Come usare Jupyter Notebook tramite JupyterHub

In questo tutorial, sarà possibile conoscere come usare Jupyter Notebook tramite JupyterHub, ed eseguire un codice di esempio.

Fase 1: Installare JupyterHub e aprire il server Notebook

• JupyterHub può essere installato da QTS App Center.
  
• Avviare e accedere a JupyterHub.
  
• Spostare il cursore da Non attivo a “On (Attivo)” per avviare il server Notebook.
  
• Sarà visualizzata la seguente interfaccia:
  1. “Running (In esecuzione)”: Per verificare le istanze avviate
  2. “Upload (Carica)”: Per caricare i file locali sul server
  3. “New (Nuovo)”: Per aprire un nuovo Notebook, terminale o cartella
  4. “Admin”: Per passare alla pagina di amministrazione (solo account amministratore)
  5. Uscire da Jupyter Notebook
     
• Se è in esecuzione un Notebook, fare clic su “Running (In esecuzione)” per visualizzare la seguente pagina. È anche possibile fare clic su “Shutdown (Spegni)” per chiuderlo.
  
• Gli amministratori possono accedere alla pagina “Admin” e accedere al Notebook dell’utente.
  

Fase 2: Eseguire il codice di esempio

• Scegliere “jupyter_example” nell’elenco.
  
• Aprire “example.ipynb”.
  
• Un codice di esempio Python sarà aperto su un nuovo Notebook.
  Questo programma può addestrare una Convolutional Neural Network mediante Keras, si tratta di un API di reti neurali ad alto livello, per il riconoscimento delle cifre scritte a mano nel set di dati MNIST.
  Per maggiori informazioni, visitare:
  Keras: https://keras.io/
  MNIST: http://yann.lecun.com/exdb/mnist/
  

• Il codice di esempio è stato eseguito e salvato. È anche possibile eseguirlo nuovamente.
  • Fare clic su “Run (Esegui)” per eseguire una sezione specifica o eseguirlo in sequenza.
    
  • Fare clic su “Cell (Cella)” e scegliere “Run All (Esegui tutto)” per eseguire il codice completo.
    
  • Per altri tutorial sui Notebook, visitare http://jupyter.org/documentation
• Il programma esegue quanto segue:
  • Inizialmente vengono importate le librerie richieste.
    Importa librerie Keras
    
    Importa altre librerie Python
    
  • Carica set di dati MNIST
    
    Scegli e verifica casualmente una coppia di etichette immagine
    
  • Pre-elabora un set di addestramento
    Ricrea e normalizza le immagini di addestramento
    
    Etichette addestramento codifica one-hot
    
  • Creare un modello sequenziale a livelli
    
  • Usare l’ottimizzatore Adam e scegliere un’entropia incrociata categorica come funzione oggettiva per l’addestramento del modello. La seguente parte è eseguita per alcuni secondi.
    
  • Valutare il modello usando un set di prova. Sebbene la precisione del testo di addestramento sia superiore al 99%, la precisione del test di prova si riduce sensibilmente.
    
  • In conclusione, vengono visualizzati i risultati del test.