笔记本

笔记本对编写代码、使用深度学习库和进行实验很有用。有几个关键特性与skil直接相关，允许你保存模型、评估结果等。笔记本是工作间的专有产品，与实验概念有直接关系。
Apache Zeppelin是笔记本的后端，主要由spark解释器（Spark Interpreter）提供支持。

阅读以下内容了解有关Zeppelin和Spark的更多信息：

创建笔记本

创建并打开“工作间”和“实验”后，将自动生成一个笔记本并将其附加到该实验上。没有实验，笔记本就不能独立存在。要了解更多关于实验的信息，请参见进行实验。

可以在“实验视图”屏幕的“笔记本”选项卡中访问和编辑笔记本。此选项卡是Zeppelin集成笔记本的框架。

基本概念

笔记本是动态解释的，并不像编译的代码那样工作。每个笔记本都由代码单元组成，每个新单元默认使用Spark解释器。

在单元格中编写了一个小程序后，键入shift+enter来评估该单元格并运行代码。代码将提交给解释器，输出将直接显示在下面。当解释器运行时，单元格上方将出现一个进度条。

如果出现错误，单元格的状态将从正在RUNNING更改为ERROR，错误将直接显示在代码下方。

如果要动态加载依赖项，可以在笔记本顶部放置%dep解释器块。有关更多信息，请参见ApacheZeppelin网站上的“动态依赖加载”。

SKILContext

在笔记本中提供专门的类，允许你在程序中直接使用skil。SkilContext类允许你直接将模型添加到存储中，查看当前实验ID，并为实验执行其他功能。
为了使用skil上下文，必须正确实例化类：

%pyspark

import skil

skilContext = skil.SkilContext(sc)
client = skilContext.client

查看skil上下文中所有可用功能的源。下面是对实验有用的函数的常见列表：

函数	描述
`experimentId`	获取此笔记本的实验ID。
`saveModel`	将权重保存到Skil的存储机制。
`addModelToExperiment`	将模型添加到此笔记本的实验存储机制中。
`addEvaluationToModel`	将评估数据保存到模型中。对从维持测试集保存结果有用。
`batchInference`	使用modelId在execResource上启动本地Spark批量推理作业，使用KeyedDatasetProvider类提供数据并将结果存储在outputPath中。
`renderBufferedImage`	将BufferedImage递交到<img>标记。

可用的编程语言

如果要更改默认情况下使用的语言或解释器，请在键入代码之前在单元格顶部使用以下绑定之一：

默认情况下使用%spark绑定。你可以在笔记本设置中更改此设置，方法是单击右上角的齿轮图标并将首选的解释程序移到列表顶部。完成后请记住单击“保存”。

调度笔记本

如果你的工作流程需要定期更新，例如在线学习，则可以在笔记本中启用计划。这可能涉及到在预定的笔记本中使用DataVec从Oracle数据库中获取数据并将其以numpy格式保存到磁盘。

创建笔记本并对其进行测试以确认所有单元格正确运行后，可以使用工具栏中的“计时器”图标启用计划：

Cron 表达式用于定义执行间隔。例如：

在大多数情况下，以管理员用户身份运行笔记本就足够了。如果你的笔记本运行间隔超过6小时，我们建议你在每次执行时重新启动解释器。重新启动解释器时，请记住正确地重新加载任何动态依赖项。

SKIL/工作流程/笔记本