更新时间：2026-08-31 GMT+08:00

使用JupyterLab在线开发和调试代码

在AI模型开发过程中，开发者们通常需要一个强大的交互式开发环境来支持多种开发需求，如编写Notebook、操作终端、编辑Markdown文本等。然而，传统的开发环境往往无法满足这些多样化的需求，导致开发效率低下。如何提高AI模型开发的效率和灵活性？ModelArts支持通过JupyterLab工具在线打开Notebook，开发基于PyTorch、TensorFlow和MindSpore等引擎的AI模型，这不仅满足了开发者的多样化需求，还极大地提高了开发效率。

图1 使用JupyterLab在线开发调试代码
点击放大

前提条件

已创建Notebook实例，且状态为“运行中”。

约束限制

在JupyterLab中加载文件并无严格的固定大小限制，但其实际处理能力受系统资源及配置影响。在JupyterLab左侧浏览器打开较大文本文件（如超过100MB）可能导致内存不足、界面响应迟缓或内核中断等问题。为保证使用流畅性与稳定性，建议打开的单个文件大小不超过100MB。
系统长期平均每秒可处理最多40个JupyterLab请求，并允许在短时间内突发处理最多10个JupyterLab请求。通常情况下，如果在短时间内对同一资源池中的JupyterLab进行超过10次操作，将会触发流量控制。

使用JupyterLab

登录ModelArts管理控制台，在左侧导航栏按需选择以下操作。
- 新版控制台：选择“模型开发与训练 > Notebook”，进入“Notebook”页面。
- 旧版控制台：选择“开发空间 > Notebook”，进入“Notebook”页面。
在“Notebook”页面的“操作”列，单击“接入环境”，在“接入方式”对话框的“WebIDE”页签，单击“JupyterLab 接入”右侧的“接入”。
进入JupyterLab页面后，自动打开ModelArts Launcher页面。您可以使用开源支持的所有功能，详细操作指导可参见JupyterLab官网文档。
图2 JupyterLab主页

不同AI引擎的Notebook，打开后ModelArts Launcher页面呈现的Notebook和Console内核及版本均不同，图2仅作为示例，请以实际控制台为准。
准备训练数据和代码文件，上传到JupyterLab中。具体参见上传本地文件至JupyterLab。
您也可以直接在JupyterLab中新建文件来调试代码，代码示例请参见JupyterLab代码示例。
图3 文件上传按钮
在左侧导航双击打开上传的代码文件，在JupyterLab中编写代码文件，并运行调试。关于JupyterLab的使用，请参见JupyterLab常用功能介绍。

如果您的代码文件是.py格式，请新打开一个.ipynb文件，执行%load main.py命令将.py文件内容加载至.ipynb文件后进行编码、调试等。
在JupyterLab中直接调用ModelArts提供的SDK，创建训练作业，上云训练。
调用SDK创建训练作业的操作请参见调用SDK创建训练作业。

JupyterLab代码示例

本示例展示基本的数据处理和可视化。将生成一些随机数据，并使用线性回归模型进行拟合，最后绘制结果图。

在“ModelArts Launcher”页面的“Notebook”区域，单击目标运行环境。
下文以PyTorch运行环境为例进行说明。

图4 打开PyTorch
执行以下命令，查看是否已安装numpy和pandas库。如果未安装，则自动安装指定版本的库（版本号可按需修改）。
```
!pip show numpy pandas || pip install -q numpy==1.24.2 pandas==1.5.1
```
如下图所示，出现版本信息，表明已安装numpy和pandas库。

图5 查看库信息

在命令左侧，单击图标，执行命令。

运行以下代码。

这段代码将生成一些随机数据，使用线性回归模型进行拟合，并绘制结果图。

# 导入必要的库
import numpy as np
import matplotlib.pyplot as plt
from sklearn.linear_model import LinearRegression

# 生成示例数据
np.random.seed(0)  # 设置随机种子以确保结果可复现
X = 2 * np.random.rand(100, 1)  # 生成100个随机数，范围在0到2之间
y = 4 + 3 * X + np.random.randn(100, 1)  # 生成目标变量，添加一些噪声

# 创建线性回归模型
model = LinearRegression()

# 训练模型
model.fit(X, y)

# 预测
X_new = np.array([[0], [2]])  # 生成新的输入数据点
y_pred = model.predict(X_new)  # 使用模型进行预测

# 绘制结果
plt.scatter(X, y, color='blue', label='Data')  # 绘制原始数据点
plt.plot(X_new, y_pred, color='red', linewidth=2, label='Linear Regression')  # 绘制线性回归线
plt.xlabel('X')  # 设置x轴标签
plt.ylabel('y')  # 设置y轴标签
plt.legend()  # 显示图例
plt.show()  # 显示图形

图6 运行结果