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

title, shortTitle, intro, product, versions, type, topics

title	shortTitle	intro	product	versions	type	topics
Primeiros passos com GitHub code para aprendizado de máquina	Aprendizado de máquina	Aprenda como trabalhar em projetos de aprendizado de máquina com {% data variables.product.prodname_github_codespaces %} e suas ferramentas inovadoras.	{% data reusables.gated-features.codespaces %}	fpt ghec * *	tutorial	Codespaces Developer

Introdução

Este guia apresenta você ao aprendizado de máquina com {% data variables.product.prodname_github_codespaces %}. Você vai construir um simples classificador de imagem, aprender sobre algumas das ferramentas que vêm pré-instaladas em {% data variables.product.prodname_github_codespaces %}, configurar o seu ambiente de desenvolvimento para NVIDIA CUDA e usar {% data variables.product.prodname_cli %} para abrir o seu código em JupyterLab.

Pré-requisito

Você tem acesso a {% data variables.product.prodname_github_codespaces %}. Para obter mais informações, consulte "Criando um codespace".

Criar um simples classificador de imagem

Usaremos um caderno de anotações do Jupyter para construir um classificador de imagem simples.

Os Jupyter notebooks são conjuntos de células que você pode executar um após o outro. O caderno no bloco de notas que cria um número de células que constroem um classificador de imagem usando PyToch. Cada célula é uma fase diferente desse processo: faça o download de um conjunto de dados, configure uma rede neural, treine um modelo e, em seguida, teste esse modelo.

Vamos executar todas as células, em sequência, para executar todas as fases da construção do classificador de imagem. Quando fazemos isso, o Jupyter salva a saída de volta no notebook para que você possa examinar os resultados.

Criando um repositório e um codespace

1. Acesse o repositório de modelo github/codespaces-getting-started-ml e clique em Usar este modelo. {% data reusables.codespaces.open-codespace-from-template-repo %}

   Por padrão, um codespaces para este repositório abre em uma versão {% data variables.product.prodname_vscode %} baseada na web.

Abrir o notebook classificador de imagem

A imagem padrão de contêiner usada por {% data variables.product.prodname_github_codespaces %} inclui um conjunto de bibliotecas de aprendizado de máquina pré-instaladas no seu codespace. Por exemplo, Numpy, pandas, SciPy, Matplotlib, seaborn, scikit-learn, TensorFlow, Keras, PyTorch, Requests e Plotly. Para obter mais informações sobre a imagem padrão, consulte "Introdução a contêineres de desenvolvimento" e o repositório devcontainers/imagens.

1. No editor {% data variables.product.prodname_vscode_shortname %}, feche qualquer guia "Primeiros passos" que for exibida.

2. Abra o arquivo do notebook image-classifier.ipynb.

3. Clique no link do kernel do Python no canto superior direito do editor.

   

4. No menu suspenso, escolha o kernel no diretório /opt/python/latest/bin/python.

   

Crie o classificador de imagem

O caderno classificador de imagem contém todo o código que você precisa para baixar, um conjunto de dados, treinar uma rede neural e avaliar seu desempenho.

1. Clique Executar todos para executar todas as células do caderno.

   

2. Role para baixo para ver a saída de cada célula.

   

Configurar NVIDIA CUDA para o seu codespace

Alguns softwares, como o TensorFlow, exigem a instalação do NVIDIA CUDA para usar a GPU do seu codespace. Quando esse for o caso, você pode criar sua própria configuração personalizada, usando um arquivo devcontainer.json e especificar que o CUDA deve ser instalado. Para obter mais informações sobre como criar uma configuração personalizada, consulte "Introdução aos contêineres de desenvolvimento."

{% note %}

Observação: Para obter detalhes completos do script que é executado quando você adiciona o recurso nvidia-cuda, consulte o devcontainers/features repository.

{% endnote %}

1. Dentro de um codespace, abra o arquivo .devcontainer/devcontainer.json no editor.

2. Adicione um objeto funcionalidades de alto nível com os seguintes conteúdos:

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

   Para obter mais informações sobre o objeto funcionalidades, consulte a especificação dos contêineres de desenvolvimento.

   Se você estiver usando o arquivo devcontainer.json do repositório de imagens classificado que você criou para este tutorial, seu arquivo devcontainer.json agora irá se parecer com isto:

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

3. Salve a alteração. {% data reusables.codespaces.rebuild-command %} O contêiner do codespace será recriado. Isso levará vários minutos. Quando a recriação for concluída, o codespace será reaberto automaticamente.

4. Faça o commit da alteração no repositório para que o CUDA seja instalado em qualquer codespace novo que você criar a partir deste repositório no futuro.

Abra seu codespace no JupyterLab

A imagem padrão de contêiner usada por {% data variables.product.prodname_github_codespaces %} inclui JupyterLab e o Jupyter IDE baseado na web. Você pode usar {% data variables.product.prodname_cli %} para abrir seu codespace no JupyterLab sem ter que instalar mais nada no seu codespace.

1. No terminal, entre no comando {% data variables.product.prodname_cli %} gh cs jupyter.

2. Escolha o codepsace que você deseja abrir.