pytorch安装|conda安装后jupyter找不到|macbook中jupyter打开显示空白页面

最新推荐文章于 2026-07-04 13:01:11 发布

原创

最新推荐文章于 2026-07-04 13:01:11 发布 · 1.2k 阅读

收录于

当前文章被以下社区和专栏收录：

pytorch在macbook安装相关

1. 问题描述
- 没成功的尝试
- 简要回答
2. 创建新环境
3. 安装pytorch
4. jupyter在浏览器不显示
5. 参考网页

1. 问题描述

在conda中创建环境，但jupyter中不显示，仍然是ipykernel的原因是，jupyter在anaconda的文件中，建立的环境在anaconda->env->“环境名”中，所以找不到。windows有搜到其他方法，连接一下之类的。在macbook中可以按照下面的方法试一下

没成功的尝试

使用ipykernal的设置，也没有用

简要回答

安装后jupyter不显示对应环境不知道为什么，不过按照下面的方法可以
安装后不显示jupyter页面可能是safari的问题，换成chrome就可以了

2. 创建新环境

默认已经安装好conda

conda create -n deeplearning python=3.11 numpy matplotlib pandas jupyter notebook

如果用的清华源，显示安装失败的话，去清华源的网站上看下，可能是python包版本太老了。比如说，在这里用3.8,3.9就不行了，所以如果按照想要稳定一些的老版本的想法，更改这里的python版本可能是不可行的。

3. 安装pytorch

去pytorch的官网，选择对应的系统和conda还是pip，获得代码，使用对应代码安装
https://pytorch.org/get-started/locally/

4. jupyter在浏览器不显示

我进行了三个操作

标签

#pytorch #conda #jupyter

最低0.47元/天解锁文章

确定要放弃本次机会？

福利倒计时

: :

立减 ¥

普通VIP年卡可用

立即使用

wlsccc

关注关注

4
点赞
踩
10

收藏

觉得还不错? 一键收藏
0
评论
分享

复制链接

分享到 QQ

分享到新浪微博

扫一扫
举报

举报

Win10+Anaconda搭建torch1.3.1gpu环境使用jupyter notebook

laicikankna的博客

05-15

845

在Anaconda搭建虚拟环境 conda create -n py37_torch131 python=3.7 激活环境并从清华源加载所需的库 conda activate py37_torch131 conda install pytorch=1.3.1 torchvision cudatoolkit=10.0 pip install jupyter tqdm opencv-python matplotlib pandas -i https://pypi.tuna.tsinghua.edu.cn/

LLaMA3本地部署实战：Conda环境、Jupyter调试与CUDA兼容性

weixin_30920853的博客

06-23

396

大型语言模型（LLM）本地部署的核心挑战，往往不在模型本身，而在底层运行环境的协同一致性。理解Conda环境隔离机制、CUDA运行时与PyTorch版本的ABI兼容性、Python解释器对加速库（如FlashAttention-2）的支持边界，是实现稳定推理的前提。Jupyter Lab凭借其状态持久化、多面板监控和交互式调试能力，成为LLaMA3开发的事实标准IDE。本文聚焦LLaMA3 8B/70B在消费级GPU上的可复现部署路径，深入解析conda环境原子性、device_map智能分片、chat_t

参与评论您还未登录，请先登录后发表或查看评论

jupyter打开后空白页

weixin_63809627的博客

10-08

5115

(u'')：引号内输入对应浏览器的路径，建议输入目标路径。如有需要则输入y表示同意生成配置文件并显示位置，已有的则直接输出文件地址。'chrome'：引号内为将设定默认打开的浏览器名称。输入以上代码注意第二行的格式，删除不必要的换行。非正常打开后仅有上标题，其他内容均为空白。针对这个试了很多种方法，建议正确安装后。

解决jupyter Notebook打开空白及需要输入token的问题

书生的日常

11-19

5848

在调试代码的时候，一般我们会在Notebook中进行分步调试。今天在打开notebook的时候，显示是空白，而且点击new的时候没有出现已经安装的环境进一步刷新后出现需要输入password或者token的页面查看了很多资料后，我基本把问题定位在了浏览器的cookies上，具体如何配置浏览器参考Jupyter Notebook修改文档路径和浏览器设置,这里不再过多介绍针对浏览器的cookies问题，Stack Overflow上解释的原因可能是因为上次结束未保存直接中断而导致浏览器的cookie

jupyter notebook浏览器打开空白

聂小星

03-27

2422

最近在使用Jupyter Notebook学习keras，通过anaconda终端打开Jupyter，在Google浏览器上打开显示空白页，产生此类问题的原因很多： 1.浏览器问题：使用Google浏览器可以解决，Google不是默认浏览器，可以把终端url链接复制粘贴在Google中打开，如下图： 2.jupyter notebook版本问题：使用低版本的jupyter可以解决，版本更换...

解决jupyter notebook打开出现浏览器空白

最新发布

weixin_31856057的博客

07-04

267

Python开发环境在macOS上的稳定性，首先取决于底层架构兼容性与环境隔离机制。Apple Silicon（ARM64）与Intel（x86_64）指令集差异导致Rosetta翻译层性能损耗和运行时行为不一致；而conda环境管理的核心价值，正在于通过独立PATH注入和shell初始化实现Python解释器与包依赖的精准绑定。本文聚焦macOS平台下Anaconda/Miniforge安装过程中的三大技术关键点：基于uname -m与platform.machine()的双校验架构识别、SHA256校验

AI学习者生存地图：从报错红字到绿色输出的实操指南

weixin_30617797的博客

06-26

328

在AI工程实践中，'知道'与'做到'之间存在显著断层——典型如pip安装后ModuleNotFoundError、CUDA版本冲突、GGUF模型加载失败等高频问题，往往源于环境配置、量化参数选择、框架API变更等底层细节。理解PyTorch CUDA绑定机制、llama.cpp量化原理及LangChain OutputParser演进逻辑，是突破卡点的关键。这类问题不具备理论深度，却直接决定本地部署、RAG搭建、模型微调能否落地。本文聚焦Windows+conda+llama.cpp技术栈下的真实报错现场，

Vicuna-13B本地部署实战：4-bit量化+FastAPI生产级API搭建

weixin_34301132的博客

06-23

445

大语言模型（LLM）推理正从云端向边缘和本地迁移，轻量级开源模型如Vicuna-13B成为落地首选。其核心原理在于基于LLaMA架构的高质量对话微调，结合4-bit量化技术显著压缩模型体积与内存占用，使消费级硬件（如M1 Mac、16GB内存设备）具备稳定运行能力。该技术路径规避了Transformers高显存依赖与Python GIL瓶颈，通过llama.cpp（C/C++推理引擎）与FastAPI（异步Web框架）协同，实现高并发、低延迟、可监控的API服务。典型应用场景包括CRM智能辅助、内部知识库问

机器学习书单推荐：2022年硬核实操验证的阶梯式学习指南

weixin_30522095的博客

06-24

326

机器学习入门与进阶的核心挑战在于理论、代码与业务落地的断层。理解损失函数、梯度下降等基础概念是起点，但真正掌握需深入其数学原理与工程实现的映射关系；技术价值体现在能否将公式转化为可调试、可复现、可解释的代码逻辑；典型应用场景覆盖电商销量预测、医疗影像分析、金融风控建模及自动驾驶感知优化。本文聚焦‘认知阶梯’模型，围绕Hands-On Machine Learning、Deep Learning（Goodfellow）、Neural Networks and Deep Learning（Nielsen）和In

Python工程选型的四大核心理由：效率、集成、交付与调试

weixin_29758911的博客

07-04

210

Python作为主流通用编程语言，其核心价值不在于语法优雅或性能极致，而在于降低软件工程全链路的认知负荷与协作熵增。从基础概念看，它依托解释执行与动态类型实现快速反馈；原理上，标准库完备性、pip包管理成熟度及C API胶水能力构成底层支撑；技术价值体现为显著缩短‘想法→可运行代码→生产服务’的路径长度；典型应用场景覆盖数据采集脚本、多系统集成桥接、Jupyter原型直出API、以及高信息密度的错误定位；本文聚焦四个经产线验证的硬核理由——零配置启动、胶水能力密度、原型即生产、错误反馈零距离，深入剖析其在真

MLOps工程师实战能力地图：从本地混乱到生产自治

weixin_30565199的博客

07-02

326

MLOps（机器学习运维）是实现模型生命周期管理的关键工程范式，其核心在于将机器学习从实验性代码转化为可重复、可协作、可监控的生产级软件系统。它融合了CI/CD自动化、模型注册中心（Model Registry）、数据与模型漂移检测等关键技术，解决传统机器学习中环境不一致、实验不可复现、上线流程黑盒等典型痛点。技术价值体现在加速模型交付周期、保障线上稳定性、满足GDPR等合规要求，并支撑推荐系统、智能风控等高并发实时场景。本文聚焦2023年轻量化实践路径，以MLflow、Docker、FastAPI为技术主

DeepSeek-R1本地部署实战：Ollama+Cherry Studio零基础启动指南

adiking520110的博客

06-20

434

大语言模型（LLM）本地运行已成为AI应用的基础能力，其核心在于轻量级推理运行时与友好交互界面的协同。Ollama作为专为本地部署优化的Go语言运行时，规避了Docker环境复杂性和Python依赖冲突，显著降低硬件门槛；Cherry Studio则通过内建调试面板、实时Token监控和Agent模式，将RAG、文档解析等高级能力封装为可视化操作。二者结合，使DeepSeek-R1这类国产高性能模型得以在消费级设备（如RTX3060、M1芯片甚至树莓派）上稳定运行。本文聚焦真实新手场景，覆盖Windows/

2026年Python数据科学IDE选型指南：聚焦工作流闭环与数据感知能力

weixin_32175665的博客

07-04

241

Python IDE已从代码编辑工具演进为支撑数据科学全生命周期的智能开发环境。其核心价值在于构建‘数据认知闭环’——即在数据加载、探索、建模、调试、协作等环节中，实现元数据自动感知、上下文智能响应与跨工具语义协同。尤其在DataFrame实时诊断、SQL-Python无缝流转、Notebook生产化重构等关键能力上，不同IDE展现出显著差异。DataLab强调零配置协作与数据即所见，JupyterLab提供模块化实验架构，Spyder专注代码质量与内存可控性，Visual Studio深度整合企业云基础设

AWS AI工程化落地：从SageMaker Canvas到CodeWhisperer的闭环工作流

weixin_34265814的博客

06-17

387

AI工程化正从‘模型为中心’转向‘工作流为中心’，其核心是将机器学习开发中的重复性劳动（如数据预处理、API封装、权限配置）沉淀为可复用的平台能力。这一范式迁移依托于标准化的数据接口、声明式的部署逻辑与语义感知的编程辅助，显著降低业务人员参与AI应用构建的门槛。Amazon SageMaker Canvas实现无代码建模与可视化交付，Amazon CodeWhisperer提供符合云安全规范的智能代码生成，二者协同打通‘分析—验证—部署—监控’全链路。在零售销量预测、金融风控等典型场景中，端到端交付周期可从

GCP远程开发实战：VS Code通过Remote-SSH完整复刻本地IDE体验

weixin_30666401的博客

06-04

1289

VS Code远程开发是一种将编辑器前端与计算后端分离的现代化开发范式，其核心原理是利用SSH协议建立安全隧道，使本地客户端能无缝访问远端Linux环境的文件系统、进程、终端及调试能力。相比Code Server等Web方案，Remote-SSH保留了完整的VS Code扩展生态、原生调试器支持和系统级集成能力，技术价值在于实现开发环境的可复制性、零本地依赖与跨设备一致性。典型应用场景包括AI模型训练、大数据处理、团队标准化开发以及低配设备（如M1 Air、iPad）承载高负载任务。本文聚焦Google C

GitHub Codespaces：可复现云开发环境的工程实践指南

dgqvhtlwq472235338的博客

06-23

438

云开发环境是现代软件工程中保障可重现性与跨团队协作一致性的关键技术基础设施。其核心原理在于将开发环境（OS、运行时、依赖、工具链）通过声明式配置（如devcontainer.json）容器化封装，并在云端按需实例化，实现环境即代码（IaC）的落地。这种范式显著降低‘在我机器上能跑’类问题，提升CI/CD可靠性与新人上手效率。典型应用场景包括多平台协作、开源教育、边缘AI开发及合规敏感项目。GitHub Codespaces作为深度集成GitHub生态的成熟方案，以零本地依赖、秒级启动、完整Linux运行时和

数据科学封面图的视觉决策链：从认知原理到工程化流程

weixin_33709590的博客

06-24

291

在数据科学内容传播中，封面图并非装饰元素，而是影响用户点击与理解效率的关键‘首层特征’。其本质是通过人类视觉系统的三次降维（物理层边缘识别→语义层概念映射→意图层价值判断），将高维图像转化为可被快速解码的信息载体。这一过程直接关联诊断型、流程型、对比型和隐喻型四类核心图谱的选择逻辑，并受负空间设计、真实数据注入、跨设备渲染等工程实践约束。尤其在技术科普与工程落地场景中，封面图承担着降低认知负荷、建立专业信任、强化方法论传达的核心价值。本文基于372篇爆款数据科学推文的实证分析，揭示如何用数据思维选图、用AB

AI项目管理：用DVC+MLflow+W&B+GitHub Actions构建计算状态驱动的协同操作系统

weixin_30512043的博客

06-17

396

在数据科学与机器学习工程中，'项目管理'本质上是管理可复现、可验证、可追溯的计算状态——而非传统任务进度。其核心原理在于将代码、数据、模型、实验指标统一为带哈希标识的不可变资产，并通过DAG建模依赖关系，实现环境无关的版本化协作。这种范式显著提升模型复现率、缩短迭代周期、降低跨角色沟通成本，尤其适用于计算机视觉、工业质检、医疗影像等强数据依赖型AI落地场景。本文聚焦DVC数据管道编排、MLflow模型生命周期治理、W&B调试过程可视化及GitHub Actions自动化门禁四大开源工具的深度协同实践。