玩转 Jupyter Notebook （CentOS）

Jupyter Notebook 简介

Jupyter Notebook 是一个开源的 Web 应用程序，能够用来建立和共享包含动态代码、方程式、可视化及解释性文本的文档。其应用于包括：数据整理与转换，数值模拟，统计建模，机器学习等等。更多信息请见官网 。

A. 检查 Python 环境

1. CentOS 7.2 中默认集成了 Python 2.7，能够经过下面命令检查 Python 版本：
   python --version

2. 安装 pip
   pip 是一个 Python 包管理工具，咱们使用 yum 命令来安装该工具：
   yum -y install python-pip
   使用下面命令升级 pip 到最新版本：
   pip install --upgrade pip

3. 安装相关依赖
   安装 Jupyter 过程当中还须要其余一些依赖，咱们使用如下命令安装他们：
   yum -y groupinstall "Development Tools"
yum -y install python-devel

B. 配置虚拟环境

1. 安装 virtualenv
   咱们将为 Jupyter 建立一个独立的虚拟环境，与系统自带的 Python 隔离开来。为此，先安装 virtualenv 库：
   pip install virtualenv

2. 建立虚拟环境
   建立一个专门的虚拟环境，并直接激活进入该环境：
   virtualenv venv
source venv/bin/activate

3. 使用 pip 安装 Jupyter
   pip install jupyter

C. 配置 Jupyter Notebook

1. 创建项目目录
   咱们先为 Jupyter 相关文件准备一个目录：
   mkdir /data/jupyter
cd /data/jupyter
   再创建一个目录做为 Jupyter 运行的根目录：
   mkdir /data/jupyter/root

2. 准备密码密文
   因为咱们将以须要密码验证的模式启动 Jupyter，因此咱们要预先生成所需的密码对应的密文。
   2.1. 生成密文
   使用下面的命令，建立一个密文的密码：
   python -c "import IPython;print IPython.lib.passwd()"
   执行后须要输入并确认密码，而后程序会返回一个'sha1:...'的密文，咱们接下来将会用到它。

3. 修改配置
   3.1. 生成配置文件
   咱们使用 --generate-config 来参数生成默认配置文件：
   jupyter notebook --generate-config --allow-root
   生成的配置文件在 /root/.jupyter/ 目录下，能够点此编辑配置。
   3.2. 修改配置
   而后在配置文件最下方加入如下配置：
   c.NotebookApp.ip = '*' c.NotebookApp.allow_root = True c.NotebookApp.open_browser = False c.NotebookApp.port = 8888 c.NotebookApp.password = u'刚才生成的密文(sha:...)' c.ContentsManager.root_dir = '/data/jupyter/root'
   其中：c.NotebookApp.password 请将上一步中密文填入此项，包括 sha: 部分。
   你也能够直接配置或使用 Nginx 将服务代理到 80 或 443 端口。

D. 启动 Jupyter Notebook

1. 直接启动
   使用如下指令启动 Jupyter Notebook：
   jupyter notebook
   此时，访问 http:// <您的 cvm ip 地址> :8888 便可进入 Jupyter 首页。

2. 建立 Notebook
   进入【首页】首先须要输入前面步骤中设置的密码。
   而后点击右侧的【 new 】，选择 Python2 新建一个 notebook，这时跳转至编辑界面。
   如今咱们能够看到 /data/jupyter/root/ 目录中出现了一个 Untitled.ipynb 文件，这就是咱们刚刚新建的 Notebook 文件。咱们创建的全部 Notebook 都将默认以该类型的文件格式保存。
   后台运行

3. 直接以 jupyter notebook 命令启动 Jupyter 的方式在链接断开时将会中断，因此咱们须要让 Jupyter 服务在后台常驻。
   先按下 Ctrl + C 并输入 y 中止 Jupyter 服务，而后执行如下命令：
   nohup jupyter notebook > /data/jupyter/jupyter.log 2>&1 &
   该命令将使得 Jupyter 在后台运行，并将日志写在 /data/jupyter/jupyter.log 文件中。

4. 准备后续步骤的 Notebook
   为了后面实验中实验室的步骤检查器可以更好的工做，此时咱们使用如下命令预先建立几份 ipynb 文件：
   cd /data/jupyter/root
cp Untitled.ipynb first.ipynb
cp Untitled.ipynb matplotlib.ipynb
cp Untitled.ipynb tensorflow.ipynb
rm -f Untitled.ipynb

E. 使用 Jupyter Notebook

1. 打开 first.ipynb 编辑界面
   接下来的步骤中如遇到步骤检查未经过，请按下 Ctrl + S 保存，等待步骤检查器确认。
   编辑界面
   • Jupyter Notebook 的编辑界面主要由 工具栏 和 内容编辑区 构成。
   • 下方编辑区，由 Cell 组成。每一个 notebook 由多个 Cell 构成，每一个 Cell 均可以有不一样的用途。

2. Code Cell
   新建的 notebook 中包含一个代码 Cell（Code Cell），以[ ]开头，在该类型的 Cell 中，能够输入任意代码并执行。如输入：
   1 + 1
   而后按下 Shift + Enter 键， Cell 中代码就会被执行，光标也会移动至下个新 Cell 中。咱们接着输入：
   print('Hello Jupyter')
   再次按下 Shift + Enter ，能够看到此次没有出现 Out[..] 这样的文字。这是由于咱们只打印出来了某些值，而没有返回任何的值。
   按下 Ctrl + S 保存，等待步骤检查器确认。

3. Heading Cell
   新版本中已经没有独立的 Heading Cell，如今标题被整合在 Markdown Cell 之中。
   若是咱们想在顶部添加一个的标题。选中第一个 Cell，而后点击 Insert -> Insert Cell Above。
   你会发现，文档顶部立刻就出现了一个新的 Cell。点击在工具栏中 Cell 类型（默认为 Code），将其变成 Markdown。接着在 Cell 中写下：
   # My First Notebook
   而后按下 Shift + Enter 键，即可以看到生成了一行一级标题。
   与 Markdown 语法相同，使用多个#将改变标题级别。

4. Markdown Cell
   上一步中咱们已经尝试了使用了 Markdown Cell。在该 Cell 中，除标题外其余语法一样支持。好比，咱们在一个新的 Cell 中插入如下文本：
   This is a **table**: | Name | Value | |:----:|:-----:| | A | 1 | | B | 2 | | C | 3 |
   而后按下 Shift + Enter，便可渲染出相应内容。

5. 高级用法 - HTML
   • Markdown Cell 中一样接受 HTML 代码。这样，你就能够实现更加丰富的样式及结构、添加图片等等。
   • 例如，若是想在 notebook 中添加 Jupyter 的 logo，而且添加 2px 的黑色边框，放置在单元格左侧，能够这样编写：
     <img src="http://jupyter.org/assets/nav_logo.svg" style="border: 2px solid black; float:left" />
     而后按下 Shift + Enter，便可渲染出图片。

6. 高级用法 - LaTex
   Markdown Cell 还支持 LaTex 语法。在 Cell 中插入如下文本：
   $$int_0^{+infty} x^2 dx$$
   一样按下 Shift + Enter，便可渲染出公式。

7. 导出
   notebook 支持导出导出为 HTML、Markdown、PDF 等多种格式。
   如点击 File -> Download as -> HTML(.html)，便可下载到 HTML 版本的 notebook。

8. 导出 PDF
   其中，导出 PDF 须要其余包的支持，咱们须要使用如下命令安装这些依赖：
   yum -y install pandoc texlive-*
   • 注：直接导出 PDF 时 Jupyter 可能会忽略一些 Cell，建议先导出为 HTML，而后使用浏览器将其转为 PDF。

F. 集成 Matplotlib（可选）

Matplotlib 是 Python 中最经常使用的可视化工具之一，能够很是方便地建立许多类型的 2D 图表和基本的 3D 图表。

1. 安装 Matplotlib
   咱们使用 pip 来安装 Matplotlib：
   pip install matplotlib
2. 测试 Matplotlib
   咱们使用另外一个 notebook （matplotlib.ipynb）来测试 Matplotlib。
   点击这里打开 matplotlib.ipynb 编辑界面。
   • 魔法命令
     在第一个 Cell 中，咱们插入并执行：
     %matplotlib inline
     这是指定 matplotlib 图表的显示方式的魔法命令。inline 表示将图表嵌入到 notebook 中。

G. 测试

关于 Matplotlib 的使用请移步其官网。
在接下来 Cell 中，咱们插入几个官方示例测试：

1. plot_bmh：
   示例代码：/plot_bmh.py

   from numpy.random import beta
   import matplotlib.pyplot as plt
   plt.style.use('bmh')
   
   def plot_beta_hist(ax, a, b):
       ax.hist(beta(a, b, size=10000), histtype="stepfilled",
               bins=25, alpha=0.8, normed=True)
   
   fig, ax = plt.subplots()
   plot_beta_hist(ax, 10, 10)
   plot_beta_hist(ax, 4, 12)
   plot_beta_hist(ax, 50, 12)
   plot_beta_hist(ax, 6, 55)
   ax.set_title("'bmh' style sheet")
   
   plt.show()

   按 Shift + Enter 执行 Cell，便可看到绘制出的图像。

2. whats_new_99_mplot3d：
   示例代码：/whats_new_99_mplot3d.py

   import random
   
   import numpy as np
   import matplotlib.pyplot as plt
   from matplotlib import cm
   from mpl_toolkits.mplot3d import Axes3D
   
   X = np.arange(-5, 5, 0.25)
   Y = np.arange(-5, 5, 0.25)
   X, Y = np.meshgrid(X, Y)
   R = np.sqrt(X**2 + Y**2)
   Z = np.sin(R)
   
   fig = plt.figure()
   ax = Axes3D(fig)
   ax.plot_surface(X, Y, Z, rstride=1, cstride=1, cmap=cm.viridis)
   
   plt.show()

   一样执行 Cell，便可看到绘制出的图像。

3. 动手试试：最后，咱们来尝试绘制一个二次函数图像，你能够自行实现，也能够参考下面代码：
   示例代码：/my.py

   import matplotlib.pyplot as plt
   import numpy as np
   
   x = np.arange(-10, 11)
   y = x**2
   
   plt.plot(x, y)
   plt.show()

H. 搭配 TensorFlow（可选）

TensorFlow™ 是一个采用数据流图，用于数值计算的开源软件库。它灵活的架构让你能够在多种平台上展开计算，例如台式计算机中的一个或多个CPU（或GPU），服务器，移动设备等等。
TensorFlow 最初由 Google 大脑小组的研究员和工程师们开发出来，用于机器学习和深度神经网络方面的研究，但这个系统的通用性使其也可普遍用于其余计算领域。

1. 安装 TensorFlow
   咱们使用 pip 安装相关依赖及 Tensorflow
   pip install protobuf
pip install tensorflow

2. 测试 TensorFlow（关于 TensorFlow 的使用请移步其TensorFlow官网，这里只是测试其在 Jupiter 中是否可用）
   • 打开 tensorflow.ipynb 编辑界面。
     在 Cell 中加入如下代码（整理自官网 MNIST 教程）：
   • 示例代码：/tensorflow.py

   from tensorflow.examples.tutorials.mnist import input_data
   import tensorflow as tf
   
   # The MNIST Data
   mnist = input_data.read_data_sets("MNIST_data/", one_hot=True)
   
   # Regression
   x = tf.placeholder(tf.float32, [None, 784])
   W = tf.Variable(tf.zeros([784, 10]))
   b = tf.Variable(tf.zeros([10]))
   y = tf.nn.softmax(tf.matmul(x, W) + b)
   
   # Training
   y_ = tf.placeholder(tf.float32, [None, 10])
   cross_entropy = tf.reduce_mean(-tf.reduce_sum(y_ * tf.log(y), reduction_indices=[1]))
   train_step = tf.train.GradientDescentOptimizer(0.05).minimize(cross_entropy)
   
   sess = tf.InteractiveSession()
   
   tf.global_variables_initializer().run()
   
   for _ in range(1000):
       batch_xs, batch_ys = mnist.train.next_batch(100)
       sess.run(train_step, feed_dict={x: batch_xs, y_: batch_ys})
   
   # Evaluating
   correct_prediction = tf.equal(tf.argmax(y,1), tf.argmax(y_,1))
   accuracy = tf.reduce_mean(tf.cast(correct_prediction, tf.float32))
   
   print(sess.run(accuracy, feed_dict={x: mnist.test.images, y_: mnist.test.labels}))

   按下 Shift + Enter，学习过程结束后能够看到输出了准确率（92% 左右）。

恭喜！您已经成功搭建起了一个云端的 Jupyter Notebook 环境。你能够选择保留已经运行的服务，继续进行 Jupyter Notebook 的使用。