环境搭建：主流实验平台的安装与配置
做AI实验，说白了就是三件事：写代码、跑数据、看结果。而这三件事，都离不开一个靠谱的实验平台。我个人习惯把这几个平台比作「厨房」——Jupyter Lab是家里的精装厨房，Kaggle是别人家的共享厨房，Colab则是云端移动餐车。各有各的妙用，关键看你要做什么菜。
Jupyter Lab：本地开发的王牌
如果你问我本地开发用什么，我肯定首选Jupyter Lab。它比老版的Notebook强太多了——多标签、文件浏览器、终端集成，一套搞定。
安装步骤
嗯，这里要注意，安装前先确认你已经有Python环境。我个人推荐用Anaconda，省心。
# 用pip安装
pip install jupyterlab
# 或者用conda（我推荐这个）
conda install -c conda-forge jupyterlab装完之后，终端敲一行命令就能启动：
jupyter lab浏览器会自动打开，默认地址是 http://localhost:8888。你想想看，一个浏览器就能搞定代码编辑、数据可视化、文档撰写，是不是很爽？
Ctrl + Shift + C 可以调出命令面板，几乎所有操作都能搜到。我刚开始用的时候不知道这个，每次点菜单点得手酸。
常用插件配置
Jupyter Lab的强大之处在于插件生态。我列几个我常用的：
| 插件名 | 作用 | 安装方式 |
|---|---|---|
| @jupyterlab/git | 版本控制，直接图形化操作 | pip install jupyterlab-git |
| @jupyterlab/toc | 自动生成目录，长文档必备 | 内置，无需安装 |
| jupyterlab_code_formatter | 一键格式化代码 | pip install jupyterlab_code_formatter |
jupyter lab build 重新构建一下。
Kaggle：拿来即用的竞赛平台
Kaggle这个平台，说白了就是AI界的「GitHub + 知乎 + 竞赛场」。你不需要配置任何环境，打开浏览器就能跑代码。我记得第一次用Kaggle时，最惊讶的是它居然免费提供GPU——虽然只有30小时/周，但对学习来说完全够用。
环境配置要点
Kaggle的环境是预配好的，你基本不用操心。但有几个点要注意：
- 数据集挂载： 用
/kaggle/input/路径访问比赛数据 - 输出限制： 单个Notebook输出不能超过20GB
- 网络限制： 不能随意pip install，但预装包很全
如果你需要安装额外的包，可以用这个骚操作：
!pip install some-package --quiet但说实话，Kaggle预装了300多个常用包，90%的情况你不需要额外安装。
!cp 到临时目录。
Google Colab：云端免费GPU利器
Colab是我最常用的快速验证平台。你想想看，打开浏览器，新建一个笔记本，直接就能用上Tesla T4或者V100，这体验简直不要太爽。
快速上手
Colab的使用极其简单：
- 打开
colab.research.google.com - 登录Google账号
- 点击「新建笔记本」
但有几个关键配置你得知道：
# 启用GPU
# 菜单: 运行时 -> 更改运行时类型 -> 选择GPU
# 挂载Google Drive（我经常用）
from google.colab import drive
drive.mount('/content/drive')
# 查看GPU信息
!nvidia-smi三平台对比：选哪个？
我经常被问到这个问题。其实没有绝对的好坏，关键看场景。我画了一张图帮你理解：
我的工作流建议
说了这么多，我分享一下我现在的工作流：
- 日常开发： 本地Jupyter Lab + VSCode配合使用。Jupyter负责探索性分析，VSCode负责写正式代码
- 快速验证： Colab走起。特别是要试一个新模型，直接云端开搞，不用污染本地环境
- 参加比赛： Kaggle。数据集和提交都在上面，省去数据搬运的麻烦
好了，环境搭建这部分就聊到这儿。工具是死的，人是活的。选最适合你当前任务的平台，别为了用工具而用工具。记住，我们的目标是做实验、出结果，不是当运维工程师。