### 实现方案 为了在 Jupyter Notebook 中每次执行代码块后自动显示内存使用情况，可以利用 `IPython` 的事件系统以及 `psutil` 或者 `memory_profiler` 库来监控和报告内存状态。 以下是具体实现方法： #### 方法一：基于 `IPython` 和 `psutil` 通过注册 IPython 的 `post_execute` 事件，在每个单元格执行完毕后调用自定义函数打印当前进程的内存占用情况。 ```python import psutil from IPython import get_ipython def show_memory_usage(): process = psutil.Process() mem_info = process.memory_info() print(f"Memory Usage: {mem_info.rss / (1024 ** 2):.2f} MB") # Convert bytes to MB [^1] ipython = get_ipython() if ipython is not None: ipython.events.register('post_execute', show_memory_usage) ``` 此脚本会在每个代码块运行结束后输出当前 Python 进程的内存消耗。 --- #### 方法二：基于 `memory_profiler` 如果需要更详细的内存分析数据，可借助 `memory_profiler` 来获取逐行或整体的内存变化趋势。 首先安装依赖库： ```bash pip install memory-profiler ``` 然后编写如下代码启用全局内存监控功能： ```python %load_ext memory_profiler from IPython import get_ipython def monitor_memory(): mprof_output = %memit -r 1 -c pass # Run a dummy command to measure current memory state. print(mprof_output) ipython = get_ipython() if ipython is not None: ipython.events.register('post_execute', lambda: monitor_memory()) ``` 注意这里 `%memit` 是由 `memory_profiler` 提供的一个魔法命令用于测量特定操作引起的峰值内存需求量[^2]。 以上两种方式均能达成目标即展示每一次交互后的资源分配概况。选择其中之一即可满足需求。 --- ### 注意事项 虽然上述技术可以帮助开发者更好地理解程序运行期间的实际开销状况，但在实际应用过程中也需要注意性能损耗等问题。频繁地查询系统级指标可能会引入额外负担从而影响用户体验或者计算效率。 另外当不再需要此类特性时记得解除绑定以免长期干扰正常工作流： ```python ipython = get_ipython() if ipython is not None: ipython.events.unregister('post_execute', show_memory_usage) # Or whichever handler was registered. ```