Python と Jupyter Notebook を使用してデータサイエンスを教えるためのラボを設定する

[アーティクル]
03/12/2024

重要

Azure Lab Services は 2027 年 6 月 28 日に廃止されます。詳細については、提供終了ガイドを参照してください。

この記事では、Jupyter Notebook の使い方を学生に教えるためのツールを含むテンプレート仮想マシン (VM) を Azure Lab Services で設定する方法について説明します。また、ラボユーザーが仮想マシン上のノートブックに接続する方法についても説明します。

オープンソースプロジェクトである Jupyter Notebook を使うと、"ノートブック" と呼ばれる単一のキャンバス上で、リッチテキストと実行可能な Python ソースコードを簡単に組み合わせることができます。ノートブックを実行して、入力と出力の線形レコードを作成します。これらの出力には、テキスト、情報テーブル、散布図などを含めることができます。

Note

この記事では、ラボアカウントに代わり導入されたラボプランで使用できる機能について説明します。

前提条件

このラボを設定するには、Azure サブスクリプションにアクセスする必要があります。組織の管理者に相談して、既存の Azure サブスクリプションにアクセスできるかどうかを確認してください。 Azure サブスクリプションをお持ちでない場合は、開始する前に無料アカウントを作成してください。

ラボプランの設定を構成する

Azure サブスクリプションを取得したら、Azure Lab Services でラボ計画を作成できます。新しいラボプランの作成の詳細については、「クイックスタート: ラボを作成するためのリソースの設定」を参照してください。既存のラボ計画を使用することもできます。

このラボでは、Data Science Virtual Machine イメージの 1 つを基本 VM イメージとして使います。これらのイメージは、Azure Marketplace で入手できます。このオプションにより、ラボ作成者は、ラボの基本イメージとしてこのイメージを選択できます。ラボプランでこれらのイメージを有効にする必要があります。

ラボ作成者が使用できる Azure Marketplace イメージを有効にするには、次の手順に従います。

お使いのオペレーティングシステムの要件に応じて、次のいずれかの Azure Marketplace イメージを選びます。
- Data Science Virtual Machine – Windows Server 2019/Windows Server 2022
- Data Science Virtual Machine – Ubuntu 20.04
または、カスタム VM イメージを作ります。

Azure Marketplace の Data Science VM イメージは、Jupyter Notebooks を使って既に構成されています。これらのイメージには、データサイエンス用の他の開発ツールとモデリングツールも含まれています。これらの追加のツールが不要で、Jupyter Notebook だけを使用する簡易セットアップを行う場合は、カスタム VM イメージを作成します。例については、Azure での JupyterHub のインストールに関する記事を参照してください。

カスタムイメージを作成した後、イメージをコンピューティングギャラリーにアップロードして、Azure Lab Services でそれを使います。詳細については、Azure Lab Services でのコンピューティングギャラリーの使用に関する記事を参照してください。

ラボを作成する

ラボプラン用のラボを作成します。

ラボを作成する方法については、チュートリアル: ラボの設定に関するページを参照してください。次のラボ設定を指定します。

ラボの設定	Value
[仮想マシンのサイズ]	Jupyter Notebook にアクセスする基本的なセットアップの場合は、[小規模] または [中規模] を選択します。人工知能やディープラーニングのクラスで使われるコンピューティング集中型およびネットワーク集中型のアプリケーションの場合は、[Alternative Small GPU (Compute)] (代替小規模 GPU (コンピューティング)) を選びます。
仮想マシンイメージ	Data Science Virtual Machine – Windows Server 2019、Data Science Virtual Machine – Windows Server 2022、または Data Science Virtual Machine – Ubuntu を選択します。
仮想マシン設定のテンプレート	[カスタマイズせずに仮想マシンを使用する] を選択します。

[代替小規模 GPU (コンピューティング)] サイズのラボを作成する場合は、GPU ドライバーをインストールします。

このプロセスでは、GPU で高パフォーマンスコンピューティングを有効にするために必要な、最新の NVIDIA ドライバーと Compute Unified Device Architecture (CUDA) ツールキットがインストールされます。詳しくは、GPU 仮想マシンでのラボの設定に関する記事をご覧ください。

テンプレートマシンの構成

ラボを作成した後、選んだ仮想マシンのサイズとイメージに基づいてテンプレート VM を作成します。このクラスの学生に提供するすべてのものを使って、テンプレート VM を構成します。詳細については、「Azure Lab Services におけるテンプレートの作成と管理」を参照してください。

Data Science VM のイメージには、この種類のクラスに必要な多くのデータサイエンスフレームワークとツールが付属しています。たとえば、イメージには、以下が含まれます。

Jupyter Notebook: データ科学者が生データの取得、計算の実行、結果の表示を同じ環境で行える Web アプリ。ローカル環境のテンプレート VM で実行されます。
Visual Studio Code: ノートブックを作成およびテストするときの多くの機能を備えた対話型エクスペリエンスを提供する統合開発環境 (IDE)。詳細については、「Visual Studio Code での Jupyter Notebooks の使用」を参照してください。

Data Science Virtual Machine – Ubuntu イメージは X2Go サーバーでプロビジョニングされており、ラボユーザーはグラフィカルデスクトップエクスペリエンスを使用できます。

ツールで GPU を使用できるようにする

代替小規模 GPU (コンピューティング) サイズを使う場合は、Data Science フレームワークとライブラリが GPU を使うように適切に設定されていることを確認することをお勧めします。別のバージョンの NVIDIA ドライバーと CUDA ツールキットのインストールが必要になる場合があります。 GPU を構成するには、フレームワークまたはライブラリのドキュメントを参照する必要があります。

たとえば、TensorFlow が GPU を使っていることを検証するには、テンプレート VM に接続し、Jupyter Notebook で次の Python-TensorFlow コードを実行します。

import tensorflow as tf
from tensorflow.python.client import device_lib

print(device_lib.list_local_devices())

このコードからの出力が次のような結果になる場合、TensorFlow は GPU を使っていません。

[name: "/device:CPU:0"
device_type: "CPU"
memory_limit: 268435456
locality {
}
incarnation: 15833696144144374634
]

例の続きに関するガイダンスについては、TensorFlow GPU のサポートに関するページを参照してください。 TensorFlow のガイダンスは、次の内容を網羅しています。

NVIDIA ドライバーに必要なバージョン
CUDA Toolkit に必要なバージョン
NVIDIA CUDA ディープニューラルネットワークライブラリ (cudDNN) をインストールする手順

TensorFlow の手順に従って GPU を構成した後、テストコードを再実行すると、次のような結果が表示されます。

[name: "/device:CPU:0"
device_type: "CPU"
memory_limit: 268435456
locality {
}
incarnation: 15833696144144374634
, name: "/device:GPU:0"
device_type: "GPU"
memory_limit: 11154792128
locality {
  bus_id: 1
  links {
  }
}
incarnation: 2659412736190423786
physical_device_desc: "device: 0, name: NVIDIA Tesla K80, pci bus id: 0001:00:00.0, compute capability: 3.7"
]

クラス用のノートブックを提供する

次のタスクは、使用するノートブックをラボユーザーに提供することです。ノートブックはローカル環境のテンプレート VM に保存できるため、各ラボユーザーが独自のコピーを持つことができます。

Azure Machine Learning のサンプルのノートブックを使用する場合は、Jupyter Notebook で環境を構成する方法に関するセクションをご覧ください。

テンプレートマシンを発行する

ラボユーザーがラボ VM を使用できるようにするには、テンプレートを発行します。ラボ VM には、前に構成したすべてのローカルツールとノートブックが含まれます。

Jupyter Notebook に接続する

以下のセクションでは、ラボユーザーがラボ VM 上の Jupyter Notebook に接続するためのさまざまな方法を示します。

ラボ VM 上の Jupyter Notebook を使用する

ラボユーザーは、ローカルコンピューターからラボ VM に接続して、ラボ VM 内の Jupyter Notebook を使用できます。

Windows ベースのラボ VM を使っている場合、ラボユーザーはリモートデスクトップ (RDP) 経由でラボ VM に接続できます。詳しくは、「Windows ラボ VM に接続する」の方法をご覧ください。

Linux ベースのラボ VM を使っている場合、ラボユーザーは SSH 経由で、または X2Go を使って、ラボ VM に接続できます。詳しくは、「Linux ラボ VM に接続する」の方法をご覧ください。

VM 上の Jupyter サーバーへの SSH トンネル

Linux ベースのラボの場合、ローカルコンピューターからラボ VM 内の Jupyter サーバーに、直接接続することもできます。 SSH プロトコルを使うと、ローカルコンピューターとリモートサーバーの間でポート転送が有効になります。これはユーザーのラボ VM です。サーバー上の特定のポートで実行されているアプリケーションは、ローカルコンピューター上の対応するポートに "トンネリング" されます。

ユーザーのローカルコンピューターとラボ VM 上の Jupyter サーバーの間に SSH トンネルを構成するには、次の手順のようにします。

Azure Lab Services の Web サイトに移動します。
Linux ベースのラボ VM が実行されていることを確認します。
[接続] アイコン>[SSH を使用して接続する] を選んで、SSH 接続コマンドを取得します。

SSH 接続コマンドは次の例のようになります。
```
ssh -p 12345 student@ml-lab-00000000-0000-0000-0000-000000000000.eastus2.cloudapp.azure.com
```
Linux VM に接続する方法の詳細を確認してください。
ローカルコンピューターで、ターミナルまたはコマンドプロンプトを起動し、それに SSH 接続文字列をコピーします。次に、-L 8888:localhost:8888 をコマンド文字列に追加します。これにより、ポート間のトンネルが作成されます。

最終的なコマンドは次の例のようになります。
```
ssh –L 8888:localhost:8888 -p 12345 student@ml-lab-00000000-0000-0000-0000-000000000000.eastus.cloudapp.azure.com
```
Enter キーを押してコマンドを実行します。
プロンプトが表示されたら、ラボ VM のパスワードを入力してラボ VM に接続します。
VM に接続したら、次のコマンドを使って Jupyter サーバーを起動します。
```
jupyter notebook
```
このコマンドからは、Jupyter サーバーの URL がターミナルに出力されます。 URL は次の例のようになります。
```
http://localhost:8888/?token=8c09ecfc93e6a8cbedf9c66dffdae19670a64acc1d37
```
Jupyter Notebook に接続して作業を行うには、この URL をローカルコンピューターのブラウザーに貼り付けます。

Note

Visual Studio Code でも、優れた Jupyter Notebook の編集エクスペリエンスが可能です。リモート Jupyter サーバーに接続する方法の指示に従って、前の手順と同じ URL を使用して、ブラウザーからではなく VS Code から接続できます。

コストを見積もる

このセクションでは、25 人のラボユーザーを対象にこのクラスを実行する場合のコストの見積もりを示します。予定された授業時間は 20 時間です。また、各ユーザーには、予定された授業時間外に宿題や課題を行うための 10 時間の割り当てが与えられます。ここで選んだ VM のサイズは、代替小規模 GPU (コンピューティング) で、139 ラボユニットでした。 [小規模] (20 のラボユニット) または [中規模] (42 のラボユニット) を使用する場合は、こちらの式のラボユニット部分を適切な数値に置き換えることができます。

このクラスで考えられるコスト見積もりの例を次に示します: 25 lab users * (20 scheduled hours + 10 quota hours) * 139 lab units * 0.01 USD per hour = 1042.5 USD。

重要

このコスト見積もりは、例を示すためだけのものです。価格について詳しくは、「Azure Lab Services の価格」をご覧ください。

この記事では、Jupyter Notebook クラス用のラボを作成する方法と、ユーザーがラボ VM 上のノートブックに接続できる方法について説明しました。他の機械学習クラスにも同様のセットアップを使用できます。

テンプレートイメージをラボに発行できるようになります。詳細については、「テンプレート VM の発行」を参照してください。

ラボを設定するときは、次の記事を参照してください。

次の方法で共有

Python と Jupyter Notebook を使用してデータサイエンスを教えるためのラボを設定する

前提条件

ラボプランの設定を構成する

ラボを作成する

テンプレートマシンの構成

ツールで GPU を使用できるようにする

クラス用のノートブックを提供する

テンプレートマシンを発行する

Jupyter Notebook に接続する

ラボ VM 上の Jupyter Notebook を使用する

VM 上の Jupyter サーバーへの SSH トンネル

コストを見積もる

その他のリソース

次の方法で共有

Python と Jupyter Notebook を使用してデータ サイエンスを教えるためのラボを設定する

前提条件

ラボ プランの設定を構成する

ラボを作成する

テンプレート マシンの構成

ツールで GPU を使用できるようにする

クラス用のノートブックを提供する

テンプレート マシンを発行する

Jupyter Notebook に接続する

ラボ VM 上の Jupyter Notebook を使用する

VM 上の Jupyter サーバーへの SSH トンネル

コストを見積もる

関連するコンテンツ

その他のリソース

Python と Jupyter Notebook を使用してデータサイエンスを教えるためのラボを設定する

ラボプランの設定を構成する

テンプレートマシンの構成

テンプレートマシンを発行する