Het gebruik van Jupyter Notebook via JupyterHub
Laatst gewijzigd op:
2018-09-13
In deze tutorial leert u hoe u Jupyter Notebook via JupyterHub kunt gebruiken en een example code kunt uitvoeren.
Stap 1: Installeer JupyterHub en open de Notebook server.
- JupyterHub kan geïnstalleerd worden vanuit het QTS App Center.
- Start JupyterHub en meld u aan.
- Zet de schakelaar van Off naar “On” om de Notebook server te starten.
- De interface ziet er als volgt uit:
- "Running": Controleer gestarte exemplaren
- "Upload": Upload lokale bestanden naar de server
- "New": Open nieuw(e) notebook, terminal of map
- "Admin": Schakel over naar de beheerderspagina (alleen voor beheerdersaccounts)
- Afmelden van Jupyter Notebook
- Klik als een Notebook actief is op "Running" om de volgende pagina te zien. U kunt ook op "Shutdown" klikken om af te sluiten.
- Beheerders hebben toegang tot de notebooks van gebruikers vanuit de pagina "Admin".
Stap 2: Voer example code uit
- Kies in de lijst "jupyter_example".
- Open "example.ipynb".
- Er wordt een Python example code geopend in een nieuwe Notebook.
Dit programma kan een Convolutional Neural Network via Keras trainen. Dat is een neuraal netwerk API, voor herkenning van handgeschreven cijfers in MNIST-gegevensverzameling.
Raadpleeg voor meer informatie:
Keras: https://keras.io/
MNIST: http://yann.lecun.com/exdb/mnist/
- De example code is uitgevoerd en opgeslagen. U kunt het ook opnieuw uitvoeren.
- Klik op "Run" om een bepaald gedeelte uit te voeren of het opeenvolgend uit te voeren.
- Klik op "Cell" en kies "Run All" om de volledige code uit te voeren.
- Ga voor meer Notebook tutorials naar http://jupyter.org/documentation
- Klik op "Run" om een bepaald gedeelte uit te voeren of het opeenvolgend uit te voeren.
- Het programma doet het volgende:
- In het begin worden de nodige bibliotheken geïmporteerd.
Importeer Keras-bibliotheken
Importeer andere Python-bibliotheken
- Laad MNIST-gegevensverzameling
Kies en controleer in willekeurige volgorde een image-label-paar
- Verwerk de training set
Vorm opnieuw en normaliseer training images
One-hot codering training labels
- Maak een Sequential Model laag op laag
- Gebruik de Adam optimizer en kies categorical cross entropy als de objectieve functie voor het trainen van het model. Het volgende deel duurt enkele seconden.
- Evalueer het model met de test set. De nauwkeurigheid van training set is hoger dan 99 %, maar de nauwkeurigheid van de test set kan minder zijn.
- Als laatste worden de testresultaten getoond.
- In het begin worden de nodige bibliotheken geïmporteerd.
