Présentation des notebooks gérés par l'utilisateur
Les instances de notebooks gérés par l'utilisateur Vertex AI Workbench vous permettent de créer et de gérer des instances de machine virtuelle (VM) de deep learning préinstallées avec JupyterLab.
Les notebooks gérés par l'utilisateur disposent d'une suite préinstallée de packages de deep learning, assurant la compatibilité avec les frameworks TensorFlow et PyTorch. Vous pouvez configurer des instances reposant uniquement sur le processeur ou des instances utilisant un ou plusieurs GPU.
Vos instances de notebooks gérés par l'utilisateur sont protégées par l'authentification et l'autorisation Google Cloud, et sont disponibles via une URL d'instance de notebooks gérés par l'utilisateur. Les instances de notebooks gérés par l'utilisateur s'intègrent également à GitHub et peuvent être synchronisées avec un dépôt GitHub.
Les instances de notebooks gérés par l'utilisateur vous évitent d'avoir à créer et configurer une machine virtuelle de deep learning en fournissant des images validées, optimisées et testées pour le framework de votre choix.
Logiciel préinstallé
Vous pouvez configurer une instance de notebooks gérés par l'utilisateur de manière à inclure les éléments suivants :
JupyterLab (voir les détails de la version)
Python 3, avec les packages de clé :
- numpy
- sklearn
- scipy
- pandas
- nltk
- pillow
- fairness-indicators pour les instances de notebooks gérés par l'utilisateur TensorFlow 2.3 et 2.4
- et bien plus encore
La version 4.x de R, avec les packages essentiels :
- xgboost
- ggplot2
- caret
- nnet
- rpy2 (un package R permettant d'accéder à R dans les notebooks Python)
- randomForest
- et bien plus encore
Anaconda
Les packages Nvidia avec le dernier pilote Nvidia pour les instances compatibles GPU :
- CUDA 11.x et 12.x
- CuDNN 7.x
- NCCL 2.x
Détails de la version JupyterLab
JupyterLab 3.x est préinstallé par défaut sur les nouvelles instances de notebooks gérés par l'utilisateur. Pour les instances créées avant la version Deep Learning VM M80, JupyterLab 1.x était préinstallé.
Pour créer une version antérieure d'une instance de notebooks gérés par l'utilisateur, consultez la section Créer une version spécifique d'une instance de notebooks gérés par l'utilisateur.
VPC Service Controls
VPC Service Controls offre une sécurité supplémentaire pour vos instances de notebooks gérés par l'utilisateur. Pour en savoir plus, consultez la page Présentation de VPC Service Controls. Pour utiliser des notebooks gérés par l'utilisateur dans un périmètre de service, consultez la section Utiliser une instance de notebooks gérés par l'utilisateur dans un périmètre de service.
Licences
Vous pouvez mettre à jour votre environnement pour utiliser de nouvelles fonctionnalités et bénéficier des mises à jour du framework, des packages mis à jour et des corrections de bugs. Vous pouvez mettre à niveau les environnements manuellement ou via un paramètre de mise à jour automatique. Pour en savoir plus, consultez la section Mettre à niveau l'environnement d'une instance de notebooks gérés par l'utilisateur.
Notebooks gérés par l'utilisateur et Dataproc Hub
Dataproc Hub est un serveur JupyterHub personnalisé. Les administrateurs peuvent créer des instances Dataproc Hub pouvant générer des clusters Dataproc à utilisateur unique pour héberger des environnements de notebooks gérés par l'utilisateur. Pour en savoir plus, consultez la page Configurer Dataproc Hub.
Notebooks gérés par l'utilisateur et Dataflow
Vous pouvez utiliser des notebooks gérés par l'utilisateur dans un pipeline, puis exécuter le pipeline sur Dataflow. Pour en savoir plus sur la création d'une instance de notebooks gérés par l'utilisateur Apache Beam que vous pouvez utiliser avec Dataflow, consultez la page Développement interactif avec des notebooks Apache Beam.
Limites
Tenez compte des limites suivantes concernant les notebooks gérés par l'utilisateur lors de la planification de votre projet :
Les instances de notebooks gérés par l'utilisateur sont hautement personnalisables et peuvent être convenir aux utilisateurs qui ont besoin d'exercer un contrôle important sur leur environnement. Par conséquent, la configuration et la gestion des instances de notebooks gérés par l'utilisateur peuvent prendre plus de temps que celles des instances de notebooks gérés. Les instances de notebooks gérés peuvent mieux convenir aux utilisateurs qui n'ont pas besoin d'exercer un contrôle important sur leur environnement. Pour plus d'informations, consultez la page Présentation des notebooks gérés.
Les extensions JupyterLab tierces ne sont pas compatibles.
Pour les instances de notebooks gérés par l'utilisateur Dataproc Hub, la désactivation du téléchargement de fichier depuis l'interface utilisateur de JupyterLab n'est pas possible. Les instances de notebooks gérés par l'utilisateur qui utilisent le framework Dataproc Hub autorisent le téléchargement de fichiers même si vous ne sélectionnez pas l'option Activer le téléchargement de fichiers à partir de l'interface utilisateur JupyterLab lors de la création de l'instance.
Lorsque vous utilisezAccess Context Manager et BeyondCorp Enterprise Pour protéger les instances de notebooks gérés à l'aide de contrôles d'accès contextuels, l'accès est évalué chaque fois que l'utilisateur s'authentifie auprès de l'instance. Par exemple, l'accès est évalué la première fois que l'utilisateur accède à JupyterLab et à chaque fois qu'il y accède si le cookie de son navigateur Web a expiré.
Tarifs
Apprenez-en plus sur les tarifs de Vertex AI Workbench.
Étape suivante
Pour commencer à utiliser des notebooks gérés par l'utilisateur, créez une instance de notebooks gérés par l'utilisateur, ouvrez JupyterLab et testez l'un des exemples inclus dans le dossier Tutoriels.
Ensuite, installez les dépendances indispensables à votre travail.