سرویس فعال — نصب یک‌کلیک

Anaconda و JupyterLab روی سرور ابری؛ آزمایشگاه داده در مرورگر

توزیع کامل Anaconda با JupyterLab آماده روی سرور ابری تهران نصب می‌شود؛ notebook‌ها از مرورگر باز می‌شوند، conda برای محیط‌های جدا آماده است و توکن ورود در پنل نمایش داده می‌شود.

حساب دارید؟ وارد شوید

از ۲٬۲۰۰ تومان در ساعت،  حدود ۱٬۶۰۶٬۰۰۰ تومان در ماه

لوگوی Anaconda + JupyterLab

Anaconda + JupyterLab

اپلیکیشن روی سرور ابری

شروع قیمت،پلن standard

۲٬۲۰۰تومان / ساعت

حدود ۱٬۶۰۶٬۰۰۰ تومان در ماه،بر پایهٔ ۷۳۰ ساعت

  • حداقل ۲ گیگابایت RAM،  پلن standard و بالاتر
  • لینک JupyterLab با توکن،  در تب «اپلیکیشن» پنل
  • Anaconda 2024.10،  شامل Python‏، conda و JupyterLab
  • هزینهٔ نصب: صفر،  فقط اجارهٔ ساعتی سرور
  • پورت ۱۰ گیگابیت اختصاصی برای هر سرور
  • دیسک NVMe SSD روی همهٔ سرورها
  • آماده زیر ۶۰ ثانیه راه‌اندازی خودکار سرور
  • دیتاسنتر تهران میزبانی داخل ایران
  • صورت‌حساب ساعتی پرداخت به تومان

معرفی

Anaconda و JupyterLab روی سرور ابری ایران‌کلاد

با انتخاب Anaconda در مرحلهٔ ساخت سرور، توزیع کامل پایتون علم داده و یک JupyterLab همیشه‌روشن روی سرور خودتان در دیتاسنتر تهران آماده می‌شود.

لینک ورود همراه توکن، نسخهٔ conda و نسخهٔ Python بعد از نصب در تب «اپلیکیشن» صفحهٔ سرور نمایش داده می‌شوند. دسترسی root کامل دارید و هزینه فقط اجارهٔ ساعتی سرور است.

امکانات کلیدی

آنچه بعد از نصب در اختیار دارید

  • JupyterLab همیشه‌روشن

    سرویس دائمی که با راه‌اندازی دوبارهٔ سرور خودکار بالا می‌آید؛ پردازش با بستن مرورگر قطع نمی‌شود.

  • کتابخانه‌های علمی آماده

    NumPy‏، pandas‏، SciPy‏، scikit-learn و matplotlib بدون نصب جداگانه.

  • آینهٔ داخلی بسته‌ها

    راهنمای تنظیم آینهٔ conda و pip در پنل، برای دانلود سریع‌تر بسته‌ها از شبکهٔ داخلی.

۴ گام تا شروع

روش نصب گام‌به‌گام

  1. گام ۱: انتخاب پلن مناسب

    در سفارش سرور ابری پلنی با حداقل دو گیگابایت RAM انتخاب کنید. برای کار جدی با pandas و scikit-learn، پلن plus یا pro با حافظهٔ بیشتر راحت‌تر است.

  2. گام ۲: انتخاب Anaconda در تب اپلیکیشن‌ها

    در گام دوم تب اپلیکیشن‌ها را باز کنید و Anaconda را برگزینید؛ Ubuntu 22.04 خودکار انتخاب می‌شود. سپس سفارش را ثبت کنید.

  3. گام ۳: صبر برای نصب توزیع

    نصب‌کنندهٔ Anaconda دانلود و در /opt/anaconda3 نصب می‌شود و JupyterLab به‌صورت سرویس دائمی روی پورت ۸۸۸۸ بالا می‌آید. وضعیت را در تب «اپلیکیشن» صفحهٔ سرور دنبال کنید.

  4. گام ۴: باز کردن JupyterLab

    لینک lab url را که توکن را در خود دارد از تب اپلیکیشن باز کنید. برای کار در ترمینال سرور، یک بار خارج و دوباره وارد شوید تا دستور conda در دسترس باشد.

قیمت و سفارش

هزینهٔ اجرای Anaconda + JupyterLab

صورت‌حساب ساعتی است و مبلغ به تومان از کیف پول کسر می‌شود؛ هر وقت سرویس را حذف کنید، هزینه هم متوقف می‌شود.

Anaconda + JupyterLab

از ۲٬۲۰۰ تومان / ساعت

حدود ۱٬۶۰۶٬۰۰۰ تومان در ماه (۷۳۰ ساعت کارکرد)

ساعتی

آنچه دریافت می‌کنید

  • دیسک NVMe SSD و پورت اختصاصی ۱۰ گیگابیت برای هر سرور
  • سرور در کمتر از ۶۰ ثانیه آماده می‌شود
  • دیتاسنتر تهران، صورت‌حساب ساعتی به تومان
سفارش سرور با Anaconda

حساب دارید؟ وارد شوید

مقایسهٔ همهٔ پلن‌ها

راهنمای کامل

راهنمای کامل Anaconda و JupyterLab روی سرور ابری ایران‌کلاد

این راهنما برای دانشجو، تحلیل‌گر داده یا تیمی است که می‌خواهد notebook‌هایش روی سروری همیشه‌روشن اجرا شوند، نه روی لپ‌تاپی که شب خاموش می‌شود. توضیح می‌دهیم نصب خودکار ما دقیقاً چه چیزی تحویل می‌دهد، چطور آن را امن کنید، چه پلنی بگیرید و کجا باید سراغ ابزار دیگری بروید.

۱۰ بخش حدود ۶ دقیقه مطالعه

فهرست مطالب

Anaconda و JupyterLab چه هستند و به چه کسی می‌آیند؟

Anaconda یک توزیع پایتون برای علم داده است. به‌جای اینکه Python را جدا نصب کنید و بعد ده‌ها کتابخانه را یکی‌یکی با سازگاری نسخه‌هایشان جور کنید، Anaconda همه را یک‌جا و آزموده‌شده تحویل می‌دهد. ابزار conda هم امکان می‌دهد برای هر پروژه یک محیط جدا با نسخهٔ Python و کتابخانه‌های خودش بسازید تا پروژه‌ها روی هم اثر نگذارند.

JupyterLab محیط کار تعاملی است: کد را تکه‌تکه اجرا می‌کنید، نتیجه و نمودار را زیر همان کد می‌بینید و توضیح متنی کنارش می‌نویسید. ترکیب این دو روی سرور ابری یعنی از هر رایانه‌ای با مرورگر به همان محیط برمی‌گردید و پردازش‌های طولانی بعد از بستن مرورگر هم ادامه پیدا می‌کنند.

این سرویس برای دانشجوهایی که پروژهٔ پایان‌نامه دارند، تحلیل‌گرهایی که روی دادهٔ چندگیگابایتی کار می‌کنند و برنامه‌نویس‌هایی که اسکریپت‌های پردازش داده را زمان‌بندی می‌کنند مناسب است.

کاربردهای رایج روی سرور ابری

سرور ابری برای این کارها از لپ‌تاپ مناسب‌تر است:

  • پاک‌سازی و تحلیل داده با pandas روی فایل‌هایی که در حافظهٔ لپ‌تاپ جا نمی‌شوند
  • آموزش مدل‌های یادگیری ماشین کلاسیک با scikit-learn که چند ساعت طول می‌کشد
  • جمع‌آوری دادهٔ زمان‌بندی‌شده با اسکریپت پایتون و cron روی سروری که همیشه روشن است
  • گزارش و نمودار با matplotlib و seaborn و اشتراک notebook با همکار
  • آموزش و کارگاه که مدرس یک محیط آماده را برای نمایش استفاده می‌کند
  • اتصال به دیتابیس و تحلیل مستقیم داده‌های PostgreSQL مدیریت‌شده با SQLAlchemy

بازگشت به فهرست مطالب

نصب خودکار دقیقاً چه چیزی تحویل می‌دهد؟

اسکریپت نصب، نصب‌کنندهٔ رسمی Anaconda نسخهٔ 2024.10-1 را از مخزن Anaconda دریافت می‌کند و آن را بی‌صدا در /opt/anaconda3 نصب می‌کند. conda برای پوستهٔ bash فعال می‌شود، پس بعد از ورود دوباره با SSH دستور conda کار می‌کند. سپس یک سرویس systemd به نام jupyterlab ساخته می‌شود که JupyterLab را روی همهٔ آدرس‌های سرور و پورت ۸۸۸۸ اجرا می‌کند و اگر متوقف شود خودکار دوباره بالا می‌آورد.

ورود به JupyterLab با یک توکن تصادفی ۳۲ کاراکتری انجام می‌شود و رمز جداگانه‌ای تعریف نشده است. پوشهٔ کاری JupyterLab پوشهٔ خانگی root است. نسخهٔ دقیق conda و Python هم بعد از نصب در تب «اپلیکیشن» نمایش داده می‌شود.

موردمقدار
مسیر نصب/opt/anaconda3
سرویسjupyterlab (systemd، راه‌اندازی خودکار)
پورت۸۸۸۸، بدون TLS
ورودتوکن ۳۲ کاراکتری در تب اپلیکیشن
پوشهٔ کاریپوشهٔ خانگی root
سیستم‌عاملUbuntu 22.04

بازگشت به فهرست مطالب

کدام پلن و چه هزینه‌ای؟

نصب هزینهٔ جداگانه ندارد و فقط اجارهٔ ساعتی سرور را می‌پردازید. حداقل حافظه برای این اپلیکیشن دو گیگابایت است و در فهرست پلن‌های کوچک‌تر نمایش داده نمی‌شود. توجه کنید که خود توزیع Anaconda چند گیگابایت از دیسک را می‌گیرد و هر محیط conda جدید هم فضای خودش را می‌خواهد.

قاعدهٔ سرانگشتی برای pandas این است که حافظه چند برابر حجم فایل داده لازم است. برای دادهٔ چندصد مگابایتی standard کافی است، برای دادهٔ یک تا دو گیگابایتی plus و برای کار موازی یا مدل‌های سنگین‌تر pro را انتخاب کنید. چون صورت‌حساب ساعتی است، می‌توانید فقط در روزهای پردازش سنگین سرور بزرگ‌تر نگه دارید.

پلنمنابعساعتی (تومان)تقریبی ماهانه (تومان)
standard۲ هسته، ۲ گیگ RAM، ۴۰ گیگ دیسک۲٬۲۰۰۱٬۶۰۶٬۰۰۰
plus۲ هسته، ۴ گیگ RAM، ۸۰ گیگ دیسک۳٬۵۰۰۲٬۵۵۵٬۰۰۰
pro۴ هسته، ۸ گیگ RAM، ۱۶۰ گیگ دیسک۶٬۵۰۰۴٬۷۴۵٬۰۰۰

بازگشت به فهرست مطالب

Anaconda‏، Jupyter سبک یا code-server؟

سه راه متداول برای محیط پایتون روی سرور ابری:

موضوعAnaconda + JupyterLabJupyter سبکcode-server
کتابخانه‌های علمی آمادهصدها بستهحداقلیخودتان نصب می‌کنید
مدیریت محیطcondapip و venvهر ابزاری
حجم روی دیسکچند گیگابایتکمکم
مناسب برایعلم داده و آموزشnotebook‌های سبکتوسعهٔ نرم‌افزار کامل

برای مقایسهٔ دقیق‌تر صفحه‌های Jupyter و code-server را ببینید. اگر هدف‌تان اجرای مدل زبانی محلی است، Ollama گزینهٔ مستقیم‌تری است.

بازگشت به فهرست مطالب

کار با محیط‌های conda و کرنل‌های JupyterLab

محیط پایه (base) را دست‌نخورده نگه دارید؛ JupyterLab خودش از همین محیط اجرا می‌شود و اگر با نصب یک بستهٔ ناسازگار خراب شود، دسترسی به notebook‌ها هم از کار می‌افتد. برای هر پروژه با دستور conda create یک محیط جدا با نسخهٔ Python دلخواه بسازید، آن را فعال کنید و کتابخانه‌های پروژه را فقط در همان محیط نصب کنید.

برای اینکه محیط جدید در JupyterLab به‌عنوان کرنل دیده شود، بستهٔ ipykernel را داخل آن نصب کنید و با دستور python -m ipykernel install --user و یک نام نمایشی ثبتش کنید. بعد از رفرش صفحه، کرنل تازه در منوی Launcher ظاهر می‌شود و هر notebook می‌تواند کرنل خودش را داشته باشد؛ مثلاً یکی با Python 3.10 برای یک کتابخانهٔ قدیمی و دیگری با نسخهٔ جدیدتر.

اگر حل وابستگی‌ها طول کشید، تعداد کانال‌های فعال را کم کنید و نسخهٔ بسته‌های اصلی را صریح بنویسید تا conda فضای جست‌وجوی کوچک‌تری داشته باشد. بسته‌هایی که در کانال‌های conda نیستند را با pip داخل همان محیط نصب کنید، اما ترتیب را رعایت کنید: اول conda، بعد pip.

بازگشت به فهرست مطالب

شروع کار در پنج قدم

از سفارش تا اجرای اولین سلول:

  1. پس از شارژ کیف پول، صفحهٔ سفارش سرور ابری را باز کنید
  2. پلن standard یا بزرگ‌تر را انتخاب کنید و در تب اپلیکیشن‌ها Anaconda را برگزینید
  3. در تب «اپلیکیشن» صفحهٔ سرور منتظر وضعیت «نصب موفق» بمانید؛ دانلود توزیع چند دقیقه طول می‌کشد
  4. لینک lab url را باز کنید و یک notebook جدید با کرنل Python بسازید
  5. برای هر پروژه با conda create یک محیط جدا بسازید و ipykernel را در آن نصب کنید تا در JupyterLab ظاهر شود

بازگشت به فهرست مطالب

امنیت: توکن روی http کافی نیست

JupyterLab یعنی اجرای کد دلخواه روی سرور با دسترسی root؛ هرکس توکن را داشته باشد کنترل کامل سرور را دارد. نصب پیش‌فرض روی http بدون رمزگذاری اجرا می‌شود و پورت ۸۸۸۸ در فایروال سرور برای همه باز است، پس توکن در شبکه قابل شنود است. لینک حاوی توکن را در پیام‌رسان یا ایمیل نفرستید.

امن‌ترین روش این است که پورت ۸۸۸۸ را در فایروال شبکه ببندید و از تونل SSH استفاده کنید: با دستور ssh و گزینهٔ L پورت ۸۸۸۸ سرور را به رایانهٔ خودتان بیاورید و JupyterLab را از localhost باز کنید. اگر IP ثابت دارید، دست‌کم دسترسی پورت را به همان IP محدود کنید.

اگر توکن لو رفت، فایل /etc/jupyterlab-token را با مقدار تازه جایگزین کنید، مقدار جدید را در فایل سرویس jupyterlab هم بگذارید و سرویس را دوباره راه‌اندازی کنید.

بازگشت به فهرست مطالب

نگه‌داری notebookها، داده و محیط‌ها

notebook‌ها و داده‌ها در پوشهٔ خانگی root روی دیسک سرور ذخیره می‌شوند. بهترین عادت این است که کد و notebook‌ها را در یک مخزن Git نگه دارید و به‌طور منظم push کنید. برای داده‌های بزرگ، یک نسخه را در فضای ذخیره‌سازی ابری بگذارید تا با حذف سرور از بین نرود.

برای بازسازی محیط، از هر محیط conda با دستور conda env export یک فایل environment.yml بگیرید و کنار کد نگه دارید؛ روی سرور جدید با همین فایل همان محیط ساخته می‌شود. snapshot کامل سرور هم از تب بکاپ پنل گرفته می‌شود؛ بکاپ‌ها دستی‌اند و بر اساس حجم حساب می‌شوند. جزئیات در صفحهٔ پشتیبان‌گیری.

برای آوردن پروژه از لپ‌تاپ، فایل‌ها را با scp یا آپلود در JupyterLab منتقل کنید و محیط را از روی environment.yml بسازید.

بازگشت به فهرست مطالب

محدودیت‌ها

این نصب یک محیط تک‌کاربره است: JupyterHub، احراز هویت چندکاربره، دامنه و گواهی SSL بخشی از آن نیستند و اگر لازم دارید خودتان اضافه می‌کنید. پلن‌های سرور ابری GPU ندارند، پس آموزش شبکه‌های عصبی بزرگ روی آن‌ها کند است. نصب اپلیکیشن فعلاً فقط هنگام ساخت سرور انتخاب می‌شود و روی سرور موجود از پنل اضافه نمی‌شود.

نسخهٔ نصب‌شده 2024.10 است و به‌روزرسانی توزیع یا بسته‌ها با خود شماست؛ به‌جای به‌روزرسانی کل محیط پایه، برای پروژه‌های جدید محیط تازه بسازید تا کار قبلی نشکند.

بازگشت به فهرست مطالب بازگشت به ابتدای راهنما

پرسش و پاسخ،  ۱۰ پرسش

سؤالات متداول

پاسخ پرسش خود را پیدا نکردید؟ با پشتیبانی در تماس باشید.

Anaconda‏، Miniconda یا pip معمولی؟
Anaconda توزیع کامل است: Python به‌علاوهٔ صدها بستهٔ علمی از پیش نصب‌شده مثل NumPy‏، pandas‏، SciPy‏، scikit-learn و matplotlib، همراه conda برای ساخت محیط‌های جدا. Miniconda فقط conda و Python را دارد و بقیه را خودتان نصب می‌کنید. pip و venv سبک‌ترند اما وابستگی‌های غیرپایتونی مثل کتابخانه‌های C را مدیریت نمی‌کنند. برای شروع سریع کار داده، Anaconda کمترین دردسر را دارد.
JupyterLab با Jupyter Notebook کلاسیک چه فرقی دارد؟
JupyterLab رابط جدیدتر Jupyter است: چند notebook، ترمینال، ویرایشگر متن و مرورگر فایل را در زبانه‌های کنار هم باز می‌کند. هر notebookی که با نسخهٔ کلاسیک ساخته شده در JupyterLab هم باز می‌شود. اگر یک محیط Jupyter سبک‌تر بدون کل توزیع Anaconda می‌خواهید، صفحهٔ نصب Jupyter را ببینید.
آیا چند کاربر می‌توانند جدا جدا کار کنند؟
نصب ما یک JupyterLab تک‌کاربره است که با کاربر root و یک توکن اجرا می‌شود؛ هرکس توکن را داشته باشد به همهٔ فایل‌ها و ترمینال دسترسی دارد. برای کلاس یا تیم با حساب جدا باید JupyterHub را خودتان روی همین سرور نصب و پیکربندی کنید؛ این بخشی از نصب خودکار نیست.
GPU و CUDA پشتیبانی می‌شود؟
پلن‌های سرور ابری GPU ندارند و نصب ما CUDA یا درایور گرافیک نصب نمی‌کند. TensorFlow و PyTorch را می‌توانید با conda یا pip روی CPU نصب کنید که برای یادگیری و مدل‌های کوچک کافی است؛ برای آموزش مدل‌های بزرگ به سرور GPU نیاز دارید.
Git در JupyterLab هست؟
دستور git از ترمینال JupyterLab در دسترس است و می‌توانید مخزن را clone کنید. افزونهٔ گرافیکی Git برای JupyterLab به‌صورت پیش‌فرض نصب نیست و در صورت نیاز با pip نصب می‌شود. ابزارهایی مثل DVC یا MLflow را هم خودتان نصب می‌کنید.
کدام کتابخانه‌ها از قبل نصب‌اند؟
توزیع Anaconda کتابخانه‌های پرکاربرد علم داده را دارد: NumPy‏، pandas‏، SciPy‏، scikit-learn‏، statsmodels‏، matplotlib‏، seaborn‏، bokeh‏، SQLAlchemy و بسیاری دیگر. کتابخانه‌های یادگیری عمیق مثل PyTorch و TensorFlow و ابزارهایی مثل XGBoost در نصب پایه نیستند و بهتر است در یک محیط conda جدا نصب شوند.
هزینهٔ سرور Anaconda چقدر است؟
نصب خودکار رایگان است و فقط هزینهٔ سرور را ساعتی می‌پردازید. کوچک‌ترین پلن مجاز standard با حدود ۲٬۲۰۰ تومان در ساعت است. چون پرداخت ساعتی است، می‌توانید برای یک پردازش سنگین پلن بزرگ‌تر بگیرید و بعد از اتمام کار سرور را حذف کنید.
توکن JupyterLab را گم کرده‌ام؛ کجا ببینم؟
در تب «اپلیکیشن» صفحهٔ سرور، کلید token پشت دکمهٔ «نمایش» است و lab url همان لینک کامل با توکن است. روی خود سرور هم توکن در فایل /etc/jupyterlab-token ذخیره شده است.
دانلود بسته با conda یا pip کند است یا خطا می‌دهد؛ چه کنم؟
برخی مخازن خارجی از داخل ایران محدودیت یا سرعت پایین دارند. در پنل بخش آینهٔ بسته‌ها راهنمای تنظیم آینهٔ داخلی برای conda و pip آمده است؛ با تغییر فایل condarc و تنظیمات pip، بسته‌ها از شبکهٔ داخلی دریافت می‌شوند.
استفادهٔ تجاری از Anaconda آزاد است؟
شرایط استفادهٔ شرکت Anaconda برای سازمان‌های بزرگ‌تر از یک اندازهٔ مشخص، استفاده از مخزن پیش‌فرض آن را مشروط به لایسنس تجاری می‌کند. اگر سازمان بزرگی هستید، شرایط فعلی را در سایت Anaconda بررسی کنید یا کانال جامعه‌محور conda-forge را به‌جای کانال پیش‌فرض به کار ببرید.

پاسخ پرسش خود را پیدا نکردید؟ با پشتیبانی در تماس باشید.

آزمایشگاه داده‌تان را روی سرور بسازید

پلن مناسب را انتخاب کنید، Anaconda را در تب اپلیکیشن‌ها برگزینید و چند دقیقه بعد اولین notebook را اجرا کنید.

از ۲٬۲۰۰ تومان / ساعت،حدود ۱٬۶۰۶٬۰۰۰ تومان در ماه