Verwendung von Jupyter Notebook über JupyterHub

In diesem Tutorial lernen Sie, wie Sie Jupyter Notebook über JupyterHub verwenden und einen Beispielcode ausführen.

Schritt 1: Installieren Sie JupyterHub und öffnen Sie den Notebook Server

• JupyterHub kann über das QTS App Center installiert werden.
  
• Starten Sie JupyterHub und melden Sie sich an.
  
• Klicken Sie auf den Schalter von Off (Aus) auf "On (Ein)", um den Notebook Server zu starten.
  
• Die Schnittstelle wird wie folgt aussehen:
  1. "Running (Wird ausgeführt)": Gestartete Instanzen prüfen
  2. "Upload": Lokale Dateien auf den Server hochladen
  3. "New (Neu)": Öffnen eines neuen Notebooks, Terminals oder Ordners
  4. "Admin": Zur Admin Seite wechseln (nur für Administratorkonten)
  5. Jupyter Notebook abmelden
     
• Wenn ein Notebook läuft, klicken Sie auf "Running (Wird ausgeführt)", um die folgende Seite anzuzeigen. Sie können auch auf "Shutdown (Herunterfahren)" klicken, um es zu schließen.
  
• Administratoren können die Seite "Admin" aufrufen und auf das Notebook eines Benutzers zugreifen.
  

Schritt 2: Beispielcode ausführen

• Wählen Sie "jupyter_example" in der Liste.
  
• Öffnen Sie "example.ipynb".
  
• Ein Python Beispielcode wird in einem neuen Notebook geöffnet.
  Dieses Programm kann ein Convolutional Neural Network über Keras, eine High-Level-API für die handgeschriebene Ziffernerkennung im MNIST-Datensatz, trainieren.
  Weitere Informationen finden Sie hier:
  Keras: https://keras.io/
  MNIST: http://yann.lecun.com/exdb/mnist/
  

• Der Beispielcode wurde ausgeführt und gespeichert. Sie können ihn auch erneut ausführen.
  • Klicken Sie auf "Run (Ausführen)", um einen bestimmten Abschnitt auszuführen oder ihn sequentiell auszuführen.
    
  • Klicken Sie auf "Cell (Zelle)" und wählen Sie "Run All (Alle ausführen)", um den kompletten Code auszuführen.
    
  • Weitere Notebook Tutorials finden Sie unter http://jupyter.org/documentation
• Das Programm macht Folgendes:
  • Zu Beginn werden die benötigten Bibliotheken importiert.
    Keras Bibliotheken importieren
    
    Andere Python Bibliotheken importieren
    
  • MNIST Datensatz laden
    
    Zufällige Auswahl und Überprüfung eines Bildetikettenpaares
    
  • Vorverarbeitung des Trainingssatzes
    Umformen und Normalisieren von Trainingsbildern
    
    Einfaches Kodieren von Trainingsetiketten
    
  • Erstellen eines Sequentiellen Modells Schicht für Schicht
    
  • Verwenden Sie den Adam-Optimierer und wählen Sie die kategorische Kreuzentropie als Zielfunktion, um das Modell zu trainieren. Der folgende Teil läuft einige Sekunden lang.
    
  • Bewerten Sie das Modell mit dem Testset. Obwohl die Genauigkeit am Trainingsset höher als 99% ist, kann die Genauigkeit am Testset leicht abnehmen.
    
  • Abschließend werden die Testergebnisse angezeigt.