Comment utiliser Jupyter Notebook via JupyterHub

Dans ce tutoriel, vous allez apprendre à utiliser Jupyter Notebook via JupyterHub, et à exécuter un exemple de code.

Étape 1 : Installez JupyterHub et ouvrez le serveur Notebook

• Vous pouvez installer JupyterHub depuis l'App Center de QTS.
  
• Lancez et connectez-vous à JupyterHub.
  
• Cliquez sur l’interrupteur de "Off" (Désactiver) à "On" (Activer) pour démarrer le serveur Notebook.
  
• L’interface va apparaître comme suit :
  1. "Running" (En cours d'exécution): Vérifiez les instances démarrées
  2. "Upload" (Transférer): Transférez les fichiers locaux vers le serveur
  3. "New" (Nouveau): Ouvrez un nouveau Notebook, terminal ou dossier
  4. "Admin": Basculez vers la page admin (comptes administrateurs uniquement)
  5. Déconnectez-vous de Jupyter Notebook
     
• Si un Notebook est en cours d’exécution, cliquez sur "Running" (En cours d’exécution) pour afficher la page suivante. Vous pouvez aussi cliquer sur "Shutdown" (Arrêter) pour le fermer.
  
• Les administrateurs peuvent entrer dans la page "Admin" et accéder au Notebook d’un utilisateur.
  

Étape 2 : Exécutez l'exemple de code

• Choisissez « jupyter_example » dans la liste.
  
• Ouvrez « example.ipynb ».
  
• Un exemple de code Python va s’ouvrir dans un nouveau Notebook.
  Ce programme peut former un Réseau de neurones convolutif via Keras, une API de réseaux de neurones de haut niveau, pour la reconnaissance des chiffres manuscrits dans les ensembles de données MNIST.
  Pour plus d'informations, rendez-vous sur :
  Keras : https://keras.io/
  MNIST : http://yann.lecun.com/exdb/mnist/
  

• L’exemple de code a été exécuté et enregistré. Vous pouvez aussi l’exécuter à nouveau.
  • Cliquez sur "Run" (Exécuter) pour exécuter une section spécifique ou pour l’exécuter de manière séquentielle.
    
  • Cliquez sur "Cell" (Cellule) et choisissez "Run All" (Exécuter tout) pour exécuter le code complet.
    
  • Pour plus de tutoriels sur Notebook, rendez-vous sur http://jupyter.org/documentation
• Le programme effectue ce qui suit :
  • Au début, les bibliothèques requises sont importées.
    Importer les bibliothèques Keras
    
    Importer les autres bibliothèques Python
    
  • Charger l’ensemble de données MNIST
    
    Sélectionner au hasard et vérifier une paire image-étiquette
    
  • Pré-traiter l’ensemble de formation
    Redimensionner et normaliser les images de formation
    
    Étiquettes de formation à encodage one-hot
    
  • Créer un Modèle séquentiel couche par couche
    
  • Utiliser l’optimiseur Adam et choisir une entropie inter-catégorie comme fonction d’objectif pour former le modèle. La partie suivante s’exécute pendant quelques secondes.
    
  • Évaluer le modèle à l’aide de l’ensemble de test. Bien que la précision sur un ensemble de formation soit supérieure à 99 %, la précision sur l’ensemble de test peut légèrement diminuer.
    
  • Enfin, les résultats du test sont affichés.