Mit Sammlungen den Überblick behalten
Sie können Inhalte basierend auf Ihren Einstellungen speichern und kategorisieren.
Vertex AI Workbench ist eine auf JupyterLab-Notebooks basierende Entwicklungsumgebung, die für Ihren gesamten Data-Science-Workflow verfügbar ist. Sie können über ein Notebook einer JupyterLab-Instanz, die von Vertex AI Workbench bereitgestellt wird, mit Vertex AI und seinen Diensten in Google Distributed Cloud (GDC) interagieren, ohne dass eine Verbindung zum Internet erforderlich ist.
Die Integrationen und Funktionen von Vertex AI Workbench erleichtern den Zugriff auf Ihre Daten für maschinelles Lernen, das schnelle Freigeben und Verarbeiten von Daten sowie die Interaktion mit Vertex AI-Diensten über die Programmiersprache Python.
Mit Vertex AI Workbench können Sie beispielsweise:
Mit BigQuery- und Cloud Storage-Integrationen in einem JupyterLab-Notebook auf Ihre Daten für maschinelles Lernen zugreifen.
Geben Sie Ihr JupyterLab-Notebook für andere Nutzer Ihres Projekts frei.
Mit Vertex AI-Diensten interagieren, API-Anfragen authentifizieren und Vertex AI-Funktionen aus Python-Skripts verwenden.
Sicherung erstellen und Daten der JupyterLab-Instanz wiederherstellen
Verwenden Sie eine integrierte Entwicklungsumgebung (IDE), um integrierte JupyterLab-Notebooks zu nutzen.
Eine durchgängig Notebook-basierte Produktionsumgebung einrichten.
JupyterLab-Instanzen
Vertex AI Workbench bietet JupyterLab-Instanzen mit integrierten Integrationen, mit denen Sie eine durchgängige Notebook-basierte Produktionsumgebung einrichten können. JupyterLab-Instanzen kombinieren Workflow-orientierte Integrationen einer verwalteten Instanz mit der Anpassung und Kontrolle, die Sie für Ihre Umgebung benötigen.
Vertex AI Workbench umfasst Instanztypen, die mit JupyterLab und einer Reihe von Deep-Learning-Paketen vorinstalliert sind, einschließlich Unterstützung für die Frameworks TensorFlow und PyTorch. Je nach Bedarf können Sie zwischen rein CPU-basierten oder GPU-fähigen Instanzen wählen.
Sie können ein Docker-Image und einen Cluster für die Umgebung Ihrer JupyterLab-Instanz auswählen. Mit Docker können Sie eine benutzerdefinierte JupyterLab-Umgebung erstellen und in ein Image einbinden. Dieses Image sorgt für Konsistenz und Reproduzierbarkeit bei verschiedenen Bereitstellungen und enthält alle erforderlichen Pakete und Tools. Sie können diese benutzerdefinierte Umgebung mit anderen teilen oder als Grundlage für die zukünftige Entwicklung verwenden.
JupyterLab-Instanzen sind durch Authentifizierung und Autorisierung geschützt.
[[["Leicht verständlich","easyToUnderstand","thumb-up"],["Mein Problem wurde gelöst","solvedMyProblem","thumb-up"],["Sonstiges","otherUp","thumb-up"]],[["Schwer verständlich","hardToUnderstand","thumb-down"],["Informationen oder Beispielcode falsch","incorrectInformationOrSampleCode","thumb-down"],["Benötigte Informationen/Beispiele nicht gefunden","missingTheInformationSamplesINeed","thumb-down"],["Problem mit der Übersetzung","translationIssue","thumb-down"],["Sonstiges","otherDown","thumb-down"]],["Zuletzt aktualisiert: 2025-09-04 (UTC)."],[[["\u003cp\u003eVertex AI Workbench is a JupyterLab notebook-based development environment that allows users to interact with Vertex AI and its services on Google Distributed Cloud (GDC) in an air-gapped environment.\u003c/p\u003e\n"],["\u003cp\u003eVertex AI Workbench simplifies machine learning workflows by providing easy access to data, faster processing, and the ability to interact with Vertex AI services through Python.\u003c/p\u003e\n"],["\u003cp\u003eJupyterLab instances in Vertex AI Workbench offer a managed environment with built-in integrations, customization, and pre-installed deep learning packages like TensorFlow and PyTorch, with options for CPU-only or GPU-enabled instances.\u003c/p\u003e\n"],["\u003cp\u003eUsers can customize their JupyterLab environment using Docker images, ensuring consistency and reproducibility across deployments and allowing for the sharing of customized environments with other users.\u003c/p\u003e\n"],["\u003cp\u003eVertex AI Workbench instances are secured by authentication and authorization, and it offers features to manage notebooks and create backups.\u003c/p\u003e\n"]]],[],null,["# Learn about Vertex AI Workbench\n\nVertex AI Workbench is a JupyterLab notebook-based development\nenvironment available for your entire data science workflow. You can interact\nwith Vertex AI and its services on Google Distributed Cloud (GDC) air-gapped\nfrom within a notebook of a JupyterLab instance that Vertex AI Workbench\nprovides.\n\nVertex AI Workbench integrations and features make accessing your\nmachine learning data easier, sharing and processing data faster, interacting\nwith Vertex AI services using the Python programming language,\nand more.\n\nFor example, Vertex AI Workbench lets you do the following:\n\n- Access and explore your machine learning data from within a [JupyterLab notebook](https://jupyter.org/).\n- Share your JupyterLab notebook with other users of your project.\n- Import [Vertex AI client libraries](/distributed-cloud/hosted/docs/latest/gdch/application/ao-user/vertex-ai-install-libraries) to simplify accessing APIs programmatically.\n- Interact with Vertex AI services, authenticate API requests, and use Vertex AI features from Python scripts.\n- Create a backup and restore your JupyterLab instance data.\n- Use an integrated development environment (IDE) to use built-in integrations of JupyterLab notebooks.\n- Set up an end-to-end notebook-based production environment.\n\nJupyterLab instances\n--------------------\n\nVertex AI Workbench offers JupyterLab instances with built-in\nintegrations that help you set up an end-to-end notebook-based production\nenvironment. JupyterLab instances combine workflow-oriented integrations of a\nmanaged instance with the customization and control you need over your\nenvironment.\n\nVertex AI Workbench includes instance types preinstalled with\n[JupyterLab](https://jupyterlab.readthedocs.io/en/stable/getting_started/overview.html)\nand a suite of deep learning packages, including support for the\nTensorFlow and PyTorch frameworks. Depending on your needs, you can\nchoose between CPU-only or GPU-enabled instances.\n\nYou can select a Docker image and a cluster for your JupyterLab instance\nenvironment. Docker lets you create a custom JupyterLab environment and build it\ninto an image. This image ensures consistency and reproducibility across\ndifferent deployments, including all the necessary packages and tools. You can\nshare this customized environment with others or use it as a foundation for\nfuture development.\n\nJupyterLab instances are protected by authentication and authorization.\n\nWhat's next\n-----------\n\n- [Control access to Vertex AI Workbench](/distributed-cloud/hosted/docs/latest/gdch/application/ao-user/vertex-ai-workbench-access).\n\n- [Manage JupyterLab notebooks](/distributed-cloud/hosted/docs/latest/gdch/application/ao-user/vertex-ai-workbench).\n\n- [Create a backup and restore notebook data](/distributed-cloud/hosted/docs/latest/gdch/application/ao-user/backup-restore-notebook-data)."]]
