JupyterLab Panoramica dell’interfaccia utente

JupyterLab è un'interfaccia utente basata sul Web per Jupyter del progetto ed è strettamente integrato in Adobe Experience Platform. Offre agli scienziati dei dati un ambiente di sviluppo interattivo per lavorare con i notebook Jupyter, il codice e i dati.

Questo documento fornisce una panoramica di JupyterLab e le relative funzioni, nonché le istruzioni per eseguire azioni comuni.

JupyterLab su Experience Platform

L'integrazione JupyterLab di Experience Platform è accompagnata da modifiche architettoniche, considerazioni di progettazione, estensioni personalizzate per i notebook, librerie preinstallate e un'interfaccia a tema Adobe.

L’elenco seguente illustra alcune delle funzioni esclusive di JupyterLab su Platform:

Funzione Descrizione
Kernel I kernel forniscono il blocco appunti e altri JupyterLab front-end consente di eseguire e analizzare il codice in diversi linguaggi di programmazione. Experience Platform fornisce kernel aggiuntivi per supportare lo sviluppo in Python, R, PySpark e Spark. Consulta la sezione cunicoli per ulteriori dettagli.
Accesso ai dati Accedi ai set di dati esistenti direttamente da JupyterLab con supporto completo per le funzionalità di lettura e scrittura.
Platformintegrazione dei servizi Le integrazioni integrate consentono di utilizzare altre Platform servizi direttamente dall'interno JupyterLab. Un elenco completo delle integrazioni supportate viene fornito nella sezione su Integrazione con altri servizi Platform.
Autenticazione Oltre a Modello di sicurezza integrato di JupyterLab, ogni interazione tra l’applicazione e l’Experience Platform, inclusa la comunicazione da servizio a servizio di Platform, viene crittografata e autenticata tramite Adobe Identity Management System (IMS).
Librerie di Sviluppo In Experience Platform, JupyterLab fornisce librerie preinstallate per Python, R e PySpark. Consulta la sezione appendice per un elenco completo delle librerie supportate.
Controller libreria Quando le librerie preinstallate non sono in grado di soddisfare le tue esigenze, è possibile installare librerie aggiuntive per Python e R e vengono temporaneamente archiviate in contenitori isolati per mantenere l'integrità dei Platform e tieni i tuoi dati al sicuro. Consulta la sezione cunicoli per ulteriori dettagli.
NOTA

Le librerie aggiuntive sono disponibili solo per la sessione in cui sono state installate. Quando avvii nuove sessioni, devi reinstallare tutte le librerie aggiuntive necessarie.

Integrazione con altri Platform servizi

La standardizzazione e l'interoperabilità sono concetti chiave alla base della Experience Platform. L'integrazione di JupyterLab su Platform in quanto un IDE integrato consente di interagire con altri Platform servizi, che consentono di utilizzare Platform al suo pieno potenziale. I seguenti Platform i servizi sono disponibili in JupyterLab:

  • Catalog Service: Accedi ed esplora i set di dati con funzionalità di lettura e scrittura.
  • Query Service: Accedere ed esplorare i set di dati utilizzando SQL, fornendo costi generali di accesso ai dati inferiori quando si tratta di grandi quantità di dati.
  • Sensei ML Framework: Sviluppo di modelli con la possibilità di addestrare e valutare i dati, nonché creazione di ricette con un solo clic.
  • Experience Data Model (XDM): La standardizzazione e l'interoperabilità sono concetti chiave alla base di Adobe Experience Platform. Experience Data Model (XDM), guidato da un Adobe, è uno sforzo per standardizzare i dati sulla customer experience e definire schemi per la gestione della customer experience.
NOTA

Alcuni Platform integrazioni di servizi su JupyterLab sono limitati a specifici kernel. Consulta la sezione su cunicoli per ulteriori dettagli.

Funzioni principali e operazioni comuni

Informazioni sulle caratteristiche principali di JupyterLab e le istruzioni sull'esecuzione di operazioni comuni sono fornite nelle sezioni seguenti:

Accedere ad JupyterLab

In Adobe Experience Platform, seleziona Notebook dalla colonna di navigazione a sinistra. Consenti un po' di tempo per JupyterLab da inizializzare completamente.

JupyterLab interfaccia

La JupyterLab l’interfaccia è costituita da una barra dei menu, una barra laterale sinistra comprimibile e l’area di lavoro principale contenente schede di documenti e attività.

Barra dei menu

La barra dei menu nella parte superiore dell’interfaccia dispone di menu di livello principale che espongono le azioni disponibili in JupyterLab con le relative scelte rapide da tastiera:

  • File: Azioni relative a file e directory
  • Modifica: Azioni relative alla modifica di documenti e altre attività
  • Visualizza: Azioni che alterano l'aspetto JupyterLab
  • Esegui: Azioni per l’esecuzione del codice in diverse attività, ad esempio blocchi appunti e console del codice
  • Kernel: Azioni per la gestione dei kernel
  • Schede: Elenco dei documenti e delle attività aperti
  • Impostazioni: Impostazioni comuni ed editor di impostazioni avanzate
  • Aiuto: Un elenco di JupyterLab e collegamenti della guida del kernel

Barra laterale sinistra

La barra laterale sinistra contiene schede selezionabili che consentono di accedere alle seguenti funzioni:

  • Browser file: Elenco dei documenti e delle directory del blocco appunti salvati
  • Data Explorer: Sfogliare, accedere ed esplorare set di dati e schemi
  • Canali e terminali in esecuzione: Un elenco di sessioni attive del kernel e del terminale con la possibilità di terminare
  • Comandi: Elenco di comandi utili
  • Ispettore cella: Un editor di celle che consente l'accesso a strumenti e metadati utili per la configurazione di un blocco appunti a scopo di presentazione
  • schede: Elenco delle schede aperte

Selezionate una scheda per esporne le caratteristiche, oppure selezionate una scheda espansa per comprimere la barra laterale sinistra come illustrato di seguito:

Area di lavoro principale

Il principale settore di lavoro JupyterLab consente di disporre documenti e altre attività in pannelli di schede che possono essere ridimensionati o suddivisi. Trascina una scheda al centro di un pannello di schede per eseguire la migrazione della scheda. Dividi un pannello trascinando una scheda a sinistra, a destra, in alto o in basso nel pannello:

Configurazione di GPU e server di memoria in Python/R

In JupyterLab seleziona l’icona a forma di ingranaggio nell’angolo in alto a destra per aprire Configurazione del server appunti. È possibile attivare la GPU e allocare la quantità di memoria necessaria utilizzando il cursore. La quantità di memoria che è possibile allocare dipende da quanto è stato effettuato il provisioning della tua organizzazione. Seleziona Aggiorna configurazioni da salvare.

NOTA

Per i notebook viene fornito un solo GPU per organizzazione. Se la GPU è in uso, è necessario attendere che l'utente che ha attualmente riservato la GPU rilasci. Questo può essere fatto disconnettendo o lasciando la GPU in uno stato di inattività per quattro o più ore.

Termina e riavvia JupyterLab

In JupyterLab, puoi interrompere la sessione per evitare l’utilizzo di ulteriori risorse. Inizia selezionando la icona di alimentazione icona di alimentazione, quindi seleziona Spegnimento dal pover che sembra interrompere la sessione. Le sessioni del blocco appunti terminano automaticamente dopo 12 ore di assenza di attività.

Per riavviare JupyterLab, seleziona icona di riavvio icona di riavvio situato direttamente a sinistra dell'icona di alimentazione, quindi selezionare Riavvia dal pover che appare.

terminare jupyterlab

Celle di codice

Le celle di codice sono il contenuto principale dei notebook. Contengono codice sorgente nella lingua del kernel associato del blocco appunti e l'output come risultato dell'esecuzione della cella di codice. A destra di ogni cella di codice che rappresenta l’ordine di esecuzione viene visualizzato un conteggio di esecuzione.

Di seguito sono descritte le azioni comuni della cella:

  • Aggiungi una cella: Fai clic sul simbolo più (+) dal menu del blocco appunti per aggiungere una cella vuota. Le nuove celle vengono posizionate sotto la cella con cui si sta interagendo o alla fine del blocco appunti se non è attiva alcuna cella specifica.

  • Spostare una cella: Posizionare il cursore a destra della cella che si desidera spostare, quindi fare clic e trascinare la cella in una nuova posizione. Inoltre, lo spostamento di una cella da un blocco appunti a un altro replica la cella con il relativo contenuto.

  • Esegui una cella: Fare clic sul corpo della cella che si desidera eseguire, quindi fare clic sul pulsante play icona (>) dal menu del notebook. Un asterisco (*) viene visualizzato nel contatore di esecuzione della cella quando il kernel sta elaborando l'esecuzione e viene sostituito con un numero intero al termine.

  • Eliminare una cella: Fare clic sul corpo della cella che si desidera eliminare, quindi fare clic sul pulsante scissore icona.

Kernel

I kernel dei notebook sono motori informatici specifici per la lingua per l'elaborazione delle celle dei notebook. Oltre a Python, JupyterLab fornisce supporto linguistico aggiuntivo in R, PySpark e Spark (Scala). Quando si apre un documento del blocco appunti, viene avviato il kernel associato. Quando viene eseguita una cella del blocco appunti, il kernel esegue il calcolo e produce risultati che possono richiedere notevoli risorse di CPU e memoria. Si noti che la memoria allocata non viene liberata finché il kernel non viene spento.

Alcune caratteristiche e funzionalità sono limitate a particolari kernel come descritto nella tabella seguente:

Kernel Supporto per l'installazione della libreria Platform integrazioni
Python
  • Sensei ML Framework
  • Catalog Service
  • Query Service
R
  • Sensei ML Framework
  • Catalog Service
Scala No
  • Sensei ML Framework
  • Catalog Service

Sessioni Kernel

Ogni blocco appunti o attività attiva su JupyterLab utilizza una sessione del kernel. Tutte le sessioni attive possono essere trovate espandendo il Terminali e kernel in esecuzione scheda dalla barra laterale sinistra. Il tipo e lo stato del kernel di un notebook possono essere identificati osservando l'interfaccia superiore destra del notebook. Nel diagramma seguente, il kernel associato al notebook è Python3 e lo stato corrente è rappresentato da un cerchio grigio a destra. Un cerchio cavo implica un kernel inattivo e un cerchio solido implica un kernel occupato.

Se il kernel viene spento o inattivo per un periodo prolungato, allora Nessun Kernel! viene visualizzato un cerchio pieno. Attivare un kernel facendo clic sullo stato del kernel e selezionando il tipo di kernel appropriato come illustrato di seguito:

Launcher

Personalizzato Launcher fornisce utili modelli per i blocchi supportati per avviare l'attività, tra cui:

Modello Descrizione
Vuoto Un file di blocco appunti vuoto.
Starter Un blocco appunti precompilato che illustra l'esplorazione dei dati utilizzando dati di esempio.
Vendite al dettaglio Un notebook precompilato con la ricetta di vendita al dettaglio utilizzo di dati di esempio.
Generatore di ricette Un modello per notebook per la creazione di una ricetta in JupyterLab. È precompilato con codice e commenti che mostrano e descrivono il processo di creazione delle ricette. Fai riferimento a tutorial su composizione per una dettagliata procedura dettagliata.
Query Service Un blocco appunti precompilato che illustra l'utilizzo di Query Service direttamente JupyterLab con flussi di lavoro di esempio forniti che analizzano i dati in scala.
Eventi XDM Un blocco appunti precompilato che illustra l'esplorazione dei dati sui dati Experience Event postvalue, concentrandosi sulle funzioni comuni nella struttura dei dati.
Query XDM Un blocco appunti precompilato che illustra query aziendali di esempio sui dati di Experience Event.
Aggregazione Un blocco appunti precompilato che dimostra i flussi di lavoro di esempio per aggregare grandi quantità di dati in blocchi più piccoli e gestibili.
Clustering Un blocco appunti precompilato che illustra il processo di modellazione dell'apprendimento automatico end-to-end utilizzando gli algoritmi di clustering.

Alcuni modelli di blocco appunti sono limitati a determinati kernel. La disponibilità del modello per ogni kernel è mappata nella seguente tabella:

Vuoto Starter Vendite al dettaglio Generatore di ricette Query Service Eventi XDM Query XDM Aggregazione Clustering
Python no no no
R no no no no no no
PySpark 3 (Spark 2,4) no no no no no no
Scala no no no no no no

Per aprire una nuova Launcher, fai clic su File > Nuovo Launcher. In alternativa, espandi la Browser file dalla barra laterale sinistra, fai clic sul simbolo più (+):

Passaggi successivi

Per ulteriori informazioni su ciascuno dei notebook supportati e su come utilizzarli, visita il Accesso ai dati dei notebook Jupyterlab guida per sviluppatori. Questa guida si concentra su come utilizzare i notebook JupyterLab per accedere ai tuoi dati, compresi la lettura, la scrittura e la query dei dati. La guida all'accesso ai dati contiene inoltre informazioni sulla quantità massima di dati leggibile da ciascun blocco appunti supportato.

Librerie supportate

Per un elenco dei pacchetti supportati in Python, R e PySpark, copia e incolla !conda list in una nuova cella, quindi eseguire la cella. Un elenco di pacchetti supportati viene compilato in ordine alfabetico.

esempio

Inoltre, vengono utilizzate le dipendenze seguenti, ma non elencate:

  • CUDA 11.2
  • CUDNN 8.1

In questa pagina