代码辅助

数据集成做得很方便，将结果自动生成dataframe来使用，可视化也非常好用； 相对于colab来说，文件目录不用挂载，ipynb与py都可以一键执行简直太舒心了，文件预览做得也可，模型有单独的仓库保存记录，有版本区分，最快乐的是，支持后台运行和断点续传，不用整夜开电脑运行了； 相对于jupyterLAB，那就好用的不知道到哪里去了，个人感觉使用感受与本地集成IDE差不多，虽然目前的精细程度还达不到，手感还是差不多的，相对来说还精简了很多复杂的菜单啊、设置什么的，可能是目前还在开发中，代码编辑的功能花样虽然要比我用过的其他线上平台强很多，但是没有Jetbrain家本地ide那么花哨； 感受最好的要提一下，运行速度了，colab kernel启动速度慢的一批，在IDP全部执行时，几乎无痕启动，另外用户的环境可以有很多套，每一套都是永久使用的，说明这跟大多数实行资源回收分配的平台不一样，太香了，顺便提一提，包安装也很方便，右侧搜索安装，随时查看包列表； 最后，夸夸IDP客服，可能是初生代企业的原因，满满的情怀和热情，特别渴望建议，有些问题提出来，不到一周就能在更新上看到改变，查看版本时可查看更新日志，总有一种自己也参与了IDP建设的感觉，NICE啊

谈一谈和jupyter notebook的优劣对比吧hh。jupyter本身优点是实现浏览器端编程，便于调试，而且能够支持富文本语言，markdown语言，png显示等。非常方便制作有文字有代码的讲义或教案。IDP在这方面基本上实现了jupyter的大多数功能。此外IDP可以方便地与数据库(如阿里云、亚马逊数据库)进行交互，有一些代码案例便于直接引用修改，这是其优点，也是IDP本身需要的特色(便于数据科学家进行编程操作)。此外IDP对用户可以提供包含GPU在内的内核资源很不错(使用个人版notebook时候一直是用自己电脑的cpu跑)。

IDP对于算法工程师而言的确是一套很方便的工具。notebook界面足够灵活，方便探索性分析和建模，IDP还在环境和资源管理方面做了很多优化便利功能，能让算法工程师有更多精力关注数据和业务问题。模型部署方式也足够灵活，门槛比较低，离线任务和在线模型服务部署起来都很方便。