Environnement Python dans Jupyter

Ajouter un environnement Python dans JupyterLab

Vous pouvez créer vos propres environnements Python et les rendre accessibles dans JupyterLab sous forme de noyaux (kernels). Chaque notebook peut ainsi utiliser les bibliothèques adaptées à votre projet.

Les commandes ci-dessous sont à exécuter dans un terminal ouvert depuis JupyterLab.

Initialiser Conda

Pour utiliser Conda dans le terminal courant, exécutez la commande correspondant à votre shell.

Avec Zsh :

eval "$(/opt/conda/bin/conda shell.zsh hook)"

Avec Bash :

eval "$(/opt/conda/bin/conda shell.bash hook)"

Cette initialisation doit être renouvelée dans chaque nouveau terminal.

Vous pouvez également initialiser Conda de façon permanente :

/opt/conda/bin/conda init zsh

Remplacez zsh par bash si nécessaire, puis ouvrez un nouveau terminal. Cette commande modifie votre fichier ~/.zshrc ou ~/.bashrc.

Pour désactiver l’activation automatique de l’environnement base :

conda config --set auto_activate_base false

Créer un environnement Python

Par exemple, pour créer un environnement nommé mon_env contenant Python, NumPy et le noyau Python pour Jupyter :

conda create -n mon_env python=3.11 numpy ipykernel conda activate mon_env

Enregistrez ensuite cet environnement dans JupyterLab :

python -m ipykernel install --user \  --name mon_env \  --display-name "Python (mon_env)"

• --name définit l’identifiant du noyau.
• --display-name définit le nom affiché dans JupyterLab.

La création et l’enregistrement ne sont nécessaires qu’une fois par environnement.

Utiliser le nouvel environnement

Actualisez la page JupyterLab si nécessaire. Le noyau Python (mon_env) peut être sélectionné lors de la création d’un notebook ou depuis le menu Kernel → Change Kernel d’un notebook existant.

Activer un environnement dans le terminal ne change pas le noyau d’un notebook déjà ouvert. Sélectionnez également le noyau souhaité dans le notebook.

Exemple : TensorFlow avec un GPU

Avant de lancer JupyterLab depuis Open OnDemand, choisissez une partition GPU et activez Use Gpus.

Dans le terminal JupyterLab, après l’initialisation de Conda :

conda create -n tf-gpu python=3.11 pip ipykernel conda activate tf-gpu python -m pip install "tensorflow[and-cuda]" python -m ipykernel install --user \  --name tf-gpu \  --display-name "Python (TensorFlow GPU)"

Cette installation doit être compatible avec le GPU et le pilote du nœud utilisé. Selon le matériel, une version particulière de TensorFlow peut être nécessaire : contactez le service informatique en cas de difficulté.

Sélectionnez ensuite Python (TensorFlow GPU) dans votre notebook et vérifiez la détection du GPU :

import tensorflow as tf print(tf.__version__) print(tf.config.list_physical_devices("GPU"))

Une liste vide signifie qu’aucun GPU n’est détecté par TensorFlow dans cette session.

L’installation de TensorFlow ne réserve pas de GPU : cette réservation doit être effectuée lors du lancement de la session Open OnDemand.

Conservation des environnements

L’environnement doit rester accessible à l’emplacement où il a été créé. Son déplacement ou sa suppression peut empêcher le noyau enregistré de démarrer.

Un environnement situé dans votre homedir reste soumis aux contraintes de quota et d’accès Kerberos de cet espace.