写在前面：之前也遇到过几次内核死亡的问题，也一直没有想解决办法。这里总结一下并提出几个解决办法。
首先明确一下jupyter出现内核死亡的原因：jupyter lab 或者 jupyter notebook 本身是一个web服务， 无法支持高并发和频繁的计算任务，对于大规模运行或高并发是不够能力处理，所以机会内核死亡。所以如果平时也习惯用pycharm，移植代码到pycharm运行就没问题了。我是因为很少用pycharm，甚至都没装pycharm。
1. 使用causalml库时，在训练模型时出现内核死亡
这里是我在训练模型时输入的数据pandas格式的，一开始训练就内核死亡，后面换成numpy格式就没问题了。所以很多其他的库也许可以借鉴一下，如果内核死亡是不是可以换一下数据格式啥的。
2. 14万行数据，执行SMOTE算法内核死亡
最开始看到内核死亡，想的也是借鉴第一个情况，把数据转成numpy 或者 list格式，但是没有效果。
后面想到一个新法子，就是先将ipynb格式的文件转成py文件，然后通过命令行运行py文件。
'''
在jupyte lab代码窗口，输入下面代码，就得到和ipynb格式同名的py文件
'''
! jupyter nbconvert --to script test.ipynb
在命令行窗口执行生成的同名py文件，就行了。
结果证明，可行！
3. 使用catboost时，调用gpu就内核崩溃
这个是我之前使用catboost模型时，如果设置task_type = ‘GPU’，训练模型就会内核死亡（数据量也不大）。当时没有想解决办法，直接放弃用该模型了。目前看来采用上面的提到转文件格式的方法，应该是没问题的。
4. 后记
前面提到，如果生成了同名的py文件，其实也可以直接在jupyter中执行下面的命令
! python test.py
不就可以执行该py文件了么， 还不用打开命令行。（! 是魔法命令，相当于在当前环境下的命令行执行代码）
但是我操作了一下发现不行，会报告一个报错如下，这是一个线程的报错，但是我的电脑是两颗至强系列的cpu，这么点数据量不应该出现这个报错。
OpenBLAS warning: precompiled NUM_THREADS exceeded, adding auxiliary array for thread metadata.
网上有解决办法说，在代码中添加如下代码就行（但我没成功）
'''
这里的0就是你的第几块GPU，大部分只有一个。所以选择0就行
'''
import os
os.environ["CUDA_VISIBLE_DEVICES"] = '0'
=