如何通过 JupyterHub 使用 Jupyter Notebook
最后修订日期:
2018-09-13
在本教程中，您将学习如何通过 JupyterHub 使用 Jupyter Notebook，并运行示例代码。
第 1 步：安装 JupyterHub 并打开 Notebook server
- 您可以从 QTS App Center 安装 JupyterHub。
- 启动 JupyterHub 并登录。
- 单击开关，将其从“Off”（关）变为“On”（开），启动 Notebook server。
- 出现的界面如下所示：
- “Running”（正在运行）：检查已启动的实例
- “Upload”（上传）：将本地文件上传到服务器
- “New”（新建）：打开新的 Notebook、终端或文件夹
- “Admin”（管理员）：切换到“Admin”（管理员）页面（仅限管理员帐户）
- 退出 Jupyter Notebook
- 如果有 Notebook 正在运行，单击“Running”（正在运行）查看以下页面。也可以单击“Shutdown”（关闭）将其关闭。
- 管理员可以进入“Admin”（管理员）页面，并访问用户的 Notebook。
第 2 步：运行示例代码
- 选择列表中的“jupyter_example”。
- 打开“example.ipynb”。
- 将在新的 Notebook 中打开 Python 示例代码。
此程序可通过 Keras（一种高层神经网络 API）训练卷积神经网络，用来识别 MNIST 数据集中的手写数字。
有关更多信息，请访问：
Keras：https://keras.io/
MNIST：http://yann.lecun.com/exdb/mnist/
- 示例代码已执行并保存。您也可以再次运行此示例代码。
- 单击“Run”（运行），执行特定的部分或按顺序运行。
- 单击“Cell”（单元）并选择“Run All”（运行全部）执行全部代码。
- 有关 Notebook 教程的更多信息，请访问 http://jupyter.org/documentation
- 单击“Run”（运行），执行特定的部分或按顺序运行。
- 程序完成的操作如下：
- 首先，导入所需的库。
导入 Keras 库
导入其他 Python 库
- 加载 MNIST 数据集
随机挑选并检查一对图像和标签。
- 预处理训练集
对训练图像进行转维和正则化
One-hot 编码训练标签
- 逐层创建序贯模型
- 使用 Adam 优化器并选择 categorical cross entropy 作为目标函数来训练模型。以下部分运行数秒钟。
- 使用测试集评估模型。尽管训练集的精度高于 99%，测试集的精度可能略有下降。
- 最后显示测试结果。
- 首先，导入所需的库。
