 import 的模块，不需要从 Notebook 里导出。