1.6 环境配置之Jupyter Notebook
什么是 jupyter notebook
经过前几个章节的准备，目前已经具备了PyTorch开发环境，但本教程需要照顾初学者使用代码，为初学者提供更佳的代码学习体验。因此，在上篇，主要采用Jupyter Notebook进行代码演示。
注意：Jupyter Notebook 建议仅用于学习目的，不推荐用于项目开发。
因为notebook自身定位决定的，先来看看jupyter notebook 的定义“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.”——官网
Jupyter notebook 是一个网页应用，在这个网页上可以编写代码、做可视化、写文本，这就是非常好的教学展示平台。可以在上面进行概念描述、配上代码、运行结果，并且可以按小段进行代码运行，给用户更多的交互体验，便于用户理解代码细节。
基于此，本书上篇主要采用notebook进行代码讲解，到了中篇，基于完整的项目代码框架进行应用开发。
关于jupyter与jupyter notebook的关系，请大家查看官网（以下开始，notebook 指代 jupyter notebook）
notebook 运行逻辑
Jupyter Notebook不仅仅是一个简单的web应用程序，它还需要关联指定的kernel，用于执行我们的代码。相信刚接触notebook的朋友大多都被notebook, kernel的概念搞的一头雾水。如果上述概念理不清楚，就更不清楚如何配置kernel，选择指定的虚拟环境了。
下面，我们先来看看notebook的结构
图中左边是用户写的代码，传输到中间的Jupyter server, server本身不能执行代码，server把代码传给Kernel，Kernel才是实际执行代码的组件，执行代码的地方。Kernel执行完代码，把结果返回给server，再返回到用户的网页。
从图中可以看出Kernel不仅可以是python.exe，也可以是其他语言的解释器，如Julia, R等，更多kernel可以看支持的kernel列表.
通过上述示意图我们就知道了，在pytorch开发中，kernel其实就是某一个python解释器——python.exe，我们需要为当前的notebook配置相应的kernel，来进入相应的虚拟环境，这样才能运行代码。
notebook 安装
理清概念，下面进行notebook安装，目标是正确调用pytorch_1.10_gpu这个虚拟环境来执行notebook上的代码。
安装过程分三步：
进入虚拟环境：conda activate pytorch_1.10_gpu
安装ipykernel工具包（安装jupyter）: pip install jupyter
添加kernel到notebook： python -m ipykernel install --user --name pytorch_1.10_gpu
(意思是，将python这个kernel添加到jupyter的kernel中，由于当前已经在虚拟环境中，所以第一个python表示的含义是：D:\Anaconda_data\envs\pytorch_1.10_gpu\python.exe；而pytorch_1.10_gpu是kernel的别名，用于区分不同的kernel，这里建议与虚拟环境名称保持一致就好)
启动
在命令行中执行jupyter notebook就可以打开web应用了，网址为:http://localhost:8888; 这里默认端口为8888，如果再次启动一个jupyter notebook，可以看到端口号变为了8889，即它是另外一个web服务。
进入之后，我们可以看到有一个根目录，我们需要找到我们的notebook文件进行打开，这里有一个小技巧，就是进入到指定文件夹后，再运行notebook，这样notebook的路径就进入了想要的文件夹。
配置kernel
我们进入 chapter-1/02-notebook-demo.ipynb，点击run，可能会出现以下错误
--------------------------------------------------------------------------- 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'
告诉我们找不到torch这个包，这很明显，使用的kernel不是我们的D:\Anaconda_data\envs\pytorch_1.10_gpu\python.exe。
下面我们来设置一下，方法很简单：
重新运行，将看到以下信息，表明notebook的环境就配置好了。
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
实用插件——jupyter_contrib_nbextensions
原生的notebook还是缺点意思，这里推荐大家安装jupyter_contrib_nbextensions插件，jupyter_contrib_nbextensions提供了非常丰富的功能，例如代码折叠、分段折叠、代码自动补全、字体大小、行号显示、目录索引等等，详见下图
插件安装十分简单，打开命令窗，进入虚拟环境，分别依次执行 :
pip install jupyter_contrib_nbextensions jupyter contrib nbextension install --user
然后重启notebook，就可以看到导航栏里有Nbextensions，大家可以根据自己的喜好进行调整，更多内容请查看Github
Notebook 快速上手
notebook所使用的文件格式为.ipynb，jupyter会将.ipynb转为json进行保存，这样便于版本记录以及分享。
例如下图是用sublime打开的 02-notebook-demo.ipynb
下面，我们来研究notebook界面和常用的操作。
界面中需要认识的几个模块分别是：菜单栏、工具栏、单元格（cell）
菜单栏：用得最多的是Kernel，用于中断程序、重启解释器环境、切换解释器等；其它按键顾名思义。
工具栏：一些功能的按钮，高手都是用快捷键的。
单元格：这就是承载信息的地方，cell可分为code cells, markdown cells, raw cells。用得最多的是code cells和markdown cells。
右上角有一个小圆圈，用于观察当前kernel运行状态，如果是实心的，表明kernel正在运行某个cell，被运行的cell以及等待运行的cell的左边会有一个*
notebook 的两种模式
Notebook中的单元，有两种模式：命令模式(Command Mode)与编辑模式(Edit Mode)，在不同模式下我们可以进行不同的操作。
命令模式：cell的边框为蓝色，此时可对cell进行操作。在编辑模式下，按esc键进入命令模式。
编辑模式：cell的边框为绿色，此时可在单元格内编辑代码或文档。在命令模式下，按enter或return键进入编辑模式。
常用快捷键
在命令模式下，按下“h”键，就会弹出快捷键的介绍，但是太多了，不方便初学者使用，这里总结一些常用的，实用的快捷键供大家参考。
命令模式：
插入单元格： A 键上方插入，B 键在下方插入
合并单元格：选中多个单元格，Shift + M
显示行号：L
删除单元格：连续按两次D
剪切单元格：X。 通常我用X代替删除，毕竟只用按一个键，哈哈。
复制粘贴单元格： C/V
撤销删除的单元格：要撤消已删除的单元格，请按 Z 键
编辑模式：
运行单元格：Ctrl + Enter
运行并创建新单元格：Alt + Enter
分割单元格：光标放到想要分割的地方，Ctrl + Shift + -
函数详情：Shift+Tab （注意，要把模块导入才会提示函数详情！）
请大家将以上快捷键都试用一遍，这些是高频快捷键，下面给大家列举所有快捷键，请收藏。
下面再介绍两个神奇操作，分别是在单元格中执行shell命令以及magic操作。
请自行尝试!+shell命令进行体会。
magic commands
Magic关键字是 IPython 的高级用法，如%matplotlib将matplolib设置为交互式
%和%%分别代表 行Magic命令 和 单元格Magic命令
演示一个魔法命令 %%timeit
%%timeit
a = []
for i in range(10):
a.append(i)
858 ns ± 50.3 ns per loop (mean ± std. dev. of 7 runs, 1000000 loops each)
表示将代码段运行了100万次，并统计运行时间。
推荐阅读
- pycharm中使用jupyter notebook：Jupyter notebook support
- 更多的magic commands请看这里Jupyter 魔术命令（magic commands）
更多技巧推荐大家看看Jupyter Notebook 有哪些技巧？
更多官方信息请查看Jupyter Notebook docs