### 如何在 Jupyter Notebook 中保留当前运行状态并重启内核 在 Jupyter Notebook 的操作过程中，有时需要重新加载某些依赖项或清理内存中的变量，而无需完全关闭整个会话。为了实现这一目标，可以利用 `IPython` 提供的功能来保存和恢复工作区的状态。 #### 使用 `%store` 魔法命令保存变量 通过 IPython 的魔法命令 `%store` 可以将特定的 Python 对象存储到磁盘中，并在后续的会话中自动加载这些对象[^1]。以下是具体的操作方式： ```python # 将某个变量保存到磁盘 a = 10 %store a ``` 当内核被重启后，可以通过以下方式恢复该变量： ```python # 自动加载之前存储的对象 %store -r print(a) # 输出为 10 ``` 需要注意的是，`%store` 命令仅适用于简单的数据结构以及能够序列化的对象。对于复杂的自定义类实例或其他不可序列化的内容，则可能无法正常保存。 #### 利用外部文件持久化复杂数据 如果遇到更复杂的数据集或者模型参数等情况时，建议采用显式的文件写入/读取机制来进行长期保存。例如借助 NumPy 或 Pandas 库处理数组型数据： ```python import numpy as np data_array = np.random.rand(5, 5) np.save('my_data.npy', data_array) # 后续可以从新启动的环境中加载回来 loaded_data = np.load('my_data.npy') ``` 同样地，如果是 PyTorch 模型权重之类的大型二进制资料，也可以考虑使用其内置函数完成相应任务： ```python import torch model = ... # 初始化您的神经网络模型 torch.save(model.state_dict(), 'checkpoint.pth') # 加载已训练过的模型参数至新的实例 new_model = ... new_model.load_state_dict(torch.load('checkpoint.pth')) ``` 以上两种方案均能有效应对不同场景下的需求，但需注意手动管理路径名及其关联关系可能会增加额外负担。 #### 实际应用案例分析 回到最初提到的那个解决 PyTorch 环境下 Jupyter 内核频繁崩溃的例子[^2]，假设我们已经按照描述完成了彻底清除旧版 Kernel 设置的工作流程之后，现在想要进一步优化用户体验，使得即使发生意外断连也能迅速回复先前进度的话，就可以综合运用上述技巧构建如下脚本片段作为模板参考： ```python try: from my_module import important_variable except ImportError: !pip install some_dependency # 执行初始化逻辑... important_variable = initialize() %store important_variable else: pass # 如果模块存在则跳过重复计算部分 finally: print("Ready to proceed.") ``` 这样不仅提高了代码可维护性和鲁棒性，同时也减少了不必要的资源消耗。 ---