Använda Jupyter Notebook på JupyterHub
Senaste ändringsdatum:
2018-09-13
Dessa självstudier lär dig att använda Jupyter Notebook på JupyterHub och köra exempelkod.
Steg 1: Installera JupyterHub och öppna Notebook-servern
- JupyterHub går att ladda ned från QTS App Center.
- Starta och logga in på JupyterHub.
- Ställ in omkopplaren från Off (Av) till On (På) för att starta Notebook-servern.
- Gränssnittet ser ut så här:
- Running (Körs): Kontrollera startade instanser
- Upload (Ladda upp): Ladda upp lokala filer till servern
- New (Ny): Öppna en ny Notebook, terminal eller mapp
- Admin (Administratör): Växla till administratörssidan (endast administratörskonton)
- Logga ut från Jupyter Notebook
- Om en Notebook körs, klicka på Running (Körs) för att öppna följande sida. Det går även att klicka på Shutdown (Avsluta) för att stänga.
- Administratörer kan öppna sidan Admin (Administratör) och få åtkomst till en användares Notebook.
Steg 2: Kör testkod
- Välj jupyter_example på listan.
- Öppna example.ipynb.
- En Python exempelkod öppnas i en ny Notebook.
Det här programmet kan lära in ett CNN (Convolutional Neural Network) med Keras, vilket är ett API för neurala nätverk på hög nivå för handskriven igenkänning av siffror i datauppsättningen MNIST.
Mer information finns på:
Keras: https://keras.io/
MNIST: http://yann.lecun.com/exdb/mnist/
- Exempelkoden har körts och sparats. Det går även att köra den på nytt.
- Klicka på Run (Kör) för att köra ett visst avsnitt eller köra den sekventiellt.
- Klicka på Cell (Cell) och välj Run All (Kör alla) för att köra hela koden.
- Fler självstudier om Notebook finns på http://jupyter.org/documentation
- Klicka på Run (Kör) för att köra ett visst avsnitt eller köra den sekventiellt.
- Programmet gör följande:
- I början importeras de nödvändiga biblioteken.
Importera Keras-bibliotek
Importera övriga Python-bibliotek
- Läs in MNIST datauppsättning
Välj och kontrollera slumpmässigt ett bild-etikettpar.
- Förbearbeta inlärningsuppsättningen
Omforma och normalisera inlärningsbilder
One hot-avkoda inlärningsetiketter
- Skapa en sekventiell modell lager för lager
- Använd optimeraren Adam och välj kategorisk korsentropi som objektiv funktion för att lära in modellen. Följande del körs i några sekunder.
- Utvärdera modellen med testuppsättningen. Trots att inlärningsuppsättningens noggrannhet överstiger 99 % kan testets noggrannhet sjunka något.
- Slutligen visas testresultaten.
- I början importeras de nödvändiga biblioteken.
