JupyterLab Panoramica dell’interfaccia utente

JupyterLab è un'interfaccia utente basata sul Web per Project Jupyter ed è strettamente integrata in Adobe Experience Platform. Fornisce un ambiente di sviluppo interattivo per consentire ai data scientist di lavorare con Jupyter Notebooks, codice e dati.

In questo documento viene fornita una panoramica di JupyterLab e delle relative caratteristiche, nonché istruzioni per l'esecuzione di azioni comuni.

JupyterLab il Experience Platform

L'integrazione di Experience Platform con JupyterLab è accompagnata da modifiche architetturali, considerazioni di progettazione, estensioni per notebook personalizzate, 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 al blocco appunti e ad altri front-end JupyterLab la possibilità di eseguire e introdurre il codice in diversi linguaggi di programmazione. Experience Platform fornisce kernel aggiuntivi per supportare lo sviluppo in Python, R, PySpark e Spark. Per ulteriori dettagli, consulta la sezione kernel.
Accesso ai dati
Accedere ai set di dati esistenti direttamente da JupyterLab con il supporto completo per le funzionalità di lettura e scrittura.
Integrazione del servizio Platform
Le integrazioni incorporate consentono di utilizzare altri servizi Platform direttamente da JupyterLab. Un elenco completo delle integrazioni supportate è fornito nella sezione relativa all'integrazione di con altri servizi di Platform.
Autenticazione
Oltre al modello di sicurezza integrato di JupyterLab, tutte le interazioni tra l'applicazione e Experience Platform, inclusa la comunicazione da servizio a servizio di Platform, vengono crittografate e autenticate tramite Adobe Identity Management System (IMS).
Librerie di sviluppo
In Experience Platform, JupyterLab fornisce librerie preinstallate per Python, R e PySpark. Per un elenco completo delle librerie supportate, consulta l'appendice.
Controller libreria
Quando le librerie preinstallate non sono sufficienti per le tue esigenze, è possibile installare librerie aggiuntive per Python e R e archiviarle temporaneamente in contenitori isolati per mantenere l'integrità di Platform e proteggere i tuoi dati. Per ulteriori dettagli, consulta la sezione kernel.
NOTE
Le librerie aggiuntive sono disponibili solo per la sessione in cui sono state installate. È necessario reinstallare tutte le librerie aggiuntive necessarie all'avvio di nuove sessioni.

Integrazione con altri servizi Platform service-integration

Standardizzazione e interoperabilità sono concetti chiave alla base di Experience Platform. L'integrazione di JupyterLab in Platform come IDE incorporato consente di interagire con altri servizi Platform, consentendo di utilizzare Platform al massimo delle potenzialità. I seguenti servizi Platform 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, riducendo i costi comuni di accesso ai dati quando si gestiscono grandi quantità di dati.
  • Sensei ML Framework: sviluppo di modelli con la possibilità di addestrare e valutare i dati, nonché creazione di formule con un solo clic.
  • Experience Data Model (XDM): La standardizzazione e l'interoperabilità sono concetti chiave di Adobe Experience Platform. Experience Data Model (XDM), guidato da un Adobe, è un tentativo di standardizzare i dati sull'esperienza del cliente e definire schemi per la gestione della customer experience.
NOTE
Alcune integrazioni del servizio Platform in JupyterLab sono limitate a kernel specifici. Per ulteriori informazioni, consulta la sezione su kernel.

Funzioni principali e operazioni comuni

Le informazioni sulle caratteristiche chiave di JupyterLab e le istruzioni sull'esecuzione di operazioni comuni sono fornite nelle sezioni seguenti:

Accedi a JupyterLab access-jupyterlab

In Adobe Experience Platform, seleziona Blocchi appunti dalla colonna di navigazione a sinistra. Attendere il completamento dell'inizializzazione di JupyterLab.

Interfaccia JupyterLab jupyterlab-interface

L'interfaccia JupyterLab è costituita da una barra dei menu, una barra laterale a 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 include menu di primo livello 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
  • Visualizzazione: azioni che modificano l'aspetto di JupyterLab
  • Esegui: azioni per l'esecuzione del codice in attività diverse, ad esempio blocchi appunti e console di codice
  • Kernel: azioni per la gestione dei kernel
  • Schede: un elenco di documenti e attività aperti
  • Impostazioni: Impostazioni comuni e un editor di impostazioni avanzate
  • Guida: Un elenco di JupyterLab e collegamenti della Guida del kernel

Barra laterale a sinistra

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

  • Browser file: un elenco di documenti e directory dei blocchi appunti salvati
  • Esplora dati: Sfogliare, accedere ed esplorare set di dati e schemi
  • Kernel 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 celle: editor di celle che consente di accedere a strumenti e metadati utili per la configurazione di un blocco appunti a scopo di presentazione
  • schede: un elenco di schede aperte

Seleziona una scheda per esporne le funzioni o fai clic su una scheda espansa per comprimere la barra laterale a sinistra, come illustrato di seguito:

Area di lavoro principale

L'area di lavoro principale in JupyterLab consente di disporre documenti e altre attività in pannelli di schede che possono essere ridimensionati o suddivisi. Trascinare una scheda al centro di un pannello di tabulazione per migrare la scheda. Dividi un pannello trascinando una scheda a sinistra, a destra, in alto o in basso nel pannello:

Configurazione della GPU e del server di memoria in Python/R

In JupyterLab selezionare l'icona a forma di ingranaggio nell'angolo superiore destro per aprire Configurazione server notebook. È possibile attivare la GPU e allocare la quantità di memoria necessaria utilizzando il dispositivo di scorrimento. La quantità di memoria che è possibile allocare dipende da quanto è stato eseguito il provisioning dell’organizzazione. Seleziona Aggiorna configurazioni da salvare.

NOTE
Per i notebook viene eseguito il provisioning di una sola GPU per organizzazione. Se la GPU è in uso, è necessario attendere che l'utente che ha prenotato la GPU la rilasci. Questa operazione può essere eseguita disconnettendosi o lasciando la GPU inattiva per quattro o più ore.

Termina e riavvia JupyterLab

In JupyterLab, puoi terminare la sessione per impedire l'utilizzo di ulteriori risorse. Iniziare selezionando l'icona di alimentazione icona di alimentazione , quindi selezionare Chiudi sessione dal popover che sembra terminare la sessione. Le sessioni del notebook terminano automaticamente dopo 12 ore di assenza di attività.

Per riavviare JupyterLab, selezionare l'icona riavvia riavvia icona situata direttamente a sinistra dell'icona di alimentazione, quindi selezionare Riavvia dal popover visualizzato.

termina jupyterlab

Celle di codice code-cells

Le celle di codice sono il contenuto principale dei notebook. Contengono codice sorgente nel linguaggio del kernel associato al blocco appunti e l'output risultante dall'esecuzione della cella del codice. A destra di ogni cella di codice che rappresenta l'ordine di esecuzione viene visualizzato un conteggio di esecuzione.

Le azioni comuni delle celle sono descritte di seguito:

  • Aggiungi cella: Per aggiungere una cella vuota, fare clic sul simbolo più (+) nel menu del blocco appunti. 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 particolare.

  • 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, se si sposta una cella da un blocco appunti a un altro, la cella viene replicata insieme al relativo contenuto.

  • Esegui una cella: Fare clic sul corpo della cella che si desidera eseguire, quindi fare clic sull'icona Riproduci () nel menu del blocco appunti. Un asterisco (*) viene visualizzato nel contatore di esecuzione della cella durante l'elaborazione dell'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 sull'icona forbice.

Kernel kernels

I kernel per notebook sono i motori di elaborazione specifici per il linguaggio per l'elaborazione di celle per notebook. Oltre a Python, JupyterLab fornisce supporto linguistico aggiuntivo in R, PySpark e Spark (Scala). Quando si apre un documento blocco appunti, viene avviato il kernel associato. Quando viene eseguita una cella del notebook, 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 fino alla chiusura del kernel.

Alcune caratteristiche e funzionalità sono limitate a determinati 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 kernel-sessions

Ogni blocco appunti o attività attiva in JupyterLab utilizza una sessione kernel. Per trovare tutte le sessioni attive, espandi la scheda Terminali e kernel in esecuzione dalla barra laterale a sinistra. Il tipo e lo stato del kernel di un notebook possono essere identificati osservando la parte superiore destra dell'interfaccia del notebook. Nel diagramma seguente, il kernel associato al blocco appunti è Python3 e il suo 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 arrestato o inattivo per un periodo prolungato, Nessun kernel!Viene visualizzato con un cerchio continuo. Attivate un kernel facendo clic sullo stato del kernel e selezionando il tipo di kernel appropriato come mostrato di seguito:

Modulo di avvio launcher

Il modulo di avvio personalizzato fornisce utili modelli di blocco appunti per i kernel supportati, utili per avviare l'attività, tra cui:

Modello
Descrizione
Vuoto
Un file del blocco appunti vuoto.
Starter
Un notebook precompilato che illustra l’esplorazione dei dati utilizzando dati di esempio.
Vendite al dettaglio
Un notebook precompilato con ricetta per la vendita al dettaglio utilizzando dati di esempio.
Generatore di ricette
Modello di blocco appunti per la creazione di una composizione in JupyterLab. È precompilata con codice e commento che illustra e descrive il processo di creazione della ricetta. Per informazioni dettagliate, consulta il blocco appunti per l'esercitazione sulla ricetta.
Query Service
Un blocco appunti precompilato che illustra l'utilizzo di Query Service direttamente in JupyterLab con flussi di lavoro di esempio forniti che analizza i dati su larga scala.
Eventi XDM
Un blocco appunti precompilato che illustra l’esplorazione dei dati sui dati post-valore di Experience Event, concentrandosi sulle funzioni comuni all’intera struttura di dati.
Query XDM
Un blocco appunti precompilato che illustra query di business di esempio sui dati di Experience Event.
Aggregazione
Un notebook precompilato che illustra flussi di lavoro di esempio per aggregare grandi quantità di dati in blocchi più piccoli e gestibili.
Clustering
Un notebook precompilato che illustra il processo di modellazione dell’apprendimento automatico end-to-end tramite algoritmi di clustering.

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

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 un nuovo modulo di avvio, fare clic su File > Nuovo modulo di avvio. In alternativa, espandere Browser file dalla barra laterale sinistra e fare clic sul simbolo più (+):

Passaggi successivi

Per ulteriori informazioni su ciascuno dei notebook supportati e su come utilizzarli, consulta la Guida per gli sviluppatori di Jupyterlab per l'accesso ai dati dei notebook. Questa guida illustra come utilizzare i notebook JupyterLab per accedere ai dati, incluse le operazioni di lettura, scrittura e query. La guida all'accesso ai dati contiene inoltre informazioni sulla quantità massima di dati che può essere letta da ogni blocco appunti supportato.

Librerie supportate supported-libraries

Per un elenco dei pacchetti supportati in Python, R e PySpark, copiare e incollare !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
recommendation-more-help
cc79fe26-64da-411e-a6b9-5b650f53e4e9