Restez organisé à l'aide des collections
Enregistrez et classez les contenus selon vos préférences.
Vertex AI Workbench est un environnement de développement basé sur des notebooks JupyterLab pour l'ensemble de votre workflow de data science. Vous pouvez interagir avec Vertex AI et ses services sur Google Distributed Cloud (GDC) en mode air-gapped à partir d'un notebook d'une instance JupyterLab fournie par Vertex AI Workbench.
Les intégrations et fonctionnalités de Vertex AI Workbench facilitent l'accès à vos données de machine learning, accélèrent le partage et le traitement des données, permettent d'interagir avec les services Vertex AI à l'aide du langage de programmation Python, etc.
Par exemple, Vertex AI Workbench vous permet les opérations suivantes :
Accédez à vos données de machine learning et explorez-les à partir d'un notebook JupyterLab.
Partagez votre notebook JupyterLab avec d'autres utilisateurs de votre projet.
Interagissez avec les services Vertex AI, authentifiez les requêtes API et utilisez les fonctionnalités Vertex AI à partir de scripts Python.
Créez une sauvegarde et restaurez les données de votre instance JupyterLab.
Utilisez un environnement de développement intégré (IDE) pour utiliser les intégrations intégrées des notebooks JupyterLab.
Configurez un environnement de production de bout en bout basé sur des notebooks.
Instances JupyterLab
Vertex AI Workbench propose des instances JupyterLab avec des intégrations natives qui vous aident à configurer un environnement de production de bout en bout basé sur des notebooks. Les instances JupyterLab combinent les intégrations orientées workflow d'une instance gérée avec la personnalisation et le contrôle dont vous avez besoin sur votre environnement.
Vertex AI Workbench inclut des types d'instances préinstallés avec JupyterLab et une suite de packages de deep learning, assurant la compatibilité avec les frameworks TensorFlow et PyTorch. En fonction de vos besoins, vous pouvez choisir entre des instances reposant uniquement sur le processeur ou des instances utilisant un ou plusieurs GPU.
Vous pouvez sélectionner une image Docker et un cluster pour l'environnement de votre instance JupyterLab. Docker vous permet de créer un environnement JupyterLab personnalisé et de le compiler dans une image. Cette image garantit la cohérence et la reproductibilité entre les différents déploiements, y compris tous les packages et outils nécessaires. Vous pouvez partager cet environnement personnalisé avec d'autres utilisateurs ou l'utiliser comme base pour de futurs développements.
Les instances JupyterLab sont protégées par l'authentification et l'autorisation.
Sauf indication contraire, le contenu de cette page est régi par une licence Creative Commons Attribution 4.0, et les échantillons de code sont régis par une licence Apache 2.0. Pour en savoir plus, consultez les Règles du site Google Developers. Java est une marque déposée d'Oracle et/ou de ses sociétés affiliées.
Dernière mise à jour le 2025/09/04 (UTC).
[[["Facile à comprendre","easyToUnderstand","thumb-up"],["J'ai pu résoudre mon problème","solvedMyProblem","thumb-up"],["Autre","otherUp","thumb-up"]],[["Difficile à comprendre","hardToUnderstand","thumb-down"],["Informations ou exemple de code incorrects","incorrectInformationOrSampleCode","thumb-down"],["Il n'y a pas l'information/les exemples dont j'ai besoin","missingTheInformationSamplesINeed","thumb-down"],["Problème de traduction","translationIssue","thumb-down"],["Autre","otherDown","thumb-down"]],["Dernière mise à jour le 2025/09/04 (UTC)."],[[["\u003cp\u003eVertex AI Workbench is a JupyterLab notebook-based development environment that allows users to interact with Vertex AI and its services on Google Distributed Cloud (GDC) in an air-gapped environment.\u003c/p\u003e\n"],["\u003cp\u003eVertex AI Workbench simplifies machine learning workflows by providing easy access to data, faster processing, and the ability to interact with Vertex AI services through Python.\u003c/p\u003e\n"],["\u003cp\u003eJupyterLab instances in Vertex AI Workbench offer a managed environment with built-in integrations, customization, and pre-installed deep learning packages like TensorFlow and PyTorch, with options for CPU-only or GPU-enabled instances.\u003c/p\u003e\n"],["\u003cp\u003eUsers can customize their JupyterLab environment using Docker images, ensuring consistency and reproducibility across deployments and allowing for the sharing of customized environments with other users.\u003c/p\u003e\n"],["\u003cp\u003eVertex AI Workbench instances are secured by authentication and authorization, and it offers features to manage notebooks and create backups.\u003c/p\u003e\n"]]],[],null,["# Learn about Vertex AI Workbench\n\nVertex AI Workbench is a JupyterLab notebook-based development\nenvironment available for your entire data science workflow. You can interact\nwith Vertex AI and its services on Google Distributed Cloud (GDC) air-gapped\nfrom within a notebook of a JupyterLab instance that Vertex AI Workbench\nprovides.\n\nVertex AI Workbench integrations and features make accessing your\nmachine learning data easier, sharing and processing data faster, interacting\nwith Vertex AI services using the Python programming language,\nand more.\n\nFor example, Vertex AI Workbench lets you do the following:\n\n- Access and explore your machine learning data from within a [JupyterLab notebook](https://jupyter.org/).\n- Share your JupyterLab notebook with other users of your project.\n- Import [Vertex AI client libraries](/distributed-cloud/hosted/docs/latest/gdch/application/ao-user/vertex-ai-install-libraries) to simplify accessing APIs programmatically.\n- Interact with Vertex AI services, authenticate API requests, and use Vertex AI features from Python scripts.\n- Create a backup and restore your JupyterLab instance data.\n- Use an integrated development environment (IDE) to use built-in integrations of JupyterLab notebooks.\n- Set up an end-to-end notebook-based production environment.\n\nJupyterLab instances\n--------------------\n\nVertex AI Workbench offers JupyterLab instances with built-in\nintegrations that help you set up an end-to-end notebook-based production\nenvironment. JupyterLab instances combine workflow-oriented integrations of a\nmanaged instance with the customization and control you need over your\nenvironment.\n\nVertex AI Workbench includes instance types preinstalled with\n[JupyterLab](https://jupyterlab.readthedocs.io/en/stable/getting_started/overview.html)\nand a suite of deep learning packages, including support for the\nTensorFlow and PyTorch frameworks. Depending on your needs, you can\nchoose between CPU-only or GPU-enabled instances.\n\nYou can select a Docker image and a cluster for your JupyterLab instance\nenvironment. Docker lets you create a custom JupyterLab environment and build it\ninto an image. This image ensures consistency and reproducibility across\ndifferent deployments, including all the necessary packages and tools. You can\nshare this customized environment with others or use it as a foundation for\nfuture development.\n\nJupyterLab instances are protected by authentication and authorization.\n\nWhat's next\n-----------\n\n- [Control access to Vertex AI Workbench](/distributed-cloud/hosted/docs/latest/gdch/application/ao-user/vertex-ai-workbench-access).\n\n- [Manage JupyterLab notebooks](/distributed-cloud/hosted/docs/latest/gdch/application/ao-user/vertex-ai-workbench).\n\n- [Create a backup and restore notebook data](/distributed-cloud/hosted/docs/latest/gdch/application/ao-user/backup-restore-notebook-data)."]]
