Jupyter Notebook 是一个开源的 Web 应用程序，可以用来创建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。
安装 Jupyter Notebook
Jupyter Notebook 简介
Jupyter Notebook 是一个开源的 Web 应用程序，可以用来创建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 。
检查 Python 环境
CentOS 7.2 中默认集成了 Python 2.7，可以通过下面命令检查 Python 版本：
python --version
安装 pip
pip 是一个 Python 包管理工具，我们使用 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
安装相关依赖
安装 Jupyter 过程中还需要其他一些依赖，我们使用以下命令安装他们：
yum -y groupinstall "Development Tools"
yum -y install python-devel
配置虚拟环境
安装 virtualenv
我们将为 Jupyter 创建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
创建虚拟环境
创建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
使用 pip 安装 Jupyter
我们使用 pip 命令安装 Jupyter：
pip install jupyter
配置 Jupyter Notebook
建立项目目录
我们先为 Jupyter 相关文件准备一个目录：
mkdir /data/jupyter
cd /data/jupyter
再建立一个目录作为 Jupyter 运行的根目录：
mkdir /data/jupyter/root
准备密码密文
由于我们将以需要密码验证的模式启动 Jupyter，所以我们要预先生成所需的密码对应的密文。
生成密文
使用下面的命令，创建一个密文的密码：
python -c "import IPython;print IPython.lib.passwd()"
执行后需要输入并确认密码，然后程序会返回一个 'sha1:...' 的密文，我们接下来将会用到它。
以123为例
修改配置
生成配置文件
我们使用 --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
然后在配置文件最下方加入以下配置：
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'
注意：如果浏览器出现验证失败Invalid credentials，请检查passwd这行
正确格式为：
c.NotebookApp.password = u'sha1:67c9e60bb8b6:9ffede0825894254b2e042ea597d771089e11aed'
如果出现报错99 尝试释放端口，或重启主机。修改上述passwd位置
其中：
c.NotebookApp.password 请将上一步中密文填入此项，包括 sha: 部分。
你也可以直接配置或使用 Nginx 将服务代理到 80 或 443 端口。
启动 Jupyter Notebook
直接启动
使用以下指令启动 Jupyter Notebook：
jupyter notebook
此时，访问 http://123.207.56.239:8888 即可进入 Jupyter 首页。
若出现上述页面，检查sha1的值
正常应显示如下：
创建 Notebook
进入【首页】首先需要输入前面步骤中设置的密码。
然后点击右侧的【 new 】，选择 Python2 新建一个 notebook，这时跳转至编辑界面。
现在我们可以看到 /data/jupyter/root/ 目录中出现了一个 Untitled.ipynb 文件，这就是我们刚刚新建的 Notebook 文件。我们建立的所有 Notebook 都将默认以该类型的文件格式保存。
后台运行
直接以 jupyter notebook 命令启动 Jupyter 的方式在连接断开时将会中断，所以我们需要让 Jupyter 服务在后台常驻。
先按下 Ctrl + C 并输入 y 停止 Jupyter 服务，然后执行以下命令：
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。
准备后续步骤的 Notebook
为了后面实验中实验室的步骤检查器能够更好的工作，此时我们使用以下命令预先创建几份 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
使用 Jupyter Notebook
编辑界面
点击这里打开 first.ipynb 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。每个 notebook 由多个 Cell 构成，每个 Cell 都可以有不同的用途。
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，可以输入任意代码并执行。如输入：
1 + 1
然后按下 Shift + Enter 键， Cell 中代码就会被执行，光标也会移动至下个新 Cell 中。我们接着输入：
print('Hello Jupyter')
再次按下 Shift + Enter ，可以看到这次没有出现 Out[..] 这样的文字。这是因为我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
Heading Cell *
新版本中已经没有独立的 Heading Cell，现在标题被整合在 Markdown Cell 之中。
如果我们想在顶部添加一个的标题。选中第一个 Cell，然后点击 Insert -> Insert Cell Above。
你会发现，文档顶部马上就出现了一个新的 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
然后按下 Shift + Enter 键，便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。
Markdown Cell
上一步中我们已经尝试了使用了 Markdown Cell。在该 Cell 中，除标题外其他语法同样支持。比如，我们在一个新的 Cell 中插入以下文本：
This is a **table**:
| Name | Value |
|:----:|:-----:|
| A | 1 |
| B | 2 |
| C | 3 |
然后按下 Shift + Enter，即可渲染出相应内容。
高级用法 - HTML
Markdown Cell 中同样接受 HTML 代码。这样，你就可以实现更加丰富的样式及结构、添加图片等等。
例如，如果想在 notebook 中添加 Jupyter 的 logo，并且添加 2px 的黑色边框，放置在单元格左侧，可以这样编写：
<img src="http://jupyter.org/assets/nav_logo.svg" style="border: 2px solid black; float:left" />
然后按下 Shift + Enter，即可渲染出图片。
高级用法 - LaTex
Markdown Cell 还支持 LaTex 语法。在 Cell 中插入以下文本：
$$int_0^{+infty} x^2 dx$$
同样按下 Shift + Enter，即可渲染出公式。
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)，即可下载到 HTML 版本的 notebook。
直接导出PDF 会报错，需要安装依赖
其中，导出 PDF 需要其他包的支持，我们需要使用以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，然后使用浏览器将其转为 PDF。
集成 Matplotlib（可选）
Matplotlib 是 Python 中最常用的可视化工具之一，可以非常方便地创建许多类型的 2D 图表和基本的 3D 图表。
安装 Matplotlib
我们使用 pip 来安装 Matplotlib：
pip install matplotlib
测试 Matplotlib
我们使用另一个 notebook （matplotlib.ipynb）来测试 Matplotlib。
打开 matplotlib.ipynb 编辑界面。
魔法命令
在第一个 Cell 中，我们插入并执行：
%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。
测试
关于 Matplotlib 的使用请移步其官网。
在接下来 Cell 中，我们插入几个官方示例测试：
1.plot_bmh：
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()
Shift + Enter 执行 Cell，即可看到绘制出的图像。
2.whats_new_99_mplot3d：
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()
同样执行 Cell，即可看到绘制出的图像。
动手试试
最后，我们来尝试绘制一个二次函数图像，你可以自行实现，也可以参考下面代码：
import matplotlib.pyplot as plt
import numpy as np
x = np.arange(-10, 11)
y = x**2
plt.plot(x, y)
plt.show()
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。它灵活的架构让你可以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广泛用于其他计算领域。
安装 TensorFlow
我们使用 pip 安装相关依赖及 Tensorflow
pip install protobuf
pip install tensorflow
测试 TensorFlow
关于 TensorFlow 的使用请移步其官网，这里只是测试其在 Jupiter 中是否可用。
点击这里打开 tensorflow.ipynb 编辑界面。
在 Cell 中加入以下代码（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，学习过程结束后可以看到输出了准确率（92% 左右）。
实验到此结束
本实验取自腾讯云实验室，是手工照着实验室内容做的
如今部分源可能存在过期问题，可以在云+问答中补充
