JupyterLab 3.0+调试器保姆级指南:从断点设置到变量监控的全流程演示

Jupyter如何开启Debug调试功能 断点调试是非常重要的功能,非常有助于解决开发中遇到的各种问题,掌握Debug技术,是每个程序员的基本功要求。由于需要对算子做远程调试功能,需要在jupyter中开启远程断点调试功能,特此记录。本文写作时用到的系统是Ubuntu22,Python的版本是3.8.如果要终止调试模式,再次点击右上角那个debug按钮即可。我本机安装的版本是:jupyter==1.0.0。以上就是对Jupyter断点调试的基本研究了。希望本文对大家有帮助。 阅读详情

JupyterLab 3.0+ 调试器深度实战:告别Print,拥抱可视化高效排错

如果你还在用 print() 语句来调试Jupyter Notebook里的代码,是时候升级你的武器库了。自从JupyterLab 3.0开始,官方集成的可视化调试器已经不再是那个需要复杂配置的“实验功能”,而是成为了开箱即用、功能强大的标准工具。它带来的不仅仅是断点暂停,更是一个完整的、与IDE体验看齐的交互式调试环境。想象一下,在数据清洗的循环中,你可以实时观察DataFrame每一行的变化;在机器学习模型训练的函数里,你能逐行跟踪梯度计算的过程,这一切都无需离开你熟悉的Notebook界面。

这篇文章将带你从零开始,深入探索JupyterLab 3.0+内置调试器的每一个角落。无论你是数据分析师,还是机器学习工程师,掌握这套工具都将极大提升你定位问题、理解代码执行流程的效率。我们将从环境准备开始,逐步深入到变量监控、调用堆栈分析等高级技巧,并通过一个完整的实战案例,让你彻底告别“盲人摸象”式的调试。

1. 环境准备与调试器激活

在开始之前,确保你的工作环境已经就绪。JupyterLab 3.0及以上版本默认包含了调试器前端界面,但调试功能的完整启用,还需要一个支持调试协议的后端内核。这是许多新手容易卡住的第一步。

1.1 内核选择与配置

并非所有内核都支持调试。目前,最成熟且广泛支持调试的内核是 xeus-python 和 ipykernel 6.0+。ipykernel 作为经典的Jupyter Python内核,从6.0版本开始正式支持调试协议,这使得我们可以在熟悉的ipykernel环境中直接使用调试器,无需切换内核。

推荐方案:使用 ipykernel 6.0+ 对于大多数用户,升级现有的ipykernel是最简单直接的方式。打开你的终端(或Anaconda Prompt),在对应的Python环境中执行:

# 升级 pip 和 ipykernel
pip install --upgrade pip
pip install --upgrade ipykernel

# 验证版本,确保 ipykernel 版本 >= 6.0
python -c "import ipykernel; print(ipykernel.__version__)"

如果输出版本号大于等于6.0,恭喜你,内核已经准备就绪。重启你的JupyterLab,你应该能在Notebook的右上角看到一个“小虫子”(Bug)图标,它不再是灰色,而是可点击状态。

注意:如果你在VSCode等外部编辑器中使用Jupyter扩展,可能需要在其设置中显式启用实验性调试功能(例如设置 "jupyter.experimental.debugging": true),但在原生JupyterLab中,只要内核支持,调试器是自动可用的。

1.2 认识调试器界面

启动JupyterLab并打开或创建一个新的Notebook。点击右上角的“小虫子”图标,你将进入调试模式。界面会发生几个关键变化:

  • 左侧活动栏:会出现一个“调试器”图标(通常是一个虫子或播放按钮),点击它会展开调试侧边栏。
  • 调试侧边栏:这是调试的核心控制区,通常包含以下几个面板:
    • 变量(Variables):显示当前作用域内的所有变量及其值。
    • 监视(Watch):可以添加自定义表达式,持续监控其值的变化。
    • 调用堆栈(Call Stack):显示程序执行到当前位置所经过的函数调用链。
    • 断点(Breakpoints):列出所有已设置的断点。
    • 源代码(Source):显示当前正在执行的代码文件。
  • 代码单元格:每行代码的行号左侧会出现空白区域,点击即可设置或取消断点(一个红色圆点)。
  • 调试工具栏:通常出现在Notebook顶部或侧边栏,提供控制执行的按钮(继续、单步跳过、单步进入、单步跳出等)。

为了更直观地了解不同内核对调试的支持情况,可以参考下表:

内核名称主要语言调试支持安装方式备注
ipykernelPython6.0版本后原生支持pip install ipykernel>=6推荐,最通用,与现有环境兼容性好。
xeus-pythonPython原生支持conda install -c conda-forge xeus-python性能好,专为调试设计,但可能与某些特定包存在兼容性问题。
其他内核 (如 IRkernel, IJulia)R, Julia需内核实现调试协议参考各内核文档支持情况不一,需单独确认。

如果你的“小虫子”图标依然是灰色不可用,请首先检查你的Notebook使用的内核。在菜单栏点击“Kernel” -> “Change Kernel”,确保选择的是支持调试的内核(如上面提到的Python 3 (ipykernel))。

2. 调试核心操作:从设置断点到控制执行

调试的本质是控制程序的执行流程,并在关键节点检查程序状态。JupyterLab调试器提供了一套完整的交互式控制命令。

2.1 设置与管理断点

断点是调试的锚点。在JupyterLab中,设置断点异常简单:

  1. 点击行号左侧:在代码单元格中,将鼠标移动到行号左侧的空白处,点击一下。你会看到一个红色实心圆点出现,表示断点已设置。
  2. 再次点击:可以取消该断点。
  3. 条件断点(高级):目前JupyterLab原生界面暂不支持直接设置条件断点(如 i > 5 时才暂停)。但你可以通过变通方式实现:在代码中使用条件判断配合 breakpoint() 函数(Python 3.7+),或者在未来版本中关注此功能的更新。

所有设置的断点都会在调试侧边栏的“断点”面板中列出,你可以在这里统一管理(启用/禁用/删除)。

2.2 执行控制按钮详解

当代码运行到断点处暂停后,调试工具栏的按钮就派上用场了。它们是你探索代码执行路径的遥控器。

  • 继续 (Continue - F5 / ▶️):从当前暂停处继续执行程序,直到遇到下一个断点或程序结束。
  • 单步跳过 (Step Over - F10 / ⏭️):执行当前行代码。如果当前行是一个函数调用,不会进入该函数内部,而是将整个函数作为一步执行完毕,然后停在函数调用的下一行。这是最常用的单步调试命令。
  • 单步进入 (Step Into - F11 / ⬇️):执行当前行代码。如果当前行包含函数调用,调试器会跳入该函数的内部,并停在函数的第一行可执行代码处。这是深入理解函数内部逻辑的关键。
  • 单步跳出 (Step Out - Shift+F11 / ⬆️):当你使用“单步进入”深入一个函数后,如果想快速执行完该函数剩余的所有代码并返回到调用它的地方,就使用这个按钮。
  • 重启 (Restart - 🔄):重新启动调试会话,所有变量状态将被重置。
  • 停止 (Stop - ⏹️):终止当前的调试会话。

让我们通过一个简单的例子来感受一下。创建一个新的代码单元格,输入以下内容:

def process_data(items):
    result = []
    for item in items:
        # 假设我们想在这里检查每次循环的处理
        processed = item * 2
        result.append(processed)
    return result

data = [1, 2, 3, 4, 5]
output = process_data(data)
print(f"Final output: {output}")
  1. 在 for item in items: 这一行设置一个断点。
  2. 点击调试工具栏的“运行单元格”(或按 Ctrl+Enter 在调试模式下运行)。
  3. 程序会在循环开始处暂停。此时,反复点击 “单步跳过 (F10)”,你会看到变量 item 和 result 在侧边栏的“变量”面板中实时更新。这比任何 print 语句都来得直观。

3. 洞察程序状态:变量、监视与调用堆栈

调试器暂停时,真正的价值在于你能洞察到程序在那一刻的完整“快照”。JupyterLab的调试侧边栏提供了多个视角来观察这个快照。

3.1 变量面板:探索当前作用域

“变量”面板以树形结构展示了当前执行暂停点所在作用域(局部、全局等)中的所有变量。对于简单数据类型(如整数、字符串),它会直接显示值。对于复杂对象,如列表、字典、NumPy数组或Pandas DataFrame,它会显示对象的类型和摘要信息。

  • 展开对象:点击变量名左侧的箭头,可以展开查看对象内部的属性和元素。例如,展开一个字典可以看到所有的键值对。
  • 查看大型数据:对于非常大的列表或DataFrame,调试器会进行截断显示以防止界面卡顿。但你通常可以点击某个条目,在右侧或弹窗中看到更详细的内容。

一个实用技巧:在变量面板中,你可以直接右键点击变量名,选择“复制值”或“复制表达式”,方便你将变量的当前状态用于后续分析或报告。

3.2 监视表达式:持续跟踪关键指标

“监视”面板是你的自定义仪表盘。你可以添加任何有效的Python表达式,调试器会在每次暂停时(包括单步执行时)自动计算并显示其当前值。

  • 何时使用:当你关心某个复杂表达式的值,或者想跟踪一个跨多个函数变化的变量时,监视表达式就非常有用。例如,在训练循环中监视 loss.item(),或者在数据处理中监视 df.shape。
  • 添加方法:在“监视”面板中点击“+”号,输入表达式,如 len(result) 或 item * 2。

提示:监视表达式是动态计算的。如果你在单步执行过程中修改了相关变量的值,监视面板中的结果也会立即更新。

3.3 调用堆栈:理清执行脉络

“调用堆栈”面板展示了程序是如何一步步执行到当前暂停位置的。堆栈的最顶部是当前正在执行的函数(和行号),往下则是调用它的函数,依此类推,直到最底层的入口点(如模块层)。

  • 理解执行路径:当你的代码涉及多层函数调用时,调用堆栈能帮你清晰地理清“我是怎么走到这一步的”。点击堆栈中的任意一层,变量面板会自动切换到该层函数的作用域,让你查看当时各个变量的值。这是一个极其强大的功能,尤其对于调试复杂的、回调函数众多的程序(如Web应用、异步任务)至关重要。
  • 实战场景:假设你在一个深度学习的 train_one_epoch 函数中遇到了一个形状不匹配的错误。通过调用堆栈,你可以回溯到是哪个数据加载函数传入了错误的数据,或者是哪个模型定义层导致了问题。

4. 实战案例:调试一个数据预处理管道

让我们将所有知识融会贯通,通过一个稍复杂的例子来演练。假设我们有一个数据清洗函数,但它的输出总是不对。

import pandas as pd
import numpy as np

def clean_and_transform(raw_data):
    """
    一个存在潜在问题的数据清洗函数。
    """
    # 1. 去除空值
    df = raw_data.dropna()
    
    # 2. 对‘age’列进行分箱处理
    bins = [0, 18, 35, 60, 100]
    labels = ['少年', '青年', '中年', '老年']
    # 假设这里我们不小心写错了列名
    df['age_group'] = pd.cut(df['ages'], bins=bins, labels=labels)  # 错误:列名是'age',不是'ages'
    
    # 3. 标准化‘income’列
    mean_income = df['income'].mean()
    std_income = df['income'].std()
    df['income_normalized'] = (df['income'] - mean_income) / std_income
    
    # 4. 过滤异常值 (假设收入大于3倍标准差为异常)
    df_clean = df[df['income_normalized'].abs() <= 3]
    
    return df_clean

# 模拟一些有问题的数据
np.random.seed(42)
data = pd.DataFrame({
    'age': np.random.randint(15, 70, 20),
    'income': np.random.normal(50000, 15000, 20),
    'name': [f'Person_{i}' for i in range(20)]
})
# 故意插入几个空值
data.loc[[3, 10], 'income'] = np.nan

print("原始数据形状:", data.shape)
try:
    result = clean_and_transform(data)
    print("清洗后数据形状:", result.shape)
    print(result.head())
except Exception as e:
    print(f"运行出错: {type(e).__name__}: {e}")

运行这段代码,你会得到一个 KeyError,提示找不到列 'ages'。但错误信息只告诉你在哪一行出错,没有告诉你为什么。现在,让我们用调试器来深入探查。

  1. 定位问题:在 df['age_group'] = pd.cut(...) 这一行设置断点。
  2. 开始调试:运行单元格。程序会在断点处暂停,但此时错误尚未发生。
  3. 检查状态:查看“变量”面板。展开 df 变量,确认其列名。你会发现列名是 'age',而我们代码中写的是 'ages'。这就是问题的根源。
  4. 修复与验证(可选):你甚至可以在调试暂停时,在底部的“调试控制台”(如果JupyterLab版本支持)或一个新的代码单元格中,临时执行命令来测试修复方案,例如 df.columns 来确认列名。
  5. 继续探索:假设我们修复了列名错误。我们可以继续单步执行,观察 df['age_group'] 的创建过程,以及后续 income_normalized 的计算和过滤逻辑,确保每一步都符合预期。

通过这个案例,你看到调试器如何让你在错误发生之前就洞察到数据的状态,从而精准定位拼写错误、逻辑错误或数据异常。这远比等到程序崩溃再去看简短的错误回溯要高效得多。

5. 超越基础:高级技巧与最佳实践

掌握了基本操作后,一些高级技巧能让你的调试工作如虎添翼。

5.1 调试已删除或历史单元格

Jupyter的一个独特之处在于代码是按单元格执行的,并且可以修改和重新运行。调试器很好地适应了这一点。如果你在调试过程中,修改了包含断点的单元格并重新执行,旧的断点可能会关联到已不存在的“历史”代码。JupyterLab调试器通常能处理这种情况,在“源代码”面板中,你可以看到一个“在主区域打开”的按钮,点击它可以查看只读的历史代码版本,方便你对照。

5.2 与外部脚本和模块协同

调试不仅限于Notebook单元格。如果你的项目结构更复杂,将部分代码写在 .py 文件中,然后在Notebook中导入使用,调试器同样可以跟踪进去。

  1. 确保你的 .py 文件位于Python可导入的路径下(例如与Notebook同一目录)。
  2. 在Notebook中导入该模块。
  3. 在 .py 文件的相应行设置断点(你需要在该文件对应的代码单元格中,通过点击行号左侧来设置,或者如果该文件在JupyterLab的编辑器中打开,也可以直接设置)。
  4. 当Notebook中的代码执行到调用该模块函数时,调试器会跳转到 .py 文件中并暂停。

5.3 调试中的代码修改与热重载

一个常见的需求是:在调试过程中发现了一个小bug,想立即修改代码并继续测试。在传统的IDE中,这通常需要停止调试、修改、重新启动。在JupyterLab中,由于其交互特性,流程更灵活:

  • 修改并重新运行当前单元格:你可以在调试暂停时,直接修改当前单元格的代码,然后重新运行该单元格。调试器会以新的代码继续执行(从当前暂停点之后开始,或者根据你的控制)。但要注意,这可能会改变后续的上下文,需谨慎使用。
  • 更安全的方式:更推荐的做法是停止当前调试会话,修改代码,然后从头开始一个新的调试会话。这样可以保证执行环境是干净和一致的。

5.4 性能考量与局限

虽然调试器强大,但也要注意其开销。在单步执行一个包含数百万次迭代的循环时,会非常缓慢。对于性能关键的代码段,更明智的做法可能是:

  • 使用条件打印或日志。
  • 缩小输入数据规模进行调试。
  • 在怀疑的代码段前后使用 %%timeit 魔法命令进行性能分析。

此外,JupyterLab调试器目前对多线程、异步编程(asyncio)和分布式计算的调试支持还比较有限或复杂。对于这些场景,可能需要结合使用专业的IDE(如PyCharm、VSCode)或更底层的调试工具(如 pdb)。

最后,记住调试的核心是提出假设并验证。调试器是你验证“代码是否按我设想的方式运行”这一假设的最有力工具。养成在编写复杂逻辑后主动设置断点、单步跟踪的习惯,不仅能快速排错,更能加深你对程序运行机制的理解。从今天起,试着在下一个数据分析或模型训练任务中,有意识地使用调试器来代替一半的 print 语句,你会立刻感受到效率的显著提升。

【避坑排雷】Jupyter 可视化调试—— JupyterLab 最新版本 debug 个人实践 可叹互联网之大,却难让初学 jupyterlab 的笔者找到一篇关于利用 jupyterlab 进行可视化调试的正确的中文入门教程,故作此文,附上个人成功实践,以供后来者参考。 阅读详情

相关推荐

JupyterLab 调试器实战指南:从基础到高级的代码诊断技术

本文将全面解析 JupyterLab 内置调试器的核心功能,涵盖环境配置、断点调试、变量监控等关键技术,并通过实际案例演示如何利用调试器提升代码质量与开发效率。JupyterLab 调试器通过直观的界面和强大的功能,显著提升了交互式开发的效率。掌握断点调试、变量监控和调用栈分析等核心技术,开发者能够快速定位并解决代码问题。建议结合等工具进行性能优化,构建更健壮的数据分析与机器学习应用。#JupyterLab #调试器 #数据科学 #代码诊断 #Python 开发。

Tekin 是深耕技术 20 年的全栈实战派专家,精通 Go/Python/Java 等多语言开发。博客专注技术原理与实战结合,深度解析 Python 高阶编程、Go 语言架构、数据库优化等硬核内容。涵盖并发编程、机器学习、云原生等前沿领域,通过真实案例拆 1718

机器学习与数学原理的必备宝典——jupyter lab的可视化调试安装

jupyter调试的重要性说明一、开始安装python二、安装jupyter(jupyterlab也会同时安装)打开jupyter看看安装成功没有三、正式安装jupyterlab可视化调试器没有conda,只有pip的安装。 说明 前言:我会使用一个全新的环境(windows10的虚拟机,里面就是刚刚装的系统)进行安装。 在此说明一下:安装jupyter是不需要特意跑去安装什么Anaconda的(本人亲试有效)。我还亲自去自己安装Anaconda这个东西(在此之前我已经安装过python3.9版本了,但是

liuyunye的博客 8425

告别print调试!JupyterLab最新调试器完整配置指南(含XPython内核问题解决)

本文详细介绍了JupyterLab调试器的完整配置与使用指南,包括XPython内核安装、常见问题解决及高级调试技巧。通过专业调试器替代传统print调试,开发者可以更高效地进行断点控制、变量监控和执行流程追踪,显著提升数据科学和机器学习项目的开发效率。

weixin_29061821的博客 242

jupyter Debug 方案

Jupyter 如何Debug

优快云_now的博客 1685

告别Print:在JupyterLab中利用官方Debugger高效定位代码问题

本文详细介绍了如何在JupyterLab中使用官方Debugger高效调试代码,告别传统的Print调试方法。通过环境搭建、基础使用指南和实战案例,帮助开发者掌握断点设置、变量监控等高级调试技巧,显著提升调试效率。特别适合数据分析师和Python开发者优化工作流程。

weixin_42552637的博客 330

JupyterLab 3.0必备:这些隐藏快捷键让你的数据分析效率翻倍

本文揭秘JupyterLab 3.0中提升数据分析效率的隐藏快捷键和调试技巧,包括核心生产力组合键、断点调试配置、文件管理黑科技等。通过优化快捷键使用习惯,可显著缩短数据处理时间,特别适合金融分析、大数据处理等场景。

weixin_42524100的博客 175

Jupyter Notebook如何调试?JupyterLab作为DeBug调试工具及调试教程

引言 xeus-python是2020年新出的Jupyter notebook调试工具,参考机器之心的文章首款 Jupyter 官方可视化 Debug 工具,JupyterLab 未来可默认支持 Debug 安装过程 安装JupyterLab 前端插件 jupyter labextension install @jupyterlab/debugger 安装xeus-python作为后端kernel conda install xeus-python -c conda-forge 调试教程 只要装好前端与

BetterBench的博客 4万+

JupyterLab 实战指南:从环境搭建到高效数据科学工作流

JupyterLab 是现代数据科学的核心开发环境,它超越传统 Notebook 的单文档范式,构建起以工作区为中心的模块化交互系统。其底层基于 Lumino 微前端架构,支持多面板协同、内核隔离、智能数据解析与原生调试器等关键能力。技术价值体现在显著降低上下文切换成本、提升跨工具协作效率,并通过插件生态(如 Git 集成、代码格式化、系统监控)实现工程化落地。典型应用场景包括多源数据清洗比对、长周期模型训练监控、教学演示与可复现报告生成。本文聚焦 JupyterLab 3.x 与 4.x 的稳定部署策略、

weixin_34087307的博客 923

告别print大法!JupyterLab 3.x + xeus-python 保姆级调试环境搭建指南(含Node.js版本避坑)

本文详细介绍了如何在JupyterLab 3.x环境中结合xeus-python内核搭建高效的Python调试环境,帮助开发者告别低效的print调试方法。通过保姆级教程和Node.js版本避坑指南,读者可以快速掌握可视化调试工具的使用技巧,显著提升代码调试效率。

weixin_42639633的博客 387

告别Print大法!手把手教你用JupyterLab Debugger插件调试Python代码(含Node.js版本避坑)

本文详细介绍了如何使用JupyterLab Debugger插件高效调试Python代码,告别低效的print调试方法。从环境配置到实战演示,包括Node.js版本避坑指南,帮助开发者掌握图形化调试工具的核心功能,如断点控制、变量检查和单步执行,显著提升调试效率。

weixin_42526101的博客 102

AutoDL服务器SSH+tmux+JupyterLab高效实操指南

GPU云服务器是AI模型训练的基础运行环境,其核心在于稳定连接、进程持久化与可视化调试能力。Linux原生SSH协议保障低延迟、高可靠远程访问;tmux会话管理实现训练任务断网不中断;JupyterLab则提供交互式代码执行、实时日志渲染与GPU资源监控闭环。这些技术组合显著降低CUDA环境配置、Docker驱动冲突、Web终端卡顿等高频故障率,广泛应用于Stable Diffusion部署、LoRA微调、CV模型训练等典型场景。本文聚焦AutoDL平台,详解SSH密钥认证、tmux会话恢复、Jupyter

weixin_30315723的博客 415

JupyterLab可视化Debug全攻略:从安装到实战调试技巧

本文详细介绍了JupyterLab可视化Debug的全流程,从环境配置到实战调试技巧,帮助数据科学家和Python开发者高效解决代码问题。通过断点管理、变量监控等核心功能,结合机器学习管道和异步代码调试案例,大幅提升调试效率。文章还提供了性能优化、团队协作建议及常见问题解决方案。

ol789012345的博客 709

数据科学家如何选对IDE:从编辑器到智能工作台的实战指南

IDE(集成开发环境)是现代软件开发与数据科学工作的核心基础设施,其本质是将代码编辑、调试、构建、版本控制等能力深度整合的智能工作台。它基于语言服务器协议(LSP)实现语义感知补全,依托调试器提供变量快照与条件断点等时空观测能力,并通过环境隔离机制保障项目可复现性。技术价值在于显著降低认知负荷、压缩反馈周期、提升协作确定性。典型应用场景覆盖Python/R建模、Jupyter探索分析、云端协同开发及IoT嵌入式调试。本文聚焦数据科学家真实工作流,结合RStudio、JupyterLab、VS Code等主流

weixin_30666401的博客 360

JupyterLab 用户手册:交互式计算环境全指南

本手册系统解析 JupyterLab 的核心功能与高级特性,涵盖环境搭建、工作流管理、协作开发等全流程操作指南。通过分步示例与深度配置解析,帮助用户快速掌握从基础操作到复杂项目管理的核心能力。本手册通过系统化的知识结构与实战案例,全面解析了 JupyterLab 的核心功能与扩展应用。从基础操作到高级配置,从本地开发到云端协作,覆盖了数据科学与机器学习工作流的全场景需求。建议读者结合官方文档()持续探索,充分发挥 JupyterLab 的无限潜力。

Tekin 是深耕技术 20 年的全栈实战派专家,精通 Go/Python/Java 等多语言开发。博客专注技术原理与实战结合,深度解析 Python 高阶编程、Go 语言架构、数据库优化等硬核内容。涵盖并发编程、机器学习、云原生等前沿领域,通过真实案例拆 1734

非线性动力学_用MatCont分析非线性动力学方程组(一)

写在前面:笔者打算写两到三篇系列文章介绍MatCont,此为第一篇《用MatCont分析非线性动力学方程组(一)》。MatCont是一个基于Matlab而开发的免费工具包,专门用来做非线性动力学模型分叉、向量场、周期性等分析,符号(连续性)运算和数值(离散性)运算均适用。该工具的开发及研究项目由比利时Ghent大学的Willy Govaerts教授、荷兰Utrecht大学的Yuri Kuznets...

weixin_39700215的博客 2770

H5获取手机相机或相册图片两种方式-Android通过webview传递多张照片给H5

H5调用公共获取图片文件方法,在android手机端,H5主要依赖Webview,这边在webview声明并重写该方法onShowFileChooser使用工具类打开相机或相册,可以两种方式安卓原生方式或者利用第三方组件库方式选中图片,返回uri列表给H5H5收到uri照片列表,并且使用前端方式展示创造价值,乐哉分享!

m0_74823947的博客 3098

JupyterLab生产力提升指南

本文详细介绍了JupyterLab的安装、配置及高效使用方法,包括基础操作、快捷键技巧、插件推荐、工作流优化和远程协作部署。通过实用案例和高级技巧,帮助数据科学家和研究人员提升生产力,实现更高效的编码和数据分析。

weixin_33875564的博客 356

CST-Python(Pycharm如何与CST联合仿真,获取S参数)

我们想使用Python与CST联合仿真,其实是不需要自己下载Python的,因为CST在下载的时候就自带了Python3.6,我们只需要找到并将软件的环境设置到相应位置,即可联合仿真。(我的保存路径为D:\Program Files (x86)\CST Studio Suite 2020,在寻找时可以将前面切换成自己的保存路径,后面不需要修改)在CST帮助文档(打开CST软件,按F11即可直接访问帮助文档)里面,进行如下操作,便可以看到CST适配的Python版本为Python3.6!

weixin_52696285的博客 5654

JupyterLab API终极指南:10分钟掌握核心模块调用技巧

JupyterLab作为下一代交互式计算环境,其强大的API系统让开发者能够深度定制和扩展功能。本文将带您快速掌握JupyterLab的核心API调用方法,从模块依赖管理到实战开发应用,帮助您轻松构建个性化开发环境。🚀 ## 理解JupyterLab的模块架构 JupyterLab采用模块化设计,主要包含以下几个核心模块: - **应用层API**:位于`packages/applicat

gitblog_00586的博客 387

YOLOv13改进:卷积魔改 | 动态蛇形卷积(Dynamic Snake Convolution),实现暴力涨点

如何跟YOLOv13结合:替代YOLOv13的DS-C3K2

①答疑群聊服务;②YOLO大模型知识问答系统;③计算机视觉论文生成智能体; 367

【GB28181】wvp-GB28181-pro++ZLMediaKit编译安装国标流媒体服务器教程(Windows平台)

本文基于ZMLMediaKit+WVP-PRO在windows平台进行编译部署GB28181平台,网上教程也比较多,都大同小异,实际操作过程中容易出错的地方也比较多:redis安装无密码,mysql安装后密码的修改以及wvp数据可的创建,配置文件侧修改,尤其是和端口相关的项,再就是运行服务时各种错误需要注意,常见的错误已经做了汇总,遇到问题大家不要怕,找到报错的地方查看定位即可。

废人一枚的博客 4479

探索 JupyterLab:交互式计算与协作的未来工具

在数据科学与机器学习领域,JupyterLab 已悄然成为开发者和研究者的首选工具。本文将从安装指南、核心功能、实际应用场景等维度全面解析 JupyterLab,并通过具体示例展示其强大的交互式计算能力。TAG:#数据科学 #机器学习 #交互式计算 #JupyterLab #协作工具。

Tekin 是深耕技术 20 年的全栈实战派专家,精通 Go/Python/Java 等多语言开发。博客专注技术原理与实战结合,深度解析 Python 高阶编程、Go 语言架构、数据库优化等硬核内容。涵盖并发编程、机器学习、云原生等前沿领域,通过真实案例拆 1148

Transformer模型在时间序列预测中的应用:价格和产量预测

Transformer模型由Attention is All You Need论文提出,并在机器翻译任务上取得了巨大成功。其主要特点是使用自注意力机制代替传统的递归或卷积操作进行序列建模。Transformer模型由编码器和解码器组成,其中编码器用于学习输入序列的表示,解码器用于生成目标序列。在时间序列预测中,我们只需要使用Transformer的编码器部分。编码器将历史数据作为输入,学习一个表示,然后使用该表示来预测未来的数值。

HnrzLinux的博客 739

VSCode+Jupyter调试神技:用Debug Adapter告别print大法(附ipykernel6.0配置)

本文详细介绍了如何利用VSCode的Debug Adapter功能与ipykernel 6.0配合,实现Jupyter Notebook的高效调试,告别传统的print调试方式。通过环境配置、调试功能对比、实战技巧和远程开发配置,帮助开发者提升调试效率,尤其适用于数据科学和算法工程领域。

o4p5q6r7s的博客 218

AI应用工程师面试指南与参考答案

摘要:AnkerAI应用工程师职位面向2024/25届毕业生,要求计算机相关专业背景,强调工程实现与技术探索能力。岗位职责包括全栈开发、AI技术整合(如大模型、图像识别)、团队AI赋能及系统优化。职位更看重编程实践能力(Python/Java等)和学习潜力,而非单纯算法知识。成功候选人将参与智能化产品开发,获得导师指导和技术成长机会。面试准备应聚焦项目经验展示、业务需求理解和技术解决方案能力,通过结构化回答和实操案例体现工程思维与创新潜力。

郑伟强dev的专栏 416

飞腾平台(FT2000/4 D2000/8)配置GPIO引脚

飞腾平台配置CPU的引脚为GPIO工作模式的方式有永久型和暂时型: - 永久型是通过UEFI中的MmioWrite32函数来实现的,该方法可以在UEFI阶段就对复用引脚的工作模式配置为GPIO,并且在进入操作系统后仍然不会发生便会; - 临时型是通过rw工具,在系统下手动修改复用引脚的工作模式,该方法在系统重启后会失效,所以是暂时型的。

qq_30135687的博客 5617
上一篇: 微信小程序定时订阅消息推送实战:从配置到Redis队列管理
下一篇: 5G工程师必看:邻道功率比(ACPR)实测中的3个常见坑与解决方案
python9snake
博客等级 码龄1天 0粉丝 1724原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符  | 博主筛选后可见
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值