Jupyter Notebook扩展项目教程
1. 项目介绍
jupyter_contrib_nbextensions 是一个为 Jupyter Notebook 提供各种扩展功能的集合。这些扩展主要通过 JavaScript 实现,能够为 Jupyter Notebook 添加丰富的功能,如代码折叠、目录生成、LaTeX 公式编辑等。该项目由一个独立的用户和开发者团队维护,与 IPython/Jupyter 官方团队没有直接关联。
2. 项目快速启动
2.1 安装 Python 包
首先,需要安装 jupyter_contrib_nbextensions 的 Python 包。可以通过 pip 或 conda 进行安装。
使用 pip 安装
pip install jupyter_contrib_nbextensions
使用 conda 安装
conda install -c conda-forge jupyter_contrib_nbextensions
2.2 安装 JavaScript 和 CSS 文件
安装完 Python 包后,需要将扩展的 JavaScript 和 CSS 文件复制到 Jupyter 的数据目录中。
jupyter contrib nbextension install --user
2.3 启用扩展
安装完成后,可以通过以下命令启用特定的扩展。例如,启用代码折叠扩展:
jupyter nbextension enable codefolding/main
3. 应用案例和最佳实践
3.1 代码折叠
代码折叠扩展允许用户在 Jupyter Notebook 中折叠代码块,便于管理长代码段。启用后,代码块左侧会出现折叠按钮,点击即可折叠或展开代码。
3.2 目录生成
目录生成扩展可以自动生成 Notebook 的目录,方便用户快速导航。启用后,Notebook 顶部会出现一个目录按钮,点击即可查看和导航目录。
3.3 LaTeX 公式编辑
LaTeX 公式编辑扩展允许用户在 Jupyter Notebook 中直接编辑和预览 LaTeX 公式。启用后,用户可以在 Markdown 单元格中使用 LaTeX 语法编写公式,并实时预览效果。
4. 典型生态项目
4.1 JupyterLab
虽然 jupyter_contrib_nbextensions 主要针对 Jupyter Notebook,但 JupyterLab 也有类似的扩展集合,可以在 jupyterlab-contrib 找到。
4.2 JupyterHub
JupyterHub 是一个多用户 Jupyter Notebook 服务器,可以与 jupyter_contrib_nbextensions 结合使用,为多用户环境提供丰富的扩展功能。
4.3 nbconvert
nbconvert 是 Jupyter 的一个工具,用于将 Notebook 转换为其他格式(如 HTML、PDF 等)。jupyter_contrib_nbextensions 提供了一些额外的模板和预处理器,可以增强 nbconvert 的功能。
通过以上步骤,您可以快速启动并使用 jupyter_contrib_nbextensions,为 Jupyter Notebook 添加丰富的功能,提升工作效率。
AutoGLM-Phone-9BAutoGLM-Phone-9B是基于AutoGLM构建的移动智能助手框架,依托多模态感知理解手机屏幕并执行自动化操作。Jinja00
Kimi-K2-ThinkingKimi K2 Thinking 是最新、性能最强的开源思维模型。从 Kimi K2 开始,我们将其打造为能够逐步推理并动态调用工具的思维智能体。通过显著提升多步推理深度,并在 200–300 次连续调用中保持稳定的工具使用能力,它在 Humanity's Last Exam (HLE)、BrowseComp 等基准测试中树立了新的技术标杆。同时,K2 Thinking 是原生 INT4 量化模型,具备 256k 上下文窗口,实现了推理延迟和 GPU 内存占用的无损降低。Python00
GLM-4.6V-FP8GLM-4.6V-FP8是GLM-V系列开源模型,支持128K上下文窗口,融合原生多模态函数调用能力,实现从视觉感知到执行的闭环。具备文档理解、图文生成、前端重构等功能,适用于云集群与本地部署,在同类参数规模中视觉理解性能领先。Jinja00
HunyuanOCRHunyuanOCR 是基于混元原生多模态架构打造的领先端到端 OCR 专家级视觉语言模型。它采用仅 10 亿参数的轻量化设计,在业界多项基准测试中取得了当前最佳性能。该模型不仅精通复杂多语言文档解析,还在文本检测与识别、开放域信息抽取、视频字幕提取及图片翻译等实际应用场景中表现卓越。00
GLM-ASR-Nano-2512GLM-ASR-Nano-2512 是一款稳健的开源语音识别模型,参数规模为 15 亿。该模型专为应对真实场景的复杂性而设计,在保持紧凑体量的同时,多项基准测试表现优于 OpenAI Whisper V3。Python00
GLM-TTSGLM-TTS 是一款基于大语言模型的高质量文本转语音(TTS)合成系统,支持零样本语音克隆和流式推理。该系统采用两阶段架构,结合了用于语音 token 生成的大语言模型(LLM)和用于波形合成的流匹配(Flow Matching)模型。 通过引入多奖励强化学习框架,GLM-TTS 显著提升了合成语音的表现力,相比传统 TTS 系统实现了更自然的情感控制。Python00
Spark-Formalizer-X1-7BSpark-Formalizer 是由科大讯飞团队开发的专用大型语言模型,专注于数学自动形式化任务。该模型擅长将自然语言数学问题转化为精确的 Lean4 形式化语句,在形式化语句生成方面达到了业界领先水平。Python00