问Jupyter Lab在内存不足时冻结计算机-如何防止这种情况？

EN

如果您使用的是基于Linux的操作系统，请查看面向对象模型杀手，您可以从here获取信息。我不知道Windows的详细信息。

您可以使用earlyoom。它可以按照您的意愿进行配置，例如，earlyoom -s 90 -m 15将启动earlyoom，当交换大小小于%90且内存小于%15时，它将杀死导致OOM的进程，并防止整个系统冻结。您还可以配置进程的优先级。

对于这个问题，最健壮的解决方案绝对是使用Docker容器。您可以指定将多少内存分配给Jupyter，如果容器耗尽内存，这根本不是什么大问题(只需记住经常保存，但这是不言而喻的)。

This blog会带你走完大部分的路。这里还有一些关于设置Jupyter Lab的说明，这些说明来自免费提供的、官方维护的Jupyter镜像：

https://medium.com/fundbox-engineering/overview-d3759e83969c

然后，您可以将本教程中所述的docker run命令修改为(例如，对于3 3GB)：

docker run --memory 3g <other docker run args from tutorial here>

有关坞站内存选项的语法，请参阅以下问题：

What unit does the docker run "--memory" option expect?

我也在Jupyter Lab上使用非常大的数据集(3 3GB)，在Labs上也遇到了同样的问题。不清楚您是否需要保持对转换前数据的访问，如果不需要，我已经开始使用未使用的大型数据帧变量的del。del从你的内存中删除变量。编辑**：我遇到的问题有多种可能性。当我使用远程jupyter实例时，以及在spyder中，当我执行大型转换时，我经常会遇到这种情况。

例如：

df = pd.read('some_giant_dataframe') # or whatever your import is
new_df = my_transform(df)
del df # if unneeded.

杰克，你可能也会发现这个thread on large data workflows很有帮助。我一直在研究Dask来帮助解决内存存储问题。

我在spyder和jupyter中注意到，当运行大内存控制台时，在另一个控制台上工作时通常会发生freezeup。至于为什么它只是冻结而不是崩溃，我认为这与内核有关。有几个内存issues open in the IPython github - #10082和#10117似乎最相关。一位用户here建议在jedi中禁用制表符补全功能或更新绝地武士。

在10117中，他们建议检查get_ipython().history_manager.db_log_output的输出。我有相同的问题，我的设置是正确的，但它值得检查