Введение

Python и Jupyter предоставляют гибкую и мощную среду для разработки моделей AI/ML. Некоторые ключевые моменты о Python/Jupyter для AI/ML:

• Python имеет огромную экосистему библиотек и инструментов для AI/ML, таких как TensorFlow, Keras, scikit-learn, PyTorch и другие. Эти библиотеки упрощают создание моделей для глубокого обучения, компьютерного зрения, НЛП и других областей.

• Jupyter Notebooks позволяет объединять код, уравнения, визуализации и описательный текст в одном документе. Это делает их идеальными для экспериментов с идеями AI/ML и быстрой итерации.

• Блокноты предоставляют среду выполнения, в которой вы можете интерактивно запускать код Python, что позволяет вам тестировать фрагменты кода при разработке полной модели.

• Блокноты упрощают документирование вашей работы с помощью ячеек уценки, объясняющих код и результаты. Это делает записные книжки полезными для отчетов, воспроизведения работы и обмена с другими.

• Python — это простой, но мощный язык, позволяющий специалистам по обработке и анализу данных и инженерам по машинному обучению сосредоточиться на своих алгоритмах и моделях, а не на синтаксисе.

• Существует широкий спектр наборов Python/Jupyter AI/ML с открытым исходным кодом, которые предоставляют готовые шаблоны, примеры и инструменты для ускорения разработки AI/ML. Эти комплекты управляют настройкой среды и зависимостей, чтобы вы могли быстро приступить к работе.

Таким образом, сочетание богатой экосистемы библиотек AI/ML Python и гибкости Jupyter Notebook делает их отличным выбором для создания, обучения и экспериментов с моделями AI/ML. Доступные комплекты AI/ML еще больше упрощают процесс настройки и предоставляют примеры и шаблоны для ускорения вашей работы.

Пошаговое руководство по настройке AI/ML РАЗРАБОТКА, ОБУЧЕНИЕ И ВЫВОДЫ С ИСПОЛЬЗОВАНИЕМ PYTHON & JUPYTER KIT На GCP (Google Cloud Platform)

Шаг 1

Откройте Комплект разработки AI/ML, представленный в Google Cloud Platform Marketplace.

Шаг 2

Нажмите Кнопку запуска.

Выберите зону, в которой вы хотите запустить виртуальную машину (например, us-east1-).

При желании изменить количество ядер и объем памяти. (По умолчанию 2 виртуальных ЦП и 7,5 ГБ оперативной памяти.)

При желании измените тип и размер загрузочного диска. (По умолчанию это «Стандартный постоянный диск» и 35 ГБ соответственно).

При необходимости измените имя сети и имена подсети. Убедитесь, что указанная вами сеть имеет открытые порты 22 (для SSH), 3389 (для RDP) и 80 (для HTTP).

Когда закончите, нажмите кнопку Развернуть. Начинается развертывание Python AI & Machine Learning Suit.

Шаг 3

Страница сводки отображается после успешного развертывания вычислительного ядра. Щелкните ссылку Экземпляр, чтобы перейти на страницу экземпляра.

Шаг 4

На странице экземпляра нажмите кнопку «SSH», выберите «Открыть в окне браузера».

Шаг 5

Это откроет окно SSH в браузере.

Шаг 6

Запустите команду ниже, чтобы установить пароль для пользователя «ubuntu».

Шаг 7

Теперь пароль для пользователя Ubuntu установлен, вы можете подключиться к среде рабочего стола виртуальной машины с любого локального компьютера с Windows, используя протокол RDP, или с компьютера с Linux, используя Remmina.

Шаг 8

Чтобы подключиться с помощью RDP через Windows Machine, сначала запишите внешний IP-адрес виртуальной машины на странице сведений о виртуальной машине, как показано ниже.

Шаг 9

Затем на локальном компьютере Windows перейдите в меню «Пуск» , в поле поиска введите и выберите «Подключение к удаленному рабочему столу».

Шаг 10

В мастере Подключение к удаленному рабочему столу вставьте внешний IP-адрес и нажмите кнопку подключения.

Шаг 11

Это подключит вас к среде рабочего стола виртуальной машины. Укажите «ubuntu» в качестве идентификатора пользователя и пароль, установленный на шаге 6, для аутентификации. Нажмите кнопку ОК.

Шаг 12

Теперь вы подключены к готовой среде AI/ML через Windows Machine.

Шаг 13

Вы можете использовать удаленный рабочий стол, подключенный на предыдущем шаге, для использования виртуальной машины, однако более удобным и лучшим методом является использование записной книжки Jupyter/Ipython, которая поставляется вместе с виртуальной машиной.

Ноутбук доступен на том же общедоступном IP-адресе, который вы использовали для удаленного рабочего стола, и доступен через любой браузер. Просто откройте браузер и введите общедоступный IP-адрес, и вы получите экран ниже для входа в систему.

Блокнот Jupyter настроен с использованием ubuntu в качестве пользователя-администратора. Войдите в систему с ubuntu в качестве имени пользователя и используйте надежный пароль и запишите его где-нибудь, так как с этого момента это будет пароль для учетной записи администратора.

Примечание. Убедитесь, что вы используете http, а не https в URL-адресе.

Шаг 14

Эта виртуальная машина поставляется с ubuntu по умолчанию в качестве пользователя-администратора. Таким образом, чтобы получить доступ к веб-интерфейсу и установить дополнительные пакеты, войдите в систему с пользователем ubuntu и паролем, который вы установили при первом входе в Jypyter Notebook.

Шаг 15

Откройте терминал в блокноте Jupyter и введите приведенную ниже команду, чтобы установить пакет there с помощью pip.

sudo -E pip install there

Примечание. Не забудьте использовать sudo в приведенной выше команде.

Шаг 16

Conda позволяет устанавливать новые языки (такие как новые версии python, node, R и т. д.), а также пакеты на этих языках. Для большого количества научного программного обеспечения установка с помощью Conda часто проще и проще, чем установка с помощью pip, особенно если он связан с кодом C / Fortran.

Установите пакет с помощью Conda с помощью команды ниже.

sudo -E conda install -c conda-forge seaborn

Шаг 17

Пакеты seaborn и there теперь доступны всем пользователям JupyterHub. Если у пользователя уже была запущена записная книжка Python, ему необходимо перезапустить ядро ​​своей записной книжки, чтобы новые библиотеки стали доступны.

Шаг 18

Кроме того, вы можете установить пакеты из самого ноутбука Jupyter. Откройте новый блокнот Jupyter, щелкнув раскрывающийся список new и выбрав Python 3 (ipykernel) в правом верхнем углу. Запустите ниже установку pip как

!sudo pip install matplotlib

Шаг 19

Установите пакет conda!

!sudo conda install -c conda-forge gdal

Пользовательская среда — это среда conda, настроенная в /opt/tljh/user, с ядром python3 по умолчанию. Он доступен для чтения всем пользователям, но доступен для записи только пользователям с root-доступом. Это позволяет администраторам JupyterHub (имеющим root-доступ с помощью sudo) легко устанавливать программное обеспечение в пользовательской среде.

Заключение

В заключение следует отметить, что Python и Jupyter предоставляют универсальную и надежную среду для разработки, обучения и логических выводов в области искусственного интеллекта и машинного обучения. Обширная библиотечная экосистема Python и интерактивный интерфейс ноутбука Jupyter делают их популярным выбором для специалистов по данным и специалистов по машинному обучению.

В этом сообщении блога мы рассмотрели пошаговое руководство по настройке разработки, обучения и логических выводов AI/ML с использованием Python и Jupyter на Google Cloud Platform (GCP). В руководстве рассказывалось о запуске виртуальной машины на GCP, настройке экземпляра и подключении к нему с использованием протоколов SSH или RDP.

Кроме того, в блоге подчеркивается удобство использования Jupyter Notebook, который поставляется с предварительно настроенной виртуальной машиной, для разработки моделей AI/ML. Записная книжка представляет собой интерактивную среду для совместной работы, в которой код, визуализации и пояснения могут быть объединены в одном документе.

В целом, Python и Jupyter вместе с доступными комплектами и платформами AI/ML, такими как GCP, обеспечивают мощный и оптимизированный рабочий процесс для разработки AI/ML, позволяя специалистам-практикам сосредоточиться на эффективном построении и повторении своих моделей.