docs/translations/de-DE/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
Erste Schritte mit GitHub Codespaces für maschinelles Lernen	Machine learning	Erfahre mehr über die Arbeit an ML-Projekten mit {% data variables.product.prodname_github_codespaces %} und den zugehörigen Tools.	fpt ghec * *	tutorial	Codespaces Developer	905d5b14bfba5e47d1fdfdd7f0be75b16750652d	e8c012864f	HT	de-DE	11/09/2022	148158917

Einführung

Dieser Leitfaden enthält eine Einführung in maschinelles Lernen mit {% data variables.product.prodname_github_codespaces %}. Du erstellst eine einfache Bildklassifizierung, lernst einige der Tools kennen, die in {% data variables.product.prodname_github_codespaces %} vorinstalliert sind, konfigurierst deine Entwicklungsumgebung für NVIDIA CUDA und öffnest deinen Codespace in JupyterLab.

Erstellen einer einfachen Bildklassifizierung

Wir verwenden ein Jupyter-Notebook, um eine einfache Bildklassifizierung zu erstellen.

Jupyter-Notebooks sind Gruppen von Zellen, die nacheinander ausgeführt werden können. Das Notebook, das wir verwenden, enthält eine Reihe von Zellen, die eine Bildklassifizierung mithilfe von PyTorch erstellen. Jede Zelle ist eine andere Phase dieses Prozesses: Herunterladen eines Datasets, Einrichten eines neuronales Netzes, Trainieren eines Modells und anschließendes Testen dieses Modells.

Wir führen alle Zellen nacheinander aus, um alle Phasen zum Erstellen der Bildklassifizierung auszuführen. Dabei speichert Jupyter die Ausgabe zurück in das Notebook, damit du die Ergebnisse untersuchen kannst.

Einen Codespace erstellen

1. Navigiere zum Vorlagenrepository github/codespaces-jupyter. {% data reusables.codespaces.open-template-in-codespace-step %}

Ein Codespace für diese Vorlage wird in einer webbasierten Version von {% data variables.product.prodname_vscode %} geöffnet.

Öffnen des Notebooks zur Bildklassifizierung

Das von {% data variables.product.prodname_github_codespaces %} verwendete Standardcontainerimage umfasst eine Reihe von ML-Bibliotheken, die in deinem Codespace vorinstalliert sind. Dazu gehören beispielsweise Numpy, pandas, SciPy, Matplotlib, seaborn, scikit-learn, Keras, PyTorch, Requests und Plotly. Weitere Informationen zum Standardimage findest du unter Einführung in Entwicklungscontainer und im devcontainers/images-Repository.

1. Schließe im {% data variables.product.prodname_vscode_shortname %}-Editor alle angezeigten Registerkarten „Erste Schritte“.
2. Öffne die Notebook-Datei notebooks/image-classifier.ipynb.

Erstellen der Bildklassifizierung

Das Notebook zur Bildklassifizierung enthält den gesamten Code, den du benötigst, um ein Dataset herunterzuladen, ein neuronales Netz zu trainieren und die Leistung zu bewerten.

1. Klicke auf Alle ausführen, um alle Zellen des Notebooks auszuführen.

   

2. Scrolle nach unten, um die Ausgabe der einzelnen Zellen anzuzeigen.

   

Konfigurieren von NVIDIA CUDA für deinen Codespace

Einige Software erfordert die Installation von NVIDIA CUDA, damit die GPU deines Codespace verwendet werden kann. Wenn dies der Fall ist, kannst du deine eigene benutzerdefinierte Konfiguration erstellen, indem du eine devcontainer.json-Datei verwendest und angibst, dass CUDA installiert werden soll. Weitere Informationen zum Erstellen einer benutzerdefinierten Konfiguration findest du unter Einführung in Entwicklungscontainer.

{% note %}

Hinweis: Ausführliche Informationen zu dem Skript, das ausgeführt wird, wenn du das nvidia-cuda-Feature hinzufügst, findest du im Repository „devcontainers/features“.

{% endnote %}

1. Öffne in einem Codespace die Datei .devcontainer/devcontainer.json im Editor.

2. Füge ein features-Objekt auf oberster Ebene mit den folgenden Inhalten hinzu:

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

   Weitere Informationen zum features-Objekt findest du in der Spezifikation für Entwicklungscontainer.

   Wenn du die Datei devcontainer.json aus dem Bildklassifizierungsrepository verwendest, das du für dieses Tutorial erstellt hast, sieht die Datei devcontainer.json nun wie folgt aus:

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

3. Speichere die Änderungen. {% data reusables.codespaces.rebuild-command %} Der Codespacecontainer wird neu erstellt. Dies dauert einige Minuten. Wenn die Neuerstellung abgeschlossen ist, wird der Codespace automatisch erneut geöffnet.

4. Veröffentliche die Änderung in einem Repository, damit CUDA in allen neuen Codespaces installiert wird, die du in Zukunft von diesem Repository aus erstellst. Weitere Informationen findest du unter Erstellen eines Codespace mithilfe einer Vorlage.

Öffnen deines Codespace in JupyterLab

Du kannst deinen Codespace in JupyterLab über die Seite „Deine Codespaces“ unter github.com/codespaces oder mithilfe der {% data variables.product.prodname_cli %} öffnen. Weitere Informationen findest du unter Öffnen eines vorhandenen Codespace.

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