docs/translations/zh-CN/content/codespaces/developing-in-codespaces/getting-started-with-github-codespaces-for-machine-learning.md

title, shortTitle, intro, versions, type, topics, ms.openlocfilehash, ms.sourcegitcommit, ms.translationtype, ms.contentlocale, ms.lasthandoff, ms.locfileid

title	shortTitle	intro	versions	type	topics	ms.openlocfilehash	ms.sourcegitcommit	ms.translationtype	ms.contentlocale	ms.lasthandoff	ms.locfileid
用于机器学习的 GitHub Codespaces 入门	Machine learning	了解如何使用 {% data variables.product.prodname_github_codespaces %} 及其现成工具处理机器学习项目。	fpt ghec * *	tutorial	Codespaces Developer	905d5b14bfba5e47d1fdfdd7f0be75b16750652d	e8c012864f	HT	zh-CN	11/09/2022	148158915

简介

本指南介绍使用 {% data variables.product.prodname_github_codespaces %} 进行机器学习。 你将生成简单的图像分类器，了解 {% data variables.product.prodname_github_codespaces %} 中预安装的一些工具，为 NVIDIA CUDA 配置开发环境，并在 JupyterLab 中打开 codespace。

生成简单的图像分类器

我们将使用 Jupyter 笔记本生成简单的图像分类器。

Jupyter 笔记本是一组可以逐个执行的单元。 我们将使用的笔记本包括许多单元，它们使用 PyTorch 生成图像分类器。 每个单元都是该过程的不同阶段：下载数据集，设置神经网络，训练模型，然后测试该模型。

我们将按顺序运行所有单元，以执行生成图像分类器的所有阶段。 当我们执行此操作时，Jupyter 会将输出保存回笔记本，以便可以检查结果。

创建 codespace

1. 转到 github/codespaces-jupyter 模板存储库。 {% data reusables.codespaces.open-template-in-codespace-step %}

此模板的 codespace 会在基于 Web 的 {% data variables.product.prodname_vscode %} 版本中打开。

打开图像分类器笔记本

{% data variables.product.prodname_github_codespaces %} 使用的默认容器映像包括一组预安装在 codespace 中的机器学习库。 例如，Numpy、pandas、SciPy、Matplotlib、seaborn、scikit-learn、Keras、PyTorch、Requests 和 Plotly。 有关默认映像的详细信息，请参阅“开发容器简介”和 devcontainers/images 存储库。

1. 在 {% data variables.product.prodname_vscode_shortname %} 编辑器中，关闭显示的任何“入门”选项卡。
2. 打开 notebooks/image-classifier.ipynb 笔记本文件。

生成图像分类器

图像分类器笔记本包含下载数据集、训练神经网络以及评估其性能所需的所有代码。

1. 单击“全部运行”以执行所有笔记本单元。

   

2. 向下滚动以查看每个单元的输出。

   

为 codespace 配置 NVIDIA CUDA

某些软件要求安装 NVIDIA CUDA 才能使用 codespace 的 GPU。 在这种情况下，可以使用 devcontainer.json 文件创建自己的自定义配置，并指定应安装 CUDA。 有关创建自定义配置的详细信息，请参阅“开发容器简介”。

{% note %}

注意：有关在添加 nvidia-cuda 功能时运行的脚本的完整详细信息，请参阅 devcontainers/features 存储库。

{% endnote %}

1. 在 cpdespace 内的编辑器中打开 .devcontainer/devcontainer.json 文件。

2. 添加包含以下内容的顶级 features 对象：

     "features": {
       "ghcr.io/devcontainers/features/nvidia-cuda:1": { 
         "installCudnn": true
       }
     }
   

   有关 features 对象的详细信息，请参阅开发容器规范。

   如果使用为本教程创建的图像分类器存储库中的 devcontainer.json 文件，则 devcontainer.json 文件现在会如下所示：

   {
     "customizations": {
       "vscode": {
         "extensions": [
           "ms-python.python",
           "ms-toolsai.jupyter"
         ]
       }
     },
     "features": {
       "ghcr.io/devcontainers/features/nvidia-cuda:1": { 
         "installCudnn": true
       }
     }
   }
   

3. 保存更改。 {% data reusables.codespaces.rebuild-command %}将重新生成 codespace 容器。 这需要几分钟。 重新生成完成后，codespace 会自动重新打开。

4. 将更改发布到存储库，以便在将来从此存储库创建的任何新 codespace 中安装 CUDA。 有关详细信息，请参阅“通过模板创建 codespace”。

在 JupyterLab 中打开 codespace

可以在 JupyterLab (github.com/codespaces) 的“你的 codespace”页或使用 {% data variables.product.prodname_cli %} 打开 codespace。 有关详细信息，请参阅“打开现有 codespace”。

{% data reusables.codespaces.jupyterlab-installed-in-codespace %}