%run将脚本在当前kernel全局命名空间中动态执行，使变量、函数、类直接可用；支持命令行参数传递，但需避免if name == "__main__"包裹和exit()调用，并注意路径与工作目录问题。
%run 会把脚本变量注入当前命名空间
直接执行 %run script.py 后，脚本里定义的所有变量、函数、类都会出现在 notebook 的全局作用域中，后续单元格可以直接调用。这不是“运行完就消失”的子进程，而是代码被动态执行在当前 kernel 里。
常见错误现象：NameError: name 'model' is not defined —— 很可能因为脚本里用了 if __name__ == "__main__": 把关键逻辑包住了，导致变量没被创建；或者脚本抛了异常提前退出，变量根本没来得及定义。
- 确保脚本顶层（非函数/类内部）有实际执行语句，或删掉
if __name__ == "__main__":包裹（调试阶段更安全） - 如果脚本依赖命令行参数，用
%run script.py --epochs 5 --lr 0.01传参，它能被argparse正确解析 - 避免在脚本里写
exit()或sys.exit()，否则会中断整个 notebook 内核
路径问题比想象中更容易出错
%run 默认按当前工作目录（不是 notebook 文件所在目录）查找脚本。很多人卡在这一步：明明文件就在旁边，却报 FileNotFoundError。
使用前务必确认路径：
- 运行
%pwd查看当前工作目录 - 用
%ls或!ls列出当前目录下的文件，确认脚本名拼写和大小写完全一致（Linux/macOS 区分大小写） - 相对路径以
.开头才可靠，比如%run ./utils/preprocess.py；只写preprocess.py可能失败 - 绝对路径更稳妥，但注意 Windows 下要用正斜杠或双反斜杠：
%run C:/project/train.py或%run C:\project\train.py
%run 和 !python 的本质区别
%run 是 IPython 魔法命令，在当前 kernel 上下文中执行；!python script.py 是启动一个全新 Python 进程，两个环境完全隔离。
这意味着：
-
%run能访问 notebook 里已定义的变量（比如你之前加载好的df数据框），!python完全看不到 -
!python中的print输出会显示，但定义的变量不会留在 notebook 里 -
%run支持断点调试（配合%debug），!python不支持 - 如果脚本里修改了全局状态（如
torch.set_grad_enabled(False)），%run会真实影响后续 notebook 执行，!python不会
多次 %run 会导致变量重复定义或意外覆盖
每次 %run 都是重新执行整个脚本——包括所有赋值语句。如果你运行了两次 %run train.py，那么 model 被重建两次，optimizer 也被重置，但旧的模型对象还在内存里没释放。
容易踩的坑：
- 训练循环跑两遍，loss 曲线看起来像“重启训练”，其实是叠加了两次结果
- 反复
%run后显存占用越来越高（尤其 PyTorch/TensorFlow），最终 OOM - 函数被重复定义，但 Python 不报错，只是后一次定义覆盖前一次，可能掩盖逻辑错误
- 建议调试时加一句
print("Running train.py at", __file__)确认是否真被触发；长期运行应改用模块导入 + 显式函数调用
%run，而是搞不清它到底“在哪执行”“变量从哪来”“状态有没有残留”。这些细节不厘清，调试时花三倍时间找问题根源。
