Jupyter Notebook运行简单CNN模型时CPU使用率低、运行缓慢问题排查

以下是针对你的情况的具体排查方向，按优先级排序：

• 核对Jupyter与PyCharm的Python环境一致性
  先确认两个IDE用的是同一个Python解释器/虚拟环境。在Jupyter单元格中运行import sys; print(sys.executable)，在PyCharm的终端也执行同样命令，对比路径是否完全一致。如果Jupyter用的是默认环境，而PyCharm用了配置好的虚拟环境，就会出现依赖（比如TensorFlow/PyTorch）版本或编译优化不一致的情况，导致性能差异。解决方法是在Jupyter中切换内核到PyCharm使用的环境。

• 强制深度学习框架启用多线程支持
  新CPU核心数多，但Jupyter环境下框架可能默认限制了线程数，导致CPU利用率上不去。以TensorFlow为例，运行以下代码检查并设置线程数：

  import tensorflow as tf
  # 查看当前线程配置
  print("Inter-op threads:", tf.config.threading.get_inter_op_parallelism_threads())
  print("Intra-op threads:", tf.config.threading.get_intra_op_parallelism_threads())
  # 设置为CPU核心数（13900HX有24个核心，可设为20左右）
  tf.config.threading.set_inter_op_parallelism_threads(20)
  tf.config.threading.set_intra_op_parallelism_threads(20)
  

  PyTorch则用torch.set_num_threads(20)来设置，确保框架能充分利用CPU资源。

• 检查新笔记本的电源配置
  新电脑默认可能用“平衡”电源模式，CPU会降频以节省电量，导致性能无法释放。去系统电源设置里切换到“高性能”模式，再重新运行程序，观察CPU使用率是否能提升到接近100%。

• 优化Jupyter中的代码执行方式
  把整个CNN训练代码放到同一个单元格中一次性运行，避免分多个单元格分步执行——分步执行可能导致框架无法进行全局优化，或者中间变量占用额外资源。同时，去掉训练循环中的print()等频繁IO操作，这类操作会大幅拖慢运行速度，改为训练完成后统一输出日志。

• 更新Jupyter及依赖包版本
  旧版本的Jupyter或ipykernel可能存在性能bug，对新CPU架构支持不佳。运行pip install --upgrade jupyter ipykernel更新核心组件，同时确保TensorFlow/PyTorch是最新稳定版——新框架通常会针对13代酷睿这类新硬件做优化。

• 验证框架的CPU指令集优化
  13代酷睿支持AVX-512等高级指令集，如果Python或深度学习框架是通用编译版本，可能无法利用这些指令集。可以在Jupyter中运行以下代码检查TensorFlow的优化情况：

  import tensorflow as tf
  print(tf.config.list_physical_devices('CPU'))
  print(tf.test.is_built_with_avx512())
  

  如果输出False，说明没有启用AVX-512优化，可尝试安装针对该指令集编译的框架版本（比如TensorFlow的nightly构建），或重新编译框架。

内容的提问来源于stack exchange，提问作者qi jing