现在很多机器学习项目都是在Jupyter notebook中开发、训练、调试和演示的，比如openai、deepmind等，kaggle比赛中的原生环境就是Jupyter notebook，几乎任何机器学习的开发都可以在上面进行。
对于问题中的困扰，想要写py文件，可以在Pycharm、vscode中编写，使用Jupyter中的命令行来执行。但一般来说，算法开发调试阶段主要在Jupyter notebook上，到了产品化阶段才会写大量的py文件。
另外，机器学习算法训练需要GPU支持，快算法运行速度，Jupyter能很好的支持GPU运算。
比如说我常用的的星鸾云GPU云服务器，可以结合Jupyter Lab，用于数据科学、数据可视化，也可以搞定机器学习、深度学习，搭建属于你的AI大模型。
星鸾云GPU云服务器，顾名思义，是一个搭建在云服务器上的GPU算力平台，具备超强的大规模、高并发计算能力，你不需要自己搭GPU服务器，也能用到稳定、高效且高性价比的算力。
https://xl.hzxingzai.cn/register?invitation_code=0006407067
Jupyter Lab是基于Python的web交互式开发环境，你可以在Lab上创建多个notebook，可以理解成是Jupyter notebook的加强升级版。
Jupyter Lab集编程开发、文本编辑器、可视化平台、终端以及各种个性化组件于一体，支持写代码、跑算法、展示可视化等等，几乎无所不包。
一般我们会把Jupyter Lab安装在本地，它运行在各种计算资源上，包括CPU、GPU、TPU等等，但由于本地电脑计算资源有限，只能跑跑一些简单的数据分析、机器学习任务，所以这时候就需要星鸾云GPU云服务器来提供GPU算力。
你能在星鸾云平台上创建使用 JupyterLab，以下是在星鸾云中创建使用Jupyter Lab的步骤：
1. 创建星鸾云实例
首先，在星鸾云平台上创建一个GPU云服务器实例。选择合适的GPU型号和配置，并启动实例。
2. 连接到实例
使用SSH远程连接到星鸾云实例。Windows 用户可以使用 PowerShell 或者 XShell，Mac 用户可以直接使用 Terminal。
4. 启动登录 JupyterLab
直接在星鸾云实例中打开Jupyter Lab，接着打开终端，登录实例
5. 使用 JupyterLab
接着在 JupyterLab 中创建新的notebook，编写和运行Python代码，开始享受GPU跑算法带来的快乐吧。
我们使用PyTorch在MNIST数据集上训练一个简单的神经网络，来演示下如何使用星鸾云平台+Jupyter Lab来创建AI模型。
MNIST数据集是一个手写数字识别的经典数据集，我们创建神经网络模型用来识别手写数字。
下面是在Notebook中编写的代码：
导入相关库
import torch
import torch.nn as nn
import torch.optim as optim
from torchvision import datasets, transforms
加载和预处理数据
transform = transforms.Compose([transforms.ToTensor(),transforms.Normalize((0.5,), (0.5,))])trainset = datasets.MNIST('~/.pytorch/MNIST_data/', download=True, train=True, transform=transform)
trainloader = torch.utils.data.DataLoader(trainset, batch_size=64, shuffle=True)
定义神经网络结构
class Net(nn.Module):def __init__(self):super(Net, self).__init__()self.fc1 = nn.Linear(784, 500)self.fc2 = nn.Linear(500, 10)def forward(self, x):x = x.view(-1, 784)x = torch.relu(self.fc1(x))x = self.fc2(x)return xnet = Net()
定义损失函数和优化器
criterion = nn.CrossEntropyLoss()
optimizer = optim.SGD(net.parameters(), lr=0.01, momentum=0.5)
训练神经网络
for epoch in range(10): # loop over the dataset multiple timesrunning_loss = 0.0for i, data in enumerate(trainloader, 0):inputs, labels = dataoptimizer.zero_grad()outputs = net(inputs)loss = criterion(outputs, labels)loss.backward()optimizer.step()running_loss += loss.item()print(f'Epoch {epoch + 1}, Loss: {running_loss / len(trainloader)}')
保存模型
PATH = './mnist_net.pth'
torch.save(net.state_dict(), PATH)
就这样，我们使用星鸾云GPU训练了一个神经网络模型，用于识别手写数据，虽然很简单，但也是一个地地道道的AI模型了。
接下来我们再尝试使用星鸾云GPU+Jupyter Lab开发一个AI大模型聊天工具，用于回答公司的业务问题。
首先配置环境，登录星鸾云实例，并安装必要的软件和库。
用于训练聊天机器人的问答数据主要包括：
公司FAQs
业务相关文档
公司制度文件
等等
然后对数据进行预处理，在JupyterLab中创建一个新的Notebook，编写代码对数据进行清洗、分词和格式化，准备输入模型训练。
接着，选择一个适合对话系统的预训练模型库，建议使用transformers库，然后在GPU加速下进行模型训练，监控训练过程并调整超参数以获得最佳性能。
以下是在JupyterLab的演示代码：
# 导入所需的库
from transformers import Trainer, TrainingArguments# 定义训练参数
training_args = TrainingArguments(output_dir="./results",evaluation_strategy="epoch",learning_rate=2e-5,per_device_train_batch_size=16,per_device_eval_batch_size=16,num_train_epochs=3,weight_decay=0.01,
)# 定义Trainer对象
trainer = Trainer(model=model,args=training_args,train_dataset=train_dataset, # 训练数据集eval_dataset=eval_dataset, # 验证数据集tokenizer=tokenizer,
)# 训练模型
trainer.train()# 保存模型
model.save_pretrained("./ai-chat-model")
tokenizer.save_pretrained("./ai-chat-model")
模型训练好后，你可以部署为API服务，然后集成到公司的内部业务支持平台，比如内网、企微、钉钉等。
使用星鸾云GPU云服务器和JupyterLab可以很轻松的进行大模型的训练和调试，结合起来非常的强大。
所以说Jupyter notebook或者Lab是机器学习最好的开发工具之一，对初学者也很友好，可以多试试。
