Instrukcja obsługi Jak używać Jupyter Notebook za pośrednictwem JupyterHub

W tym samouczku dowiesz się, jak używać Jupyter Notebook za pośrednictwem JupyterHub oraz jak uruchomić przykładowy kod.

Krok 1: Zainstaluj JupyterHub i otwórz serwer Notebook

• JupyterHub można zainstalować z QTS App Center.
  
  
  
• Uruchom JupyterHub i zaloguj się do niego.
  
  
  
• Kliknij przełącznik z pozycji Wył. na „Wł.", aby uruchomić serwer Notebook.
  
  
  
• Interfejs będzie wyglądał następująco:
  1. „Running": Sprawdź uruchomione instancje
  2. „Upload": Prześlij lokalne pliki na serwer
  3. „New": Otwórz nowy Notebook, terminal lub folder
  4. „Admin": Przejdź do strony administratora (tylko konta administratora)
  5. Wyloguj się z Jupyter Notebook
     
     
     
• Jeśli Notebook jest uruchomiony, kliknij „Running", aby wyświetlić następującą stronę. Możesz również kliknąć „Shutdown", aby go zamknąć.
  
  
  
• Administratorzy mogą wejść na stronę „Admin" i uzyskać dostęp do Notebooka użytkownika.
  
  
  

Krok 2: Uruchom przykładowy kod​

• Wybierz „jupyter_example" z listy.
  
  
  
• Otwórz „example.ipynb".
  
  
  
• W nowym Notebooku zostanie otwarty przykładowy kod w języku Python.
  Program ten może trenować splotową sieć neuronową (Convolutional Neural Network) za pośrednictwem Keras, czyli wysokopoziomowego API sieci neuronowych, w celu rozpoznawania odręcznie pisanych cyfr ze zbioru danych MNIST.
  Więcej informacji można znaleźć pod adresem:
  Keras: Keras: Deep Learning for humans
  MNIST: http://yann.lecun.com/exdb/mnist/
  
  
  

• Przykładowy kod został wykonany i zapisany. Możesz również uruchomić go ponownie.
  • Kliknij „Run", aby wykonać określoną sekcję lub uruchomić ją sekwencyjnie.
    
    
    
  • Kliknij „Cell" i wybierz „Run All", aby wykonać kompletny kod.
    
    
    
  • Więcej samouczków dotyczących Notebooka znajdziesz pod adresem http://jupyter.org/documentation
• Program wykonuje następujące czynności:
  • Na początku importowane są wymagane biblioteki.
    Importowanie bibliotek Keras
    
    
    
    
    
    Importowanie innych bibliotek Python
    
    
    
  • Wczytanie zbioru danych MNIST
    
    
    
    
    
    Losowy wybór i sprawdzenie pary obraz–etykieta
    
    
    
  • Wstępne przetwarzanie zestawu treningowego
    Zmiana kształtu i normalizacja obrazów treningowych
    
    
    
    
    
    Kodowanie one-hot etykiet treningowych
    
    
    
  • Tworzenie modelu sekwencyjnego (Sequential Model) warstwa po warstwie
    
    
    
  • Użycie optymalizatora Adam i wybór kategorycznej entropii krzyżowej jako funkcji celu do trenowania modelu. Poniższa część działa przez kilka sekund.
    
    
    
  • Ocena modelu przy użyciu zestawu testowego. Mimo że dokładność na zestawie treningowym przekracza 99%, dokładność na zestawie testowym może nieznacznie się obniżyć.
    
    
    
  • Na koniec wyświetlane są wyniki testowania.