原文：
www.kdnuggets.com/2020/03/4-best-jupyter-notebook-environments-deep-learning.html
评论
Notebooks 正在成为数据科学家进行原型设计和分析的事实标准。许多云服务提供商以 Jupyter notebooks 的形式提供机器学习和深度学习服务。其他公司现在也开始提供类似存储、计算和定价结构的云托管 Jupyter 环境。主要的区别之一可能是多语言支持和版本控制选项，这允许数据科学家在一个地方分享他们的工作。
1. 谷歌网络安全证书 - 快速进入网络安全职业道路。
2. 谷歌数据分析专业证书 - 提升你的数据分析技能
3. 谷歌 IT 支持专业证书 - 支持你组织的 IT
Jupyter notebook 环境现在成为了将你的数据科学项目产品化的首选平台。Notebook 环境允许我们跟踪错误并保持代码整洁。尽管简单，但其中一个最佳特性是如果发现错误，Notebook 会停止编译你的代码。常规 IDE 即使检测到错误也不会停止编译，且根据代码量的不同，返回并手动检测错误位置可能会浪费时间。
许多云服务提供商和其他第三方服务看到了 Jupyter notebook 环境的价值，这就是为什么许多公司现在提供托管在云上的笔记本，且可供数百万用户访问。许多数据科学家没有进行大规模深度学习所需的硬件，但通过云托管环境，硬件和后台配置大多由系统处理，用户只需配置所需的参数，如 CPU/GPU/TPU、RAM、核心等。
-
MatrixDS 是一个云平台，提供了一种结合了社交网络和 GitHub 的体验，专为与同事分享数据科学项目而设计。它提供了一些最常用的技术，如 R、Python、Shiny、MongoDB、NGINX、Julia、MySQL 和 PostgreSQL。
-
他们同时提供免费和付费的服务。付费服务类似于主要云平台上提供的服务，您可以按使用量或时间付费。该平台根据需要提供 GPU 支持，以便在本地机器不足时完成内存密集型和计算密集型任务。
开始使用 MatrixDS 中的 Jupyter Notebook 环境：
-
注册服务以创建一个帐户。默认情况下，它应该是一个免费帐户。
-
然后，您将被提示进入一个项目页面。在这里，点击右上角的绿色按钮开始一个新项目。给它起个名字和描述，然后点击 CREATE。
-
然后您将被要求设置一些配置，如 RAM 和核心数量。由于这是一个免费帐户，您将被限制为 4GB RAM 和 1 个核心 CPU。
-
完成后，您将被带到一个页面，在这里您的工具（一个 Jupyter Notebook 实例）将会进行配置并准备就绪。
-
一旦您看到设置过程完成，点击 START，然后在运行时点击 OPEN，您将被带到一个新标签页，打开您的 Jupyter Notebook 实例。
-
Google Colab 是一个由 Google 提供的免费 Jupyter Notebook 环境，专为深度学习任务设计。它完全运行在云端，使您能够分享您的工作，直接保存到 Google Drive，并提供计算资源。
-
Colab 的主要优势之一是它提供了免费的 GPU 支持（当然有一定限制 – 请查看他们的 FAQ）。请参见 Anne Bommer 关于 Google Colab 入门的精彩文章。
-
它不仅支持 GPU， 我们还可以在 Colab 上使用 TPU。
除了常规的 Jupyter Notebook 之外，使用 Google Colab 进行 Jupyter 环境的一个简单示例是使用来自 opencv-python 包的 The cv2.imshow() 和 cv.imshow() 函数。这两个函数与独立的 Jupyter Notebook 不兼容。Google Colab 提供了一个自定义修复此问题的方法：
py` 从 google.colab.patches 导入 cv2_imshow !curl - o logo.png https://colab.research.google.com/img/colab_favicon_256px.png 导入 cv2 img = cv2.imread('logo.png', cv2.IMREAD_UNCHANGED) cv2_imshow(img) ```py ````
在代码单元中运行上述代码，以验证其确实有效，并开始你的图像和视频处理任务。
-
Google Cloud 提供了集成的 JupyterLab 管理实例，预装了最新的机器学习和深度学习库，如 TensorFlow、PyTorch、scikit-learn、pandas、NumPy、SciPy 和 Matplotlib。
-
该 Notebook 实例与 BigQuery、Cloud Dataproc 和 Cloud Dataflow 集成，以提供从数据摄取、预处理、探索、训练到部署的无缝体验。
-
集成服务使用户能够通过几次点击轻松扩展计算和存储容量。
要在 GCP 上开始使用你的 JupyterLab 实例，请按照以下步骤操作：
使用 Keras 运行以下代码，查看云环境和GPU支持如何加速你的分析：
数据集的链接是：数据集 CSV 文件（pima-indians-diabetes.csv）。为了简便，数据集应与您的 python 文件位于同一工作目录下。
将其保存为文件名：pima-diabetes.csv
py` 从 numpy 导入 loadtxt 从 keras.models 导入 Sequential 从 keras.layers 导入 Dense # 加载数据集 dataset = loadtxt('pima-diabetes.csv', delimiter=',') X = dataset[:,0:8] y = dataset[:,8] # 定义 keras 模型 model = Sequential() model.add(Dense(12, input_dim=8, activation='relu')) model.add(Dense(8, activation='relu')) model.add(Dense(1, activation='sigmoid')) # 由于这是一个二分类问题，选择 Sigmoid model.compile(loss='binary_crossentropy', optimizer='adam', metrics=['accuracy']) # 编译 keras 模型 model.fit(X, y, epochs=150, batch_size=10) # 训练 keras 模型 _, accuracy = model.evaluate(X, y) # 评估 keras 模型 print('Accuracy: %.2f' % (accuracy*100) ```py ````
-
Saturn Cloud 是一个新的云服务，提供一键式托管在云端的 Jupyter 笔记本，可以根据你的计算和存储需求进行扩展，使用 AWS 作为后端。这里有一个教程来帮助你入门：如何轻松创建、发布，甚至分享云托管的 Jupyter 笔记本，使用 Saturn Cloud
-
Saturn Cloud 应该处理数据科学中的 DevOps 部分，通过提供版本控制和协作机会来使你的分析更加可重复。
-
Saturn Cloud 提供了与 Dask（用 Python 编写）的并行计算基础设施，而不是其他大数据工具，如 Spark。
开始使用 Saturn Cloud：
-
登录并创建一个账户：Saturn Cloud 登录。基础计划可以免费使用，以熟悉环境。
-
创建你的笔记本实例：
-
为笔记本指定一个名称
-
存储量
-
使用的 GPU 或 CPU
-
（可选）Python 环境（例如：Pip、Conda）
-
（可选）自动关闭
-
一个 requirements.txt 文件来安装你项目所需的库。
-
-
在指定以上参数后，你可以点击 CREATE 来启动服务器和你的笔记本实例。
-
Saturn Cloud 还提供了托管你的笔记本，使其可以分享。这是 Saturn Cloud 处理数据科学项目的 DevOps 方面的一个示例，使用户不必担心。
运行以下代码以验证你的实例是否按预期运行。
py` 导入 pandas 为 pd 导入 matplotlib.pyplot 为 plt %matplotlib inline url = "https://archive.ics.uci.edu/ml/machine-learning-databases/iris/iris.data" names = ['sepal-length', 'sepal-width', 'petal-length', 'petal-width', 'class'] data = pd.read_csv(url, names=names) pd.plotting.scatter_matrix(dataset) plt.show() ```py ````
我们根据分析、可视化能力、数据存储和数据库功能等多个因素，将 Jupyter Notebook 环境从最佳到最差进行排名。每个平台都有其最佳和最差的用例及其独特的卖点。
上述所有服务都旨在满足你的深度学习需求，并提供一个可重现的环境，以便分享你的工作并尽可能少地进行后台工作。随着深度学习取得新进展，算法仍然需要大量的数据，而大多数数据科学家在本地机器上无法实现这一点。这时，上述替代方案允许我们进行无缝体验的分析。以下是我们对哪个平台最好、哪个最差的最佳尝试的客观观点：
- MatrixDS 的独特之处在于，它为不同的任务提供不同的工具。对于分析，它提供 Python、R、Julia、Tensorboard 等，对于可视化，它可以提供 Superset、Shiny、Flask、Bokeh 等，存储数据则提供 PostgreSQL。
- Saturn Cloud 提供并行计算支持，并使注册过程和创建 Jupyter notebook 尽可能简单，与列表中的其他提供商相比。对于那些只想以最少的麻烦开始，并且只需要一个可以处理大数据的服务器的用户，这可能是最好的选择。
#3 Google 的 AI Platform Notebooks：
- 这个 notebook 环境支持 Python 和 R。数据科学用户可能会有首选的语言，而在主要云服务提供商上支持这两种语言是一个吸引人的选择。它还提供对 GCP 其他服务的访问，如 BigQuery，直接从 Notebook 本身进行，使查询数据更高效和强大。
- 虽然相当强大且是唯一一个提供 TPU 支持的环境，但在数据科学工作流的全面性方面，它的功能不如其他环境丰富。它只支持 Python，功能上类似于标准的 Jupyter Notebook，但用户界面不同。它提供将你的 notebook 共享到 Google Drive 并可以访问你的 Google Drive 数据。
原文。经许可转载。
相关内容：
-
5 个 Google Colaboratory 提示
-
替代的云托管数据科学环境
-
如何优化你的 Jupyter Notebook