P2-10.1 为什么笔记本(notebook)对学习有用¶

Section ID: P2-10.1 Version: v2026.07.20

在 Part 2 Chapter 7 中，我们已经区分了 Python 是在哪里执行的，包括 terminal、shell、interpreter、script、virtual environment。在 Part 2 Chapter 8 和 Chapter 9 中，我们通过小例子重新恢复了 Python 语法和数据结构。

现在我们单独来看 Jupyter Notebook 或 Google Colab 这类 notebook 环境。这里说的 notebook 不是纸质笔记本，而是一种把 code、output、explanation 一起保存在一个文档里的计算文档。

Notebook 在 AI 学习里尤其常见。因为你可以把公式改写成代码后立刻检查，可以打印数据表，可以画图，也可以把解释写在旁边。

这里说明 notebook、code cell、markdown cell、output 的基本区分。如果说 Chapter 7 讨论的是“在哪里执行”，Chapter 8 到 9 讨论的是“用什么句子写什么内容”，那么这里讨论的就是：如何把这些执行和计算结果一起留在一个文档里，并且以后还能重新阅读。Notebook 与其说是一种新的执行环境名称，不如说是一种把已经执行过的代码和输出打包成学习记录的格式。后面这些概念再次出现时，也可以把概念词汇表当作基准点。

在 Part 2 的流程里阅读这一章时，先抓住下面的最小线索。

把 notebook 理解成 不是新语法，而是把计算和解读放在一起的地方 就足够了。执行位置和可复现性会在 P2-10.2 与 P2-10.3 里更具体地讨论。

核心判断标准：为什么笔记本(notebook)对学习有用¶

• 能把 notebook 解释成同时包含代码、解释和输出的计算文档。
• 能区分 code cell 与 markdown cell 的角色。
• 能说明为什么 notebook 对实验和学习记录有用。
• 能说明 cell 的执行顺序和隐藏状态是 notebook 的重要注意点。
• 能说明 notebook 可以作为学习草稿使用，但反复复用的代码可能需要拆分到 script 或 module 中。

三个标准¶

Notebook 是代码和解释一起留下来的文档¶

Project Jupyter 的官方文档把 notebook 解释成：一种可共享文档，能够组合 code、plain-text explanation、data、visualization 和 interactive elements。Jupyter 架构文档也把 notebook 解释成：一种同时保存 code、output 和 markdown notes 的可编辑文档。

这里把 notebook 理解成：既是 执行代码的文档，也是 把执行结果和解释一起保留下来的学习记录。

一般的 Python script 文件通常更偏向 code。

问题场景：你想简单看看，当 script 文件里只有计算代码时，到底发生了什么执行。 输入(input)：一个学生分数列表和一个平均值计算式。 期望输出(output)：平均分会通过 print 打印出来。 要确认的概念：看到在 script 中，往往是 code 的执行本身先于 explanation。

1
2
3
4

# 这个例子展示分数数据和计算结果如何在笔记本单元中逐步累积。
scores = [82, 75, 45]
average = sum(scores) / len(scores)
print(average)

而在 notebook 里，你可以把 explanation 和 result 一起放在同一个计算前后。例如，在一个 markdown cell 里写上 在这个 cell 中，我们计算三位学生的平均分。

问题场景：你想确认，在 notebook 里计算结果可以作为 cell output 直接看到，而不只是通过 print 保存。 输入(input)：一个学生分数列表和一个平均值计算式。 期望输出(output)：cell 最后一行的 average 值会被直接显示出来。 要确认的概念：确认在 notebook 中，explanation 和 output 会一起在一个文档里被阅读。

1
2
3
4

# 这个例子展示分数数据和计算结果如何在笔记本单元中逐步累积。
scores = [82, 75, 45]
average = sum(scores) / len(scores)
average

从 output 可以立刻确认：平均值大约是 67.3。

这个差别看起来很小，但在学习里非常重要。因为 计算了什么、为什么这样计算、如何解释这个结果 都会一起留在同一个文档里。

Cell 是 notebook 的基本单位¶

Notebook 通常由 cell 组成。Cell 是文档里的小区块。

流程可以看成下面这样。

flowchart TD
  A["Markdown 单元<br/>写下问题与目标"]
  B["代码单元<br/>运行一个小计算"]
  C["输出<br/>检查结果"]
  D["Markdown 单元<br/>写下解释与下一个问题"]

  A --> B --> C --> D

Notebook 学习的核心，就是短循环地重复四步：写下问题、运行代码、看结果、留下解释。

这种方式在重新学习 AI 数学和 Python 时很有用。例如在学习 sigma、mean、variance、gradient 时，只读公式会显得抽象。而在 notebook 里，可以在下面一个 cell 中立刻用数字确认。

Notebook 很适合留下学习痕迹¶

Notebook 对学习有用的第一个原因，是它很容易留下思考痕迹。

例如学习平均值时，如果只留下最终代码，后来就很容易忘记为什么要做这个计算。

问题场景：你想看看，当只留下平均值计算代码而没有问题和解释时，会是什么样子。 输入(input)：一行用学生分数列表计算平均值的代码。 期望输出(output)：平均值会被算出来，但代码里不会留下为什么要这样算的解释。 要确认的概念：看到只有结果的代码，与同时保留问题和解释的 notebook 记录，学习效果是不同的。

1
2
3

# 这个例子展示分数数据和计算结果如何在笔记本单元中逐步累积。
scores = [82, 75, 45]
sum(scores) / len(scores)

在 notebook 里，你可以在计算前留下一个问题，例如：如果把三位学生的分数总结成一个代表值，会看到什么？

而在计算后，可以附上这样的解释：平均值有助于看到整组分数的中心，但像 45 这样的低分混在其中，仅靠平均值并不能充分显露出来。

这种记录在之后重新看 P3-5 的 generalization、P3-6 的 evaluation metric，以及 P3-10.2 的 residual 和 error 时都会有帮助。

Notebook 很适合把实验切成小步骤¶

第二个原因，是代码可以按 cell 分开执行。

例如可以想象下面这样的流程。

flowchart TB
  A["1. 准备数据"]
  B["2. 计算汇总值"]
  C["3. 绘制图表"]
  D["4. 写下解释"]

  A --> B --> C --> D

同样的事在 script 中也能做，但相比一次性运行整个文件，按一个 cell 一个 cell 检查往往压力更小。

小练习可以这样切分。

第一个 cell 先准备数据。

问题场景：你想在把 notebook 练习拆成小步骤时，先放一个独立的数据准备 cell。 输入(input)：一个包含五个分数的列表。 期望输出(output)：虽然没有输出，但为后续 cell 准备好了数据。 要确认的概念：看到在 notebook 中，把数据准备拆成独立 cell，会让后面的依赖关系更容易看清。

1
2

# 这个例子展示分数数据和计算结果如何在笔记本单元中逐步累积。
scores = [82, 75, 45, 90, 61]

第二个 cell 计算摘要值。

问题场景：你想从准备好的数据里只计算平均值，并确认这个中间结果。 输入(input)：上一格创建的 scores 列表。 期望输出(output)：平均分 mean_score 作为 cell output 显示。 要确认的概念：看到如果一个 cell 只做一个计算，就更容易读出在哪一步值发生了变化。

1
2
3

# 这个例子展示分数数据和计算结果如何在笔记本单元中逐步累积。
mean_score = sum(scores) / len(scores)
mean_score

第三个 cell 再改变条件。

问题场景：你想在同一份数据里改变条件后，立刻比较会留下哪些值。 输入(input)：scores 列表和 60分及以上 这个条件。 期望输出(output)：只包含及格分数的列表被显示出来。 要确认的概念：看到 notebook 很适合一次只改变一个条件，快速比较结果差异。

1
2
3

# 这个例子展示分数数据和计算结果如何在笔记本单元中逐步累积。
passed = [score for score in scores if score >= 60]
passed

像这样切开之后，就更容易看清：哪一步发生了什么变化？

能立刻看到 output 是它的重要优点¶

Notebook 会把 output 直接显示在代码下面。数字、表、图和错误信息都会留在靠近代码的位置。

这在 AI 学习里很重要。

能立刻看到 output，并不意味着 结果总是正确的。更重要的是，你可以立刻追问：这个值是不是比预期大？、表的行数对吗？、图是不是我想的形状？、错误信息是在哪个 cell 里产生的？

Notebook 正是适合不断重复这些问题的环境。

Notebook 的注意点：cell 执行顺序¶

Notebook 虽然方便，但也有必须小心的地方。最重要的是执行顺序。

看下面这个例子。

问题场景：你假定后一个 cell 要用到的变量，已经先在前一个 cell 中创建好了。 输入(input)：把 10 存进变量 x 的代码。 期望输出(output)：虽然没有输出，但会在 runtime 中生成后续 cell 依赖的状态。 要确认的概念：看到 notebook cell 不只是文档里可见的代码，还会创建 runtime 状态。

1
2

# 这个例子展示分数数据和计算结果如何在笔记本单元中逐步累积。
x = 10

另一个 cell 运行下面这段代码。

问题场景：你在后一个 cell 里直接使用前一个 cell 创建的变量来做计算。 输入(input)：假定已经定义好的变量 x。 期望输出(output)：计算出 15。 要确认的概念：确认如果前一个 cell 没有执行，或顺序乱掉，后一个结果也会改变。

1
2

# 这个例子展示分数数据和计算结果如何在笔记本单元中逐步累积。
x + 5

这段代码只有在前面已经创建了 x 时才能运行。但如果你跳过中间 cell，或者残留了以前运行过的值，那么文档里看起来的顺序和实际执行状态就可能不同。

这里需要养成下面这些习惯。

正因为 notebook 可以自由执行，执行顺序反而更容易混乱。这一点比 script 更需要小心。

通过案例来看¶

案例 1. 一份重新确认平均值和方差的学习笔记¶

假设有一个重新学习统计的人，想一次理解 mean 和 variance。如果把代码都写在一个很长的 script 文件里，计算虽然能完成，但为什么要这样算，以及这个结果该如何阅读，很快就会模糊。

在 notebook 里，你可以先写一个问题，例如 如果把五个分数压缩成一个代表值，会看到什么？，然后在下一个 cell 里计算平均值，再在正下方附上解释，例如 仅靠平均值，并不能充分显露其中混入了一次低分。 如果接着再放一个 variance 计算 cell，就能在同一组数据里继续比较离散程度。

这个流程说明：notebook 不只是执行器。人可以把问题、计算、输出和解释绑在同一份文档里，等以后再次打开时，能够马上恢复当时到底检查了什么。

同时，这个案例也暴露了 notebook 的一个注意点。如果只重新执行修改平均值的 cell，而没有修正解释 cell，那么文档中可见的说明和真实计算结果就会发生偏离。所以 notebook 既要被当成 带着执行结果的文档，也要被当成 必须重新执行和验证的记录。

Notebook 不会取代 script¶

Notebook 很适合学习和探索，但并不适合所有场景。

那些需要反复执行、要在其他项目中复用、或者必须自动化的代码，通常更适合拆分成 .py script 或 module。

因此，这里把 notebook 看成学习记录和小实验工具。等代码变长、需要重复执行时，就需要判断是否迁移到 script 和 package 结构里。

在 AI 再学习里如何使用 notebook¶

对这份文档的读者来说，notebook 更接近 恢复理解的工作台，而不是 提交正确答案的文件。

比较好的使用顺序如下。

1. 先在 markdown cell 里写下问题。
2. 在 code cell 里写一个小数据或小数字例子。
3. 输出结果。
4. 简短解释结果是否符合预期。
5. 从上到下重新执行所有 cell。

例如在学习概率和统计时，可以先从一个问题开始：如果数据改变，样本平均值会变化多少？

问题场景：你想在一个 notebook cell 中比较两个不同样本的平均值。 输入(input)：两个由不同数值组成的样本列表 sample_a 和 sample_b。 期望输出(output)：两个样本的平均值一起显示出来。 要确认的概念：看到 notebook 很适合把问题、计算和解释一起保留成一个小型样本比较实验。

1
2
3
4
5
6
7
8

# 这个例子展示分数数据和计算结果如何在笔记本单元中逐步累积。
sample_a = [10, 12, 13, 11, 14]
sample_b = [8, 16, 9, 15, 12]

mean_a = sum(sample_a) / len(sample_a)
mean_b = sum(sample_b) / len(sample_b)

mean_a, mean_b

如果接着再写上这样的解释：两个样本的取值构成不同，但平均值仍可能相近。仅靠平均值不能揭示分布中的全部差异。 那么计算结果就会留下来，成为一条记录。

这种方式在之后的机器学习实践里也会持续出现。不要试图一次把数据准备、模型训练、评估和解释全部完成，而是按 cell 去确认一个个小问题。

检查清单¶

• 能把 notebook 解释成同时包含代码、解释和输出的计算文档。
• 能区分 code cell 和 markdown cell。
• 能说明为什么 notebook 对 AI 数学与 Python 练习记录有用。
• 能说明 cell 执行顺序会影响结果。
• 能说明 notebook 不会完全取代 script。
• 能在学习 notebook 中同时留下问题、代码、输出和解释。
• 能把 notebook 说明成执行工具和学习记录文档两种角色。

来源与参考资料¶

• Project Jupyter, Project Jupyter Documentation, Jupyter Documentation 4.1.1 alpha，确认日期：2026-07-20。用于确认 notebook 是把代码、说明、数据、可视化和交互放在一起的文档。
• Project Jupyter, Architecture, Jupyter Documentation 4.1.1 alpha，确认日期：2026-07-20。作为区分 notebook document、user interface、kernel 等组成部分的背景依据。
• Google, Welcome to Colab, Google Colab，确认日期：2026-07-20。用于确认在浏览器 notebook 环境中一起执行和记录代码与说明的示例。