### 如何使用 Jupyter Notebook 进行深度学习设置与操作 #### 创建并启动 Jupyter Notebook 为了开始在 Jupyter Notebook 中进行深度学习编程，首先需要创建一个新的 Jupyter Notebook 文件。这可以通过打开已安装 Anaconda 的命令提示符或终端来实现，并输入 `jupyter notebook` 命令以启动服务器[^4]。 一旦服务器成功启动，默认情况下会在浏览器中自动加载 Jupyter 主界面。在这个界面上可以选择一个工作目录用于保存新的 Notebooks 或者浏览现有文件夹中的资源。要创建新 Notebook，点击右上角的 "New" 按钮，然后选择 Python 版本（通常是带有 PyTorch 或 TensorFlow 环境配置的那个选项），从而初始化一个新的交互式文档实例[^3]。 #### 编写和执行代码单元格 Jupyter Notebook 提供了一种直观的方式来编写和测试代码片段。每一个单独的可编辑区域被称为“单元格”，可以包含文本说明、Python 语句或其他支持的语言语法。对于深度学习任务而言，通常会先导入必要的库： ```python import torch from torchvision import datasets, transforms ``` 接着定义模型架构、损失函数以及优化器等组件；之后便可以在不同数据集上训练该模型并通过可视化手段监控其性能变化情况。每完成一部分逻辑后只需按 Shift+Enter 即可在当前活动单元格下方立即查看输出结果，便于快速迭代调试过程[^1]。 #### 数据处理与模型构建 当涉及到具体的应用场景时，比如图像分类问题，则可能还需要额外的数据预处理步骤。例如应用标准化变换到 MNIST 手写字体图片集合： ```python transform = transforms.Compose([transforms.ToTensor(), transforms.Normalize((0.5,), (0.5,))]) trainset = datasets.MNIST('~/.pytorch/MNIST_data/', download=True, train=True, transform=transform) trainloader = torch.utils.data.DataLoader(trainset, batch_size=64, shuffle=True) ``` 随后可以根据需求设计简单的全连接层或多层感知机作为初始尝试对象之一： ```python model = nn.Sequential(nn.Linear(784, 128), nn.ReLU(), nn.Linear(128, 64), nn.ReLU(), nn.Linear(64, 10), nn.LogSoftmax(dim=1)) criterion = nn.NLLLoss() optimizer = optim.SGD(model.parameters(), lr=0.003) ``` 以上展示了如何利用 Jupyter Notebook 来搭建基本框架并着手解决实际案例[^2]。