Översikt över användargränssnittet för JupyterLab

JupyterLab är ett webbaserat användargränssnitt för Project Jupyter och är nära integrerat med Adobe Experience Platform. Den utgör en interaktiv utvecklingsmiljö där datavetare kan arbeta med Jupyter-anteckningsböcker, kod och data.

Det här dokumentet innehåller en översikt över JupyterLab och dess funktioner samt instruktioner om hur du utför vanliga åtgärder.

JupyterLab på Experience Platform

Integreringen av Experience Platform JupyterLab åtföljs av arkitektoniska förändringar, designöverväganden, anpassade utbyggnadsmoduler för bärbara datorer, förinstallerade bibliotek och ett gränssnitt med Adobe-teman.

I följande lista beskrivs några av funktionerna som är unika för JupyterLab på Platform:

Integrering med andra Platform-tjänster service-integration

Standardisering och interoperabilitet är viktiga begrepp bakom Experience Platform. Integreringen av JupyterLab på Platform som en inbäddad IDE gör att den kan interagera med andra Platform-tjänster, vilket gör att du kan utnyttja Platform fullt ut. Följande Platform tjänster är tillgängliga i JupyterLab:

Viktiga funktioner och vanliga åtgärder

Information om de viktigaste funktionerna i JupyterLab och instruktioner om hur du utför vanliga åtgärder finns i avsnitten nedan:

Åtkomst JupyterLab access-jupyterlab

I Adobe Experience Platform väljer du Notebooks i den vänstra navigeringskolumnen. Ge JupyterLab lite tid att initiera helt.

Gränssnitt för JupyterLab jupyterlab-interface

Gränssnittet JupyterLab består av en menyrad, ett infällt vänster sidofält och huvudarbetsytan som innehåller flikar med dokument och aktiviteter.

Menyraden

Menyraden högst upp i gränssnittet har menyer på översta nivån som visar åtgärder som är tillgängliga i JupyterLab med sina kortkommandon:

Vänster sidofält

Den vänstra sidlisten innehåller klickbara flikar som ger åtkomst till följande funktioner:

Markera en flik för att visa dess funktioner, eller markera den på en utökad flik för att komprimera den vänstra sidopanelen så som visas nedan:

Huvudarbetsyta

Med huvudarbetsytan i JupyterLab kan du ordna dokument och andra aktiviteter i flikpaneler som kan storleksändras eller delas upp. Dra en flik till mitten av en tabbpanel för att migrera fliken. Dela upp en panel genom att dra en flik till vänster, höger, överst eller nederst på panelen:

GPU- och minnesserverkonfiguration i Python/R

I JupyterLab väljer du kugghjulsikonen i det övre högra hörnet för att öppna serverkonfigurationen för bärbara datorer. Du kan växla GPU på och tilldela den mängd minne du behöver med hjälp av skjutreglaget. Hur mycket minne du kan allokera beror på hur mycket organisationen har allokerat. Välj Update configs att spara.

Avsluta och starta om JupyterLab

Om du använder JupyterLab kan du avsluta din session för att förhindra att fler resurser används. Börja med att välja strömikonen och välj sedan Shut Down i den port som visas för att avsluta sessionen. Anteckningsbokssessioner avslutas automatiskt efter 12 timmars ingen aktivitet.

Om du vill starta om JupyterLab väljer du ikonen starta om som finns direkt till vänster om strömikonen och väljer sedan Restart i den port som visas.

Kodceller code-cells

Kodceller är det primära innehållet i anteckningsböcker. De innehåller källkod på samma språk som anteckningsbokens associerade kärna och utdata som ett resultat av körningen av kodcellen. Ett körningsantal visas till höger om varje kodcell som representerar dess körningsordning.

Vanliga cellåtgärder beskrivs nedan:

Kernlar kernels

Anteckningsbokskärnor är språkspecifika datormotorer för bearbetning av bärbara datorer. Utöver Python har JupyterLab ytterligare språkstöd i R, PySpark och Spark (Scala). När du öppnar ett anteckningsboksdokument startas den tillhörande kärnan. När en anteckningsbokscell körs utför kärnan beräkningen och ger resultat som kan ta mycket processorkraft och minnesresurser i anspråk. Observera att allokerat minne inte frigörs förrän kärnan stängs av.

Vissa funktioner är begränsade till särskilda kärnor enligt tabellen nedan:

Kernel-sessioner kernel-sessions

Varje aktiv anteckningsbok eller aktivitet på JupyterLab använder en kernel-session. Alla aktiva sessioner kan hittas genom att utöka fliken Löpande terminaler och kärnor från vänster sidofält. Den bärbara datorns typ och tillstånd för kärnan kan identifieras genom att man observerar den övre högra delen av gränssnittet. I diagrammet nedan är anteckningsbokens associerade kärna Python3 och det aktuella läget representeras av en grå cirkel till höger. En ihålig cirkel innebär en inaktiv kärna och en fylld cirkel betyder en upptagen kärna.

Om kärnan är avstängd eller inaktiv under en längre period Ingen kernel! med en fylld cirkel visas. Aktivera en kärna genom att klicka på kernelstatusen och välja lämplig kerneltyp enligt nedan:

Startprogram launcher

Med den anpassade startguiden får du användbara anteckningsboksmallar för de paneler som stöds så att du snabbt kan komma igång med din uppgift, inklusive:

Vissa mallar för bärbara datorer är begränsade till vissa kärnor. Malltillgängligheten för varje kärna mappas i följande tabell:

Om du vill öppna en ny startfunktion klickar du på Arkiv > Ny startfunktion. Du kan också expandera filläsaren från vänster sidofält och klicka på plustecknet (+):

Nästa steg

Om du vill veta mer om de bärbara datorer som stöds och hur du använder dem kan du gå till utvecklarhandboken för Jupyterlab-anteckningsböcker för dataåtkomst . Den här guiden fokuserar på hur du använder JupyterLab-anteckningsböcker för att få tillgång till dina data, inklusive läsning, skrivning och frågor. Dataåtkomstguiden innehåller även information om den maximala mängden data som kan läsas av varje bärbar dator som stöds.

Bibliotek som stöds supported-libraries

Om du vill visa en lista över paket som stöds i Python, R och PySpark kopierar och klistrar du in !conda list i en ny cell och kör sedan cellen. En lista över paket som stöds visas i alfabetisk ordning.

Dessutom används följande beroenden, som inte finns med i listan: