Jupyter Notebook运行导入语句时内核持续崩溃排查

逐行单独运行导入语句是定位问题的最快方法，内核崩溃本质是导入过程中触发了段错误、内存/显存占满、进程强制退出类的问题，不要一次性批量运行所有导入，按以下顺序排查：

排查流程 #

• 先重启内核清空所有状态，每次仅运行单条导入语句，运行后等待5-10秒确认内核状态，触发崩溃的语句就是问题根因，排查优先级如下：
  1. 优先排查第三方官方库，排除基础环境问题，按顺序单独执行以下代码：

     import pandas as pd
     

     import numpy as np
     

     import torch
     

     import torch.nn as nn
     

     from sklearn.model_selection import train_test_split
     

     from sklearn.preprocessing import StandardScaler
     

     这部分如果触发崩溃，基本是二进制版本兼容问题：最常见的是GPU版本PyTorch和本地CUDA驱动版本不匹配，导入时直接触发段错误，可以在导入torch后立刻加device = torch.device('cpu')强制使用CPU，验证是否为CUDA兼容问题；如果是sklearn/pandas导入崩溃，基本是和numpy的版本不匹配，重装对应版本的依赖即可。

  2. 第三方库全部验证通过后，再排查自定义模块，这部分是崩溃高发区：
     先单独执行from sector import *，如果崩溃就打开sector.py检查顶层代码：Python导入模块时会自动执行所有不在类/函数定义内的顶层代码，这里如果写了无限循环、调用了os._exit()类强制退出逻辑、加载超大文件占满内存、调用了有问题的本地编译扩展，都会直接终止内核。
     再单独执行from model import MVP, LSTM_MVP，如果崩溃就检查model.py的顶层逻辑：常见问题包括顶层直接定义大张量占满显存/内存、初始化网络时调用了当前版本PyTorch不支持的算子、导入的其他次级依赖有兼容问题。
• 如果逐行单独运行所有导入都正常，批量运行就崩溃，基本是导入顺序触发的依赖冲突，最常见的是numpy、torch、sklearn的加载顺序问题，调整为先导入numpy，再导入torch，最后导入sklearn相关模块即可。

高频问题快速处理 #

• 导入torch立刻崩溃：优先排查CUDA版本匹配问题，临时方案强制使用CPU运行，彻底解决需要安装和本地CUDA驱动版本对应的PyTorch
• 导入自定义模块崩溃：直接排查对应py文件的顶层可执行代码，90%的问题都出在这里
• 导入sklearn/pandas崩溃：重装和当前numpy版本匹配的对应库即可

内容的提问来源于stack exchange，提问作者Julian Castro