Översikt över användargränssnittet för JupyterLab

NOTE
Data Science Workspace finns inte längre att köpa.
Denna dokumentation är avsedd för befintliga kunder med tidigare tillstånd till Data Science Workspace.

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:

Funktion
Beskrivning
Kernlar
På panelerna finns anteckningsbok och andra JupyterLab-gränssnitt med funktioner för att köra och granska kod i olika programmeringsspråk. Experience Platform innehåller ytterligare kernlar som stöder utveckling i Python, R, PySpark och Spark. Mer information finns i avsnittet kernels.
Dataåtkomst
Få tillgång till befintliga datauppsättningar direkt inifrån JupyterLab med fullt stöd för läs- och skrivfunktioner.
Tjänstintegrering för Platform
Inbyggda integreringar gör att du kan använda andra Platform-tjänster direkt inifrån JupyterLab. En fullständig lista över integreringar som stöds finns i avsnittet Integrering med andra plattformstjänster.
Autentisering
Utöver JupyterLab:s inbyggda säkerhetsmodell krypteras och autentiseras all interaktion mellan ditt program och Experience Platform, inklusive kommunikation mellan plattformstjänster och tjänster, via Adobe Identity Management System (IMS).
Utvecklingsbibliotek
I Experience Platform innehåller JupyterLab förinstallerade bibliotek för Python, R och PySpark. En fullständig lista över bibliotek som stöds finns i bilagan.
Bibliotekskontrollen
När de förinstallerade biblioteken saknas för dina behov kan ytterligare bibliotek installeras för Python och R, och lagras tillfälligt i isolerade behållare för att bibehålla integriteten för Platform och skydda dina data. Mer information finns i avsnittet kernels.
NOTE
Ytterligare bibliotek är bara tillgängliga för den session där de installerades. Du måste installera om alla ytterligare bibliotek som du behöver när du startar nya sessioner.

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:

  • Catalog Service: Få åtkomst till och utforska datauppsättningar med läs- och skrivfunktioner.
  • Query Service: Få åtkomst till och utforska datauppsättningar med SQL, vilket ger lägre dataåtkomstkostnader vid hantering av stora mängder data.
  • Sensei ML Framework: Modellutveckling med möjlighet att träna och poängsätta data, samt att skapa recept med ett enda klick.
  • Experience Data Model (XDM): Standardisering och interoperabilitet är nyckelbegrepp bakom Adobe Experience Platform. Experience Data Model (XDM), som drivs av Adobe, är ett försök att standardisera kundupplevelsedata och definiera scheman för kundupplevelsehantering.
NOTE
Vissa Platform-tjänstintegreringar på JupyterLab är begränsade till specifika kärnor. Mer information finns i avsnittet kernels.

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:

  • Fil: Åtgärder som rör filer och kataloger
  • Redigera: Åtgärder som rör redigering av dokument och andra aktiviteter
  • Visa: Åtgärder som ändrar utseendet på JupyterLab
  • Kör: Åtgärder för att köra kod i olika aktiviteter, till exempel anteckningsböcker och kodkonsoler
  • Kernel: Åtgärder för hantering av kärnor
  • Flikar: En lista över öppna dokument och aktiviteter
  • Inställningar: Vanliga inställningar och en avancerad inställningsredigerare
  • Hjälp: En lista med JupyterLab- och kernel-hjälplänkar

Vänster sidofält

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

  • Filläsaren: En lista över sparade anteckningsboksdokument och kataloger
  • Datautforskaren: Bläddra, få åtkomst till och utforska datauppsättningar och scheman
  • Löpande kärnor och terminaler: En lista över aktiva kernel- och terminalsessioner med möjlighet att avsluta
  • Kommandon: En lista med användbara kommandon
  • Cellkontroll: En cellredigerare som ger åtkomst till verktyg och metadata som är användbara när du konfigurerar en anteckningsbok för presentationsändamål
  • tabbar: En lista med öppna flikar

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.

NOTE
Endast en GPU tilldelas per organisation för bärbara datorer. Om grafikprocessorn används måste du vänta på att den användare som för närvarande har reserverat grafikprocessorn ska frisläppa den. Detta kan du göra genom att logga ut eller lämna GPU:n i viloläge i fyra eller fler timmar.

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 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 starta om som finns direkt till vänster om strömikonen och väljer sedan Restart i den port som visas.

avsluta jupyterlab

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:

  • Lägg till en cell: Klicka på plustecknet (+) på anteckningsboksmenyn för att lägga till en tom cell. Nya celler placeras under den cell som för närvarande interagerar med, eller i slutet av anteckningsboken om ingen viss cell är i fokus.

  • Flytta en cell: Placera markören till höger om cellen som du vill flytta, klicka och dra sedan cellen till en ny plats. Om du flyttar en cell från en anteckningsbok till en annan kopieras cellen tillsammans med dess innehåll.

  • Kör en cell: Klicka på brödtexten i den cell som du vill köra och klicka sedan på ikonen play () på anteckningsbokens meny. En asterisk (*) visas i cellens körningsräknare när kärnan bearbetar körningen och ersätts med ett heltal vid slutförandet.

  • Ta bort en cell: Klicka på cellen som du vill ta bort och klicka sedan på ikonen sax .

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
Installationsstöd för bibliotek
Platform integreringar
Python
Ja
  • Sensei ML Framework
  • Catalog Service
  • Query Service
R
Ja
  • Sensei ML Framework
  • Catalog Service
Skala
Nej
  • Sensei ML Framework
  • Catalog Service

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:

Mall
Beskrivning
Tom
En tom anteckningsboksfil.
Starter
En förfylld anteckningsbok som visar datautforskandet med exempeldata.
Detaljhandel
En förfylld anteckningsbok med säljrecept för detaljhandeln som använder exempeldata.
Recipe Builder
En anteckningsboksmall för att skapa ett recept i JupyterLab. Den är förfylld med kod och kommentarer som demonstrerar och beskriver processen att skapa recept. I anteckningsboken finns självstudiekursen om du vill se en detaljerad genomgång.
Query Service
En förfylld anteckningsbok som visar hur Query Service används direkt i JupyterLab med medföljande exempelarbetsflöden som analyserar data i stor skala.
XDM-händelser
En förfylld anteckningsbok som visar datautforskande av Experience Event-data efter värde, med fokus på gemensamma funktioner i datastrukturen.
XDM-frågor
En förfylld anteckningsbok som visar exempel på affärsfrågor om Experience Event-data.
Aggregering
En förfylld anteckningsbok som visar exempel på arbetsflöden för att samla stora mängder data i mindre, hanterbara segment.
Klustring
En förfylld anteckningsbok som demonstrerar maskininlärningsmodelleringsprocessen från början till slut med hjälp av klusteralgoritmer.

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

Tom
Starter
Detaljhandel
Recipe Builder
Query Service
XDM-händelser
XDM-frågor
Aggregering
Klustring
Python
ja
ja
ja
ja
ja
ja
no
no
no
R
ja
ja
ja
no
no
no
no
no
no
PySpark 3 (Spark 2.4)
no
ja
no
no
no
no
ja
ja
no
Scala
ja
ja
no
no
no
no
no
no
ja

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.

exempel

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

  • CUDA 11.2
  • CUDNN 8.1
recommendation-more-help
cc79fe26-64da-411e-a6b9-5b650f53e4e9