Cómo usar Jupyter Notebook a través de JupyterHub

En este tutorial, aprenderá a usar Jupyter Notebook a través de JupyterHub y a ejecutar un código de ejemplo.

Paso 1: Instale JupyterHub y abra el servidor de Notebook

• JupyterHub se puede instalar desde el QTS App Center.
  
• Abra JupyterHub e inicie sesión.
  
• Haga clic en el interruptor de Off (Desactivado) a "On (Activado)" para iniciar el servidor de Notebook.
  
• La interfaz aparecerá como se muestra a continuación:
  1. "Running (Ejecutando)": Compruebe las instancias que se han iniciado
  2. "Upload (Cargado)": Cargue archivos locales en el servidor
  3. "New (Nuevo)": Abra un nuevo Notebook, terminal o carpeta
  4. "Admin": Cambie a la página de admin (cuentas de administrador solamente)
  5. Cierre sesión en Jupyter Notebook
     
• Si se está ejecutando un Notebook, haga clic en "Running (Ejecutando)" para ver la siguiente página. También puede hacer clic en "Shutdown (Apagado)" para cerrarlo.
  
• Los administradores pueden entrar en la página "Admin" y acceder al Notebook de un usuario.
  

Paso 2: Ejecute el código de ejemplo

• Elija "jupyter_example" en la lista.
  
• Abra "example.ipynb".
  
• Se abrirá un código de ejemplo Python en un nuevo Notebook.
  Este programa puede entrenar una Red neuronal convolucional a través de Keras, que es una API de redes neuronales de alto nivel, para el reconocimiento de dígitos escritos a mano en el conjunto de datos MNIST.
  Para obtener más información, visite:
  Keras: https://keras.io/
  MNIST: http://yann.lecun.com/exdb/mnist/
  

• Se ha ejecutado y guardado el código de ejemplo. También puede ejecutarlo de nuevo.
  • Haga clic en "Run (Ejecutar)" para ejecutar una sección específica o ejecutarla de forma secuencial.
    
  • Haga clic en "Cell (Celda)" y elija "Run All (Ejecutar todo)" para ejecutar el código completo.
    
  • Para encontrar más tutoriales de Notebook, visite http://jupyter.org/documentation
• El programa hace lo siguiente:
  • Al principio, se importan las bibliotecas necesarias.
    Importe las bibliotecas Keras
    
    Importe otras bibliotecas Python
    
  • Cargue el conjunto de datos MNIST
    
    Escoja de forma aleatoria y compruebe un par de etiqueta de imagen
    
  • Preprocese el conjunto de entrenamiento
    Remodele y normalice las imágenes de entrenamiento
    
    Etiquetas de entrenamiento con codificación en caliente
    
  • Cree un modelo secuencial capa por capa
    
  • Utilice el optimizador Adam y elija la entropía cruzada categórica como la función objetivo para entrenar el modelo. La siguiente parte se ejecuta durante unos segundos.
    
  • Evalúe el modelo con el conjunto de prueba. Aunque la precisión en el conjunto de entrenamiento es superior al 99 %, la precisión en el conjunto de prueba puede disminuir levemente.
    
  • Por último, aparecen los resultados de las pruebas.