Como usar o Jupyter Notebook no JupyterHub

Neste tutorial, você aprenderá a usar o Jupyter Notebook no JupyterHub e a executar um código de exemplo.

Etapa 1: Instale o JupyterHub e abra o servidor do Notebook

• O JupyterHub pode ser instalado pelo QTS App Center.
  
• Abra o JupyterHub e faça login.
  
• Mude a opção Off (Desativado) para "On (Ativado)" para iniciar o servidor do Notebook.
  
• A interface aparecerá da seguinte forma:
  1. "Running (Em execução)": Verificar instâncias iniciadas
  2. "Upload (Carregar)": Carregar arquivos locais no servidor
  3. "New (Novo)": Abra um novo Notebook, terminal ou pasta
  4. "Admin": Alternar para a página de administração (somente contas de administrador)
  5. Sair do Jupyter Notebook
     
• Se um Notebook estiver em execução, clique em "Running (Em execução)" para visualizar a página a seguir. Você também pode clicar em "Shutdown (Desligamento)" para fechá-lo.
  
• Os administradores podem entrar na página "Admin" e acessar o Notebook de um usuário.
  

Etapa 2: Executar um código de exemplo

• Escolha "jupyter_example" na lista.
  
• Abra "example.ipynb".
  
• Um código de exemplo em Python será aberto em um novo Notebook.
  Este programa pode treinar uma Rede Neural de Convolucional através do Keras, que é uma API de redes neurais de alto nível para reconhecimento de dígitos escritos à mão no conjunto de dados MNIST.
  Para obter mais informações, visite:
  Keras: https://keras.io/
  MNIST: http://yann.lecun.com/exdb/mnist/
  

• O código de exemplo foi executado e salvo. Você também pode executá-lo novamente.
  • Clique em "Run (Executar)" para executar uma seção específica ou executá-lo sequencialmente.
    
  • Clique em "Cell (Célula)" e escolha "Run All (Executar tudo)" para executar o código completo.
    
  • Para conferir outros tutoriais do Notebook, visite http://jupyter.org/documentation
• O programa faz o seguinte:
  • No início, as bibliotecas necessárias são importadas.
    Importar bibliotecas do Keras
    
    Importar outras bibliotecas Python
    
  • Carregar conjunto de dados MNIST
    
    Escolher e verificar aleatoriamente um par imagem-rótulo
    
  • Pré-processar o conjunto de treinamento
    Reformular e normalizar imagens de treinamento
    
    Fazer codificação one-hot de rótulos de treinamento
    
  • Criar um modelo sequencial camada por camada
    
  • Use o otimizador Adam e escolha entropia cruzada categórica como a função objetiva para treinar o modelo. A parte a seguir é executada por alguns segundos.
    
  • Avalie o modelo usando o conjunto de teste. Embora a precisão no conjunto de treinamento seja superior a 99%, a precisão no conjunto de teste pode diminuir ligeiramente.
    
  • Finalmente, os resultados do teste são exibidos.