企业官网建设流程全解析

ML-For-Beginners Jupyter Notebook 单元格运行后不显示输出怎么排查？

【免费下载链接】ML-For-Beginners12 weeks, 26 lessons, 52 quizzes, classic Machine Learning for all项目地址: https://gitcode.com/GitHub_Trending/ml/ML-For-Beginners

在 ML-For-Beginners 课程里打开任意 lesson 的notebook.ipynb、选中代码块点运行之后，最常见的卡点是：单元格显示已经执行，但看不到print的结果、图表或报错信息。ML-For-Beginners 的官方 TROUBLESHOOTING.md 把 "Cells are running but not showing output" 单列为一个条目，并给出了 kernel、图表显示、Jupyter server 和 VS Code 集成几类对应的处理路径。本文按"先跑通一个最小验证单元格，再按症状对号入座"的顺序，给出文档中实际支持的排查步骤；课程要求 Python 3.8 及以上并安装 Jupyter，这是排查的环境前提。

准备：用最小单元格确认"输出链路"是否通

在做任何重装、换 kernel 之前，先用一个不依赖任何数据或第三方库的单元格做基线测试。这是课程 2-Regression/1-Tools/README.md 里 "Exercise - work with a notebook" 的标准操作：

1. 打开本课程的 notebook，例如 notebook.ipynb；
2. 在代码块里输入print('hello notebook')，选中运行图标执行；
3. 课程文档给出的预期输出（文档示例）：

hello notebook

• 这一步能显示输出：说明 Jupyter 服务、kernel 和渲染链路基本正常，问题多半出在原 notebook 的具体单元格内容、执行顺序或图表配置上，直接跳到图表类输出不显示一节；
• 连最小输出都不显示：按下面的顺序继续排查。

先判断你属于哪类症状

TROUBLESHOOTING.md 把"没有输出"拆成了几个不同的现象，对应不同的处理路径，先对号再操作：

确认单元格是否还在运行，再重启内核重建输出

按文档 "Notebook Cell Issues" 条目的顺序操作：

1. 看单元格的执行标记：正在执行的单元格会显示[*]指示符。部分课程 notebook（例如时间序列课程要下载和处理数据的步骤）执行时间较长，先等它跑完再判断；
2. 如果单元格已执行完仍没有输出，执行Kernel → Restart & Run All：重启 kernel 并重新运行全部单元格，让所有输出在干净的 kernel 状态下重建；
3. 执行后逐个检查：print语句应该恢复输出；如果只有个别单元格异常，回到第 1 步单独重跑该单元格定位。

Kernel 排查：选错、缺失或无法启动

确认当前 kernel 是否正确

文档 "Kernel Issues" 给出的入口是Kernel → Change Kernel：打开后确认当前 notebook 绑定的是哪个 Python kernel，然后选择正确的 Python 版本。如果列表中缺少你正在用的环境，在已激活该虚拟环境的终端中注册：

python -m ipykernel install --user --name=ml-env

注册完成后回到 Jupyter 用Kernel → Change Kernel重新选择。

kernel 无法启动时重装 ipykernel

如果 kernel 根本起不来，按文档顺序重装并重新注册：

# Reinstall ipykernel pip uninstall ipykernel pip install ipykernel # Register the kernel again python -m ipykernel install --user

在虚拟环境里注册带显示名的 kernel

文档 "Environment and Configuration" 一节说明：包明明装好了、notebook 里却找不到，通常是 notebook 没有使用你 venv 里的 kernel。在已激活 venv 的终端中执行：

# Ensure notebook uses the correct kernel # Install ipykernel in your venv pip install ipykernel python -m ipykernel install --user --name=ml-env --display-name="Python (ml-env)"

然后按文档提示：# In Jupyter: Kernel → Change Kernel → Python (ml-env)，在 Jupyter 中切换到这个 kernel。

kernel 反复崩溃、重启

文档 "Kernel keeps dying or restarting" 给出的处理顺序：

1. Kernel → Restart；
2. Kernel → Restart & Clear Output清空输出后重来；
3. 怀疑内存问题时参照运行缓慢与内存不足的处理一节；
4. 逐个单元格运行（Try running cells individually），定位是哪段代码导致 kernel 崩溃。

图表类输出不显示：启用 inline 绘图并显式 show

print正常但 matplotlib 图表不出现时，文档 "Plotting Issues" 条目的解法是在代码中启用 inline 绘图并显式显示：

# Enable inline plotting %matplotlib inline # Import pyplot import matplotlib.pyplot as plt # Show plot explicitly plt.plot(data) plt.show()

课程里的 notebook 本身就是这么写的：2-Regression/4-Logistic/README.md 画 ROC 曲线的代码、7-TimeSeries/1-Introduction/README.md 加载电力数据的代码块都以%matplotlib inline开头。如果你的课程单元格缺少这两处中的任何一处（magic 或plt.show()），图表不会出现在 notebook 里。

关于文档中的示例结果：Logistic 一课中print(auc)打印出的 AUC 值、diabetes 数据集print(X.shape)的(442, 10)等，都是文档示例数值，只能用来确认"输出区域能正常显示内容"，不要当作固定预期结果做校验。

点 Run 完全没反应：先检查 Jupyter server

这一类现象文档单独列为 "Can't run cells - no response when clicking 'Run'"，处理顺序是：

1. 回到启动 Jupyter 的终端，确认 Jupyter server 还在运行；
2. 刷新浏览器页面；
3. 关闭 notebook 后重新打开；
4. 重启 Jupyter server。

如果问题是 notebook 页面本身打不开（"Jupyter won't launch in browser"），文档给了两条路：

# Try specifying the browser jupyter notebook --browser=chrome # Or copy the URL with token from terminal and paste in browser manually # Look for: http://localhost:8888/?token=...

即指定浏览器启动，或从终端复制带 token 的http://localhost:8888/?token=...地址手动粘贴到浏览器。

在 VS Code 中使用 notebook 的前置检查

如果你不是在浏览器而是在 VS Code 里打开 notebook，文档 "VS Code Integration" 针对 "Jupyter notebooks won't open in VS Code" 给出四步：

1. 在 VS Code 中安装 Python 扩展；
2. 安装 Jupyter 扩展；
3. Ctrl+Shift+P→ "Python: Select Interpreter"，选择正确的 Python 解释器；
4. 重启 VS Code。

运行缓慢或内核卡死的处理

kernel 长时间没有输出、提示符一直卡在[*]时，可能不是"没输出"而是内存或性能问题。文档 "Performance Issues" 给出的手段：

• Kernel → Restart释放内存；
• 关闭不用的 notebook 释放资源；
• 开发阶段用更小样本测试：df_sample = df.sample(n=1000)；
• 用 IPython magic 找耗时操作：

%time operation() # 计时单次操作 %timeit operation() # 多次运行计时

如果已经报MemoryError或 kernel 在处理数据时死亡，文档 "Common Error Messages" 给出了三类代码级处理：

# Load data in chunks for chunk in pd.read_csv('large_file.csv', chunksize=10000): process(chunk) # Or read only needed columns df = pd.read_csv('file.csv', usecols=['col1', 'col2']) # Free memory when done del large_dataframe import gc gc.collect()

其中large_file.csv、col1/col2是文档中的占位写法，替换为你自己的数据文件与列名。

验证与后续动作

排查完成后回到最小验证单元格：print('hello notebook')应再次显示hello notebook（文档示例）；然后运行目标 lesson 的 notebook，确认print输出和图表（如课程文档展示过的 scatterplot、ROC 曲线）都出现在单元格下方，这一步同时验证了 kernel、inline 绘图和输出渲染三条链路。

如果按以上路径仍无法解决，按 TROUBLESHOOTING.md "Still Having Issues?" 的建议提交 issue，包含：操作系统及版本、Python/R 版本、完整报错信息（full traceback）、复现步骤、已经尝试过的手段。

【免费下载链接】ML-For-Beginners12 weeks, 26 lessons, 52 quizzes, classic Machine Learning for all项目地址: https://gitcode.com/GitHub_Trending/ml/ML-For-Beginners