1.6 環境配置之Jupyter Notebook
什麼是 jupyter notebook
經過前幾個章節的準備，目前已經具備了PyTorch開發環境，但本教程需要照顧初學者使用代碼，為初學者提供更佳的代碼學習體驗。因此，在上篇，主要採用Jupyter Notebook進行代碼演示。
注意：Jupyter Notebook 建議僅用於學習目的，不推薦用於專案開發。
因為notebook自身定位決定的，先來看看jupyter notebook 的定義“The Jupyter Notebook is a web application for creating and sharing documents that contain code, visualizations, and text. It can be used for data science, statistical modeling, machine learning, and much more.”——官網
Jupyter notebook 是一個網頁應用，在這個網頁上可以編寫代碼、做視覺化、寫文本，這就是非常好的教學展示平臺。可以在上面進行概念描述、配上代碼、運行結果，並且可以按小段進行代碼運行，給用戶更多的交互體驗，便於用戶理解代碼細節。
基於此，本書上篇主要採用notebook進行代碼講解，到了中篇，基於完整的專案代碼框架進行應用開發。
關於jupyter與jupyter notebook的關係，請大家查看官網（以下開始，notebook 指代 jupyter notebook）
notebook 運行邏輯
Jupyter Notebook不僅僅是一個簡單的web應用程式，它還需要關聯指定的kernel，用於執行我們的代碼。相信剛接觸notebook的朋友大多都被notebook, kernel的概念搞的一頭霧水。如果上述概念理不清楚，就更不清楚如何配置kernel，選擇指定的虛擬環境了。
下面，我們先來看看notebook的結構
圖片來自官網
圖中左邊是用戶寫的代碼，傳輸到中間的Jupyter server, server本身不能執行代碼，server把代碼傳給Kernel，Kernel才是實際執行代碼的組件，執行代碼的地方。Kernel執行完代碼，把結果返回給server，再返回到用戶的網頁。
從圖中可以看出Kernel不僅可以是python.exe，也可以是其他語言的解譯器，如Julia, R等，更多kernel可以看支持的kernel列表.
通過上述示意圖我們就知道了，在pytorch開發中，kernel其實就是某一個python解譯器——python.exe，我們需要為當前的notebook配置相應的kernel，來進入相應的虛擬環境，這樣才能運行代碼。
notebook 安裝
理清概念，下面進行notebook安裝，目標是正確調用pytorch_1.10_gpu這個虛擬環境來執行notebook上的代碼。
安裝過程分三步：
- 進入虛擬環境：conda activate pytorch_1.10_gpu
- 安裝ipykernel工具包（安裝jupyter）: pip install jupyter
- 添加kernel到notebook： python -m ipykernel install --user --name pytorch_1.10_gpu
(意思是，將python這個kernel添加到jupyter的kernel中，由於當前已經在虛擬環境中，所以第一個python表示的含義是：D:\Anaconda_data\envs\pytorch_1.10_gpu\python.exe；而pytorch_1.10_gpu是kernel的別名，用於區分不同的kernel，這裡建議與虛擬環境名稱保持一致就好)
啟動
在命令列中執行jupyter notebook就可以打開web應用了，網址為:http://localhost:8888; 這裡默認埠為8888，如果再次啟動一個jupyter notebook，可以看到埠號變為了8889，即它是另外一個web服務。
進入之後，我們可以看到有一個根目錄，我們需要找到我們的notebook檔進行打開，這裡有一個小技巧，就是進入到指定資料夾後，再運行notebook，這樣notebook的路徑就進入了想要的資料夾。
配置kernel
我們進入 chapter-1/02-notebook-demo.ipynb，點擊run，可能會出現以下錯誤
---------------------------------------------------------------------------
ModuleNotFoundError Traceback (most recent call last)
<ipython-input-1-4e3917ed4a01> in <module>
7 """
8
----> 9 import torch
10
11 print("Hello World, Hello PyTorch {}".format(torch.__version__))
ModuleNotFoundError: No module named 'torch'
Copy
告訴我們找不到torch這個包，這很明顯，使用的kernel不是我們的D:\Anaconda_data\envs\pytorch_1.10_gpu\python.exe。
下面我們來設置一下，方法很簡單：
重新運行，將看到以下資訊，表明notebook的環境就配置好了。
Hello World, Hello PyTorch 1.10.1+cu102
CUDA is available:True, version is 10.2
device_name: NVIDIA GeForce GTX 1660 Ti with Max-Q Design
Copy
實用外掛程式——jupyter_contrib_nbextensions
原生的notebook還是缺點意思，這裡推薦大家安裝jupyter_contrib_nbextensions外掛程式，jupyter_contrib_nbextensions提供了非常豐富的功能，例如代碼折疊、分段折疊、代碼自動補全、字體大小、行號顯示、目錄索引等等，詳見下圖
外掛程式安裝十分簡單，打開命令窗，進入虛擬環境，分別依次執行 :
pip install jupyter_contrib_nbextensions jupyter contrib nbextension install --user
然後重啟notebook，就可以看到巡覽列裡有Nbextensions，大家可以根據自己的喜好進行調整，更多內容請查看Github
Notebook 快速上手
notebook所使用的檔案格式為.ipynb，jupyter會將.ipynb轉為json進行保存，這樣便於版本記錄以及分享。
例如下圖是用sublime打開的 02-notebook-demo.ipynb
下面，我們來研究notebook介面和常用的操作。
介面中需要認識的幾個模組分別是：功能表列、工具列、儲存格（cell）
功能表列：用得最多的是Kernel，用於中斷程式、重啟解譯器環境、切換解譯器等；其它按鍵顧名思義。
工具列：一些功能的按鈕，高手都是用快速鍵的。
儲存格：這就是承載資訊的地方，cell可分為code cells, markdown cells, raw cells。用得最多的是code cells和markdown cells。
右上角有一個小圓圈，用於觀察當前kernel運行狀態，如果是實心的，表明kernel正在運行某個cell，被運行的cell以及等待運行的cell的左邊會有一個*
notebook 的兩種模式
Notebook中的單元，有兩種模式：命令模式(Command Mode)與編輯模式(Edit Mode)，在不同模式下我們可以進行不同的操作。
命令模式：cell的邊框為藍色，此時可對cell進行操作。在編輯模式下，按esc鍵進入命令模式。
編輯模式：cell的邊框為綠色，此時可在儲存格內編輯代碼或文檔。在命令模式下，按enter或return鍵進入編輯模式。
常用快速鍵
在命令模式下，按下“h”鍵，就會彈出快速鍵的介紹，但是太多了，不方便初學者使用，這裡總結一些常用的，實用的快速鍵供大家參考。
命令模式：
插入儲存格： A 鍵上方插入，B 鍵在下方插入
合併儲存格：選中多個儲存格，Shift + M
顯示行號：L
刪除儲存格：連續按兩次D
剪切儲存格：X。 通常我用X代替刪除，畢竟只用按一個鍵，哈哈。
複製粘貼儲存格： C/V
撤銷刪除的儲存格：要撤銷已刪除的儲存格，請按 Z 鍵
編輯模式：
運行儲存格：Ctrl + Enter
運行並創建新儲存格：Alt + Enter
分割儲存格：游標放到想要分割的地方，Ctrl + Shift + -
函數詳情：Shift+Tab （注意，要把模組導入才會提示函數詳情！）
請大家將以上快速鍵都試用一遍，這些是高頻快速鍵，下面給大家列舉所有快速鍵，請收藏。
下
面再介紹兩個神奇操作，分別是在儲存格中執行shell命令以及magic操作。
請自行嘗試!+shell命令進行體會。
magic commands
Magic關鍵字是 IPython 的高級用法，如%matplotlib將matplolib設置為互動式
%和%%分別代表 行Magic命令 和 儲存格Magic命令
演示一個魔法命令 %%timeit
%%timeit
a = []
for i in range(10):
a.append(i)
Copy
858 ns ± 50.3 ns per loop (mean ± std. dev. of 7 runs, 1000000 loops each)
Copy
表示將程式碼片段運行了100萬次，並統計執行時間。
留言列表
