jupyter notebook 怎么文件分类

要在Jupyter Notebook中进行文件分类，你可以按照以下步骤操作：

1. 首先，找到Jupyter Notebook的配置文件。如果你没有配置文件，请按照以下步骤生成一个配置文件：
- 打开终端或命令提示符窗口。
- 运行命令`jupyter notebook --generate-config`以生成配置文件。
- 配置文件将被生成在你的用户目录下的`.jupyter`文件夹中。

2. 打开配置文件`jupyter_notebook_config.py`。你可以使用文本编辑器打开该文件。

3. 在配置文件中搜索以下内容：

   # The directory to use for notebooks and kernels.
   # c.NotebookApp.notebook_dir = ''

4. 解除注释并设置`c.NotebookApp.notebook_dir`的值为你想要保存笔记本和内核的文件夹路径。例如，如果你想要将文件保存在名为"jupyter_files"的文件夹中，你可以将该行代码修改为：

   c.NotebookApp.notebook_dir = 'jupyter_files'

5. 保存配置文件。

6. 重新启动Jupyter Notebook服务器。

现在，当你创建新的笔记本时，它们将保存在你指定的文件夹中。

相关问题

jupyter notebook AI

### 使用 Jupyter Notebook 进行人工智能开发与应用

Jupyter Notebook 是一种交互式的笔记本工具，支持多种编程语言，尤其适合用于数据科学和机器学习项目。其直观的界面允许开发者编写代码、运行实验并即时查看结果。

#### 安装依赖库
为了在 Jupyter Notebook 中开展 AI 开发工作，通常需要预先安装一些必要的 Python 库。例如，在处理自然语言处理任务时可能需要用到 `transformers` 和 `datasets` 等第三方库[^1]：

pip install transformers datasets torch scikit-learn pandas matplotlib seaborn jupyterlab

#### 创建新的 Jupyter 笔记本文件
启动 Jupyter Lab 或 Classic Notebook 后可以创建一个新的 Python 3 内核笔记本文档来构建模型训练流程。通过这种方式能够方便地记录每一步操作过程以及中间变量的状态变化情况。

#### 加载预训练模型
借助于 Hugging Face 提供的强大 API 接口可以直接加载各种流行的深度学习框架下的预训练权重参数而无需重新开始训练整个网络结构。下面是一个简单的例子展示了如何利用 BERT 模型来进行文本分类预测任务[^2]:

from transformers import BertTokenizer, BertForSequenceClassification
import torch

tokenizer = BertTokenizer.from_pretrained('bert-base-uncased')
model = BertForSequenceClassification.from_pretrained('bert-base-uncased')

inputs = tokenizer("Hello world!", return_tensors="pt")
labels = torch.tensor([1]).unsqueeze(0)

outputs = model(**inputs, labels=labels)
loss = outputs.loss
logits = outputs.logits

#### 数据可视化分析
除了作为编码环境外，Jupyter Notebook 的一大特色就是集成了丰富的绘图功能模块使得科研人员可以在同一页面内完成从原始数据探索到最终成果展示的一系列环节。比如使用 Matplotlib 绘制混淆矩阵可以帮助理解二元分类器的表现效果；Seaborn 则擅长制作统计图表以便更清晰地呈现特征分布规律等特性.