JupyterLab Présentation de l’interface utilisateur

JupyterLab est une interface utilisateur web pour Project Jupyter et est étroitement intégré à Adobe Experience Platform. Il fournit un environnement de développement interactif permettant aux spécialistes des données de travailler avec des notebooks, du code et des données Jupyter.

Ce document présente les JupyterLab et ses fonctionnalités, ainsi que des instructions pour exécuter des actions courantes.

JupyterLab sur Experience Platform

L’intégration JupyterLab d’Experience Platform est accompagnée de modifications architecturales, de considérations de conception, d’extensions de notebooks personnalisées, de bibliothèques préinstallées et d’une interface sur le thème Adobe.

La liste suivante présente quelques-unes des fonctionnalités propres à JupyterLab sur Platform :

Fonctionnalité Description
Noyaux Les noyaux fournissent des notebooks et d’autres JupyterLab front-end la possibilité d’exécuter et d’analyser du code dans différents langages de programmation. Experience Platform fournit des noyaux supplémentaires pour la prise en charge du développement dans Python, R, PySpark et Spark. Pour plus d’informations, consultez la section sur les noyaux.
Accès aux données Accès aux jeux de données existants directement depuis JupyterLab prise en charge complète des fonctionnalités de lecture et d’écriture.
Platformintégration de service Les intégrations intégrées vous permettent d’utiliser d’autres Platform des services directement depuis l’ JupyterLab. Une liste complète des intégrations prises en charge est fournie dans la section sur l’intégration avec d’autres services Platform.
Authentification Outre le modèle de sécurité intégré de JupyterLab, chaque interaction entre votre application et Experience Platform, y compris la communication service à service de Platform, est chiffrée et authentifiée à l’aide d’Adobe Identity Management System (IMS).
Bibliothèques de développement Dans Experience Platform, JupyterLab fournit des bibliothèques préinstallées pour Python, R et PySpark. Consultez l’annexe pour obtenir une liste complète des bibliothèques prises en charge.
Contrôleur de bibliothèque Lorsque les bibliothèques préinstallées ne répondent pas à vos besoins, d’autres bibliothèques peuvent être installées pour Python et R et sont temporairement stockées dans des conteneurs isolés afin de préserver l’intégrité de Platform et de protéger vos données. Pour plus d’informations, consultez la section sur les noyaux.
REMARQUE

Les bibliothèques supplémentaires sont uniquement disponibles pour la session dans laquelle elles ont été installées. Vous devez réinstaller les bibliothèques supplémentaires nécessaires lorsque vous démarrez de nouvelles sessions.

Intégration à d’autres Platform services

La normalisation et l’interopérabilité sont des concepts clés pour Experience Platform. L’intégration de JupyterLab on Platform en tant qu’IDE intégré, il peut interagir avec d’autres Platform services, vous permettant d’utiliser Platform à son plein potentiel. Les éléments suivants Platform Les services sont disponibles dans JupyterLab:

  • Catalog Service: Accédez aux jeux de données et explorez-les avec des fonctionnalités de lecture et d’écriture.
  • Query Service : accédez aux jeux de données et explorez-les à l’aide de SQL, ce qui vous permet de réduire les frais généraux d’accès aux données lorsque vous traitez de grandes quantités de données.
  • Sensei ML Framework : développement de modèles avec la possibilité de former et de noter des données, ainsi que de créer des recettes en un seul clic.
  • Experience Data Model (XDM): La normalisation et l’interopérabilité sont les concepts clés d’Adobe Experience Platform. Modèle de données d’expérience (XDM), piloté par Adobe, est un effort de normalisation des données d’expérience client et de définition de schémas pour la gestion de l’expérience client.
REMARQUE

Certains Platform intégrations de services sur JupyterLab sont limitées à des noyaux spécifiques. Pour plus d’informations, consultez la section sur les noyaux.

Fonctionnalités clés et opérations courantes

Informations relatives aux principales fonctionnalités de JupyterLab Les sections ci-dessous contiennent des instructions sur l’exécution d’opérations courantes :

Accès JupyterLab

Dans Adobe Experience Platform, sélectionnez Notebooks dans la colonne de navigation de gauche. Autoriser un certain temps pour JupyterLab pour initialiser complètement.

JupyterLab interface

Le JupyterLab L’interface se compose d’une barre de menus, d’une barre latérale gauche réductible et de la zone de travail principale contenant des onglets de documents et d’activités.

Barre de menus

La barre de menus en haut de l’interface comporte des menus de niveau supérieur qui affichent les actions disponibles dans JupyterLab avec leurs raccourcis clavier :

  • Fichier : actions relatives aux fichiers et répertoires
  • Modifier : actions relatives à la modification des documents et d’autres activités
  • Afficher : actions qui modifient l’apparence de JupyterLab
  • Exécuter : actions d’exécution de code dans différentes activités telles que les notebooks et les consoles de code
  • Noyau : actions de gestion des noyaux
  • Onglets : une liste des activités et des documents ouverts
  • Paramètres : paramètres courants et un éditeur de paramètres avancés
  • **Aide :**JupyterLab une liste des liens d’aide de et du noyau

Barre latérale gauche

La barre latérale gauche contient des onglets cliquables qui permettent d’accéder aux fonctionnalités suivantes :

  • Navigateur de fichiers : une liste de documents et de répertoires de notebook enregistrés
  • Explorateur de données : accédez aux jeux de données et aux schémas, explorez-les et parcourez-les
  • Noyaux et terminaux en cours d’exécution : une liste des sessions de noyau et de terminal actives pouvant être interrompues
  • Commandes : une liste de commandes utiles
  • Inspecteur de cellule : un éditeur de cellules qui donne accès aux outils et aux métadonnées utiles pour configurer un notebook à des fins de présentation
  • onglets : une liste d’onglets ouverts

Sélectionnez un onglet pour afficher ses fonctionnalités ou cliquez sur un onglet développé pour réduire la barre latérale gauche comme illustré ci-dessous :

Espace de travail principal

L’espace de travail principal de JupyterLab permet d’organiser les documents et autres activités en panneaux d’onglets qui peuvent être redimensionnés ou subdivisés. Faites glisser un onglet au centre d’un panneau à onglets pour le faire migrer. Divisez un panneau en faisant glisser un onglet vers la gauche, la droite, le haut ou le bas du panneau :

Configuration du GPU et du serveur de mémoire dans Python/R

Dans JupyterLab sélectionnez l’icône d’engrenage dans le coin supérieur droit pour l’ouvrir. Configuration du serveur notebook. Vous pouvez activer GPU et allouer la quantité de mémoire dont vous avez besoin à l’aide du curseur. La quantité de mémoire que vous pouvez allouer dépend de la quantité de mémoire configurée par votre entreprise. Sélectionner Mise à jour des configurations pour enregistrer.

REMARQUE

Un seul processeur graphique est configuré par entreprise pour les notebooks. Si le GPU est en cours d’utilisation, vous devez attendre que l’utilisateur qui a réservé le GPU le publie. Pour ce faire, déconnectez-vous ou laissez le processeur graphique inactif pendant quatre heures ou plus.

Arrêter et redémarrer JupyterLab

Dans JupyterLab, vous pouvez mettre fin à votre session pour empêcher l’utilisation d’autres ressources. Commencez par sélectionner la variable icône d’alimentation icône d’alimentation, puis sélectionnez Arrêter dans la fenêtre contextuelle qui s’affiche pour terminer votre session. Les sessions notebook se terminent automatiquement après 12 heures d’absence d’activité.

Pour redémarrer JupyterLab, sélectionnez la variable icône de redémarrage icône de redémarrage situé directement à gauche de l’icône d’alimentation, puis sélectionnez Redémarrer dans la fenêtre contextuelle qui s’affiche.

terminer jupyterlab

Cellules de code

Les cellules de code constituent le contenu principal des notebooks. Elles contiennent le code source dans le langage du noyau associé au notebook et la sortie résultant de l’exécution de la cellule de code. Le nombre d’exécutions est affiché à droite de chaque cellule de code qui représente son ordre d’exécution.

Les actions de cellule courantes sont décrites ci-dessous :

  • Ajouter une cellule : cliquez sur le symbole plus (+) dans le menu du notebook pour ajouter une cellule vide. Les nouvelles cellules sont placées sous la cellule en cours d’interaction ou à la fin du notebook si aucune cellule particulière n’est concernée.

  • Déplacer une cellule : placez votre curseur à droite de la cellule que vous souhaitez déplacer, puis cliquez sur la cellule et faites-la glisser vers un nouvel emplacement. De plus, le déplacement d’une cellule d’un notebook vers un autre réplique la cellule et son contenu.

  • Exécuter une cellule : cliquez sur le corps de la cellule que vous souhaitez exécuter, puis sur l’icône lecture (▶) dans le menu du notebook. Un astérisque (*) est affiché dans le compteur d’exécution de la cellule lorsque le noyau traite l’exécution, et est remplacé par un nombre entier une fois l’exécution terminée.

  • Supprimer une cellule : cliquez sur le corps de la cellule que vous souhaitez supprimer, puis sur l’icône ciseaux.

Noyaux

Les noyaux des notebooks sont les moteurs informatiques spécifiques au langage pour le traitement des cellules des notebooks. En complément de Python, JupyterLab fournit une prise en charge linguistique supplémentaire dans R, PySpark et Spark (Scala). Lorsque vous ouvrez un document de notebook, le noyau associé est lancé. Lorsqu’une cellule de notebook est exécutée, le noyau effectue le calcul et produit des résultats qui peuvent consommer d’importantes ressources de processeur et de mémoire. Notez que la mémoire allouée n’est pas libérée tant que le noyau n’est pas arrêté.

Certaines fonctionnalités sont limitées à des noyaux particuliers, comme décrit dans le tableau ci-dessous :

Noyau Prise en charge de l’installation de la bibliothèque Platform intégrations
Python Oui
  • Sensei ML Framework
  • Catalog Service
  • Query Service
r Oui
  • Sensei ML Framework
  • Catalog Service
Scala Non
  • Sensei ML Framework
  • Catalog Service

Sessions de noyau

Chaque activité ou notebook principal activé JupyterLab utilise une session de noyau. Vous trouverez toutes les sessions actives en développant l’onglet Noyaux et terminaux en cours d’exécution de la barre latérale gauche. Vous pouvez identifier le type et l’état du noyau d’un notebook en observant le coin supérieur droit de l’interface du notebook. Dans le diagramme ci-dessous, le noyau associé au notebook est Python 3 et son état actuel est représenté par un cercle gris à droite. Un cercle creux implique un noyau inactif et un cercle plein implique un noyau occupé.

Si le noyau est arrêté ou inactif pendant une longue période, alors Aucun noyau ! avec un cercle plein n’est affiché. Activez un noyau en cliquant sur l’état du noyau et en sélectionnant le type de noyau approprié, comme illustré ci-dessous :

Lanceur

Le Lanceur personnalisé fournit des modèles de notebook utiles pour les noyaux pris en charge afin de vous aider à démarrer rapidement vos tâches, notamment :

Modèle Description
Vide Un fichier de notebook vide.
Démarrage Un notebook prérempli présentant l’exploration des données à l’aide de données d’exemple.
Ventes au détail Un notebook prérempli présentant la variable recette de ventes au détail utilisation de données d’exemple.
Recipe Builder Un modèle de notebook pour la création d’une recette dans JupyterLab. Il est prérempli de code et de commentaires qui présentent et décrivent le processus de création de la recette. Consultez le tutoriel notebook vers recette pour une présentation détaillée.
Query Service Un notebook prérempli présentant l’utilisation de Query Service directly in JupyterLab avec des exemples de workflows fournis qui analysent les données à grande échelle.
Événements XDM Un notebook prérempli qui présente l’exploration des données sur les données d’événement d’expérience de valeur post, en mettant l’accent sur les fonctionnalités communes à l’ensemble de la structure de données.
Requêtes XDM Un notebook prérempli présentant des exemples de requêtes d’entreprise sur les données d’événement d’expérience.
Agrégation Un notebook prérempli présentant des exemples de processus pour agréger de grandes quantités de données en petits blocs gérables.
Mise en cluster Un notebook prérempli présentant le processus de modélisation d’apprentissage automatique de bout en bout à l’aide d’algorithmes de mise en cluster.

Certains modèles de notebook sont limités à des noyaux spécifiques. La disponibilité des modèles pour chaque noyau est mappée dans le tableau suivant :

Vide Démarrage Ventes au détail Créateur de recettes Query Service Événements XDM Requêtes XDM Agrégation Mise en cluster
Python oui oui oui oui oui oui non non non
R oui oui oui non non non non non non
PySpark 3 (Spark 2.4) non oui non non non non oui oui non
Scala oui oui non non non non non non oui

Pour ouvrir un nouveau lanceur, cliquez sur Fichier > Nouveau lanceur. Vous pouvez également développer le navigateur de fichiers depuis la barre latérale gauche et cliquer sur le symbole plus (+) :

Étapes suivantes

Pour en savoir plus sur chacun des notebooks pris en charge et sur leur utilisation, consultez la page Accès aux données des notebooks JupyterLab guide de développement. Ce guide se concentre sur l’utilisation des notebooks JupyterLab pour accéder à vos données, y compris la lecture, l’écriture et l’interrogation de données. Le guide d’accès aux données contient également des informations sur la quantité maximale de données pouvant être lues par chaque notebook pris en charge.

Bibliothèques prises en charge

Pour obtenir la liste des packages pris en charge en Python, R et PySpark, copiez et collez !conda list dans une nouvelle cellule, puis exécutez la cellule. Une liste des packages pris en charge est renseignée par ordre alphabétique.

exemple

En outre, les dépendances suivantes sont utilisées, mais ne sont pas répertoriées :

  • CUDA 11.2
  • CUDNN 8.1

Sur cette page