docs/translations/es-ES/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
Introducción a codespaces de GitHub para el aprendizaje automático	Machine learning	Obtén información sobre cómo trabajar en proyectos de aprendizaje automático con {% data variables.product.prodname_github_codespaces %} y sus herramientas de fábrica.	fpt ghec * *	tutorial	Codespaces Developer	905d5b14bfba5e47d1fdfdd7f0be75b16750652d	e8c012864f	HT	es-ES	11/09/2022	148158921

Introducción

En esta guía se presenta el aprendizaje automático con {% data variables.product.prodname_github_codespaces %}. Crearás un clasificador de imágenes simple, obtendrás información sobre algunas de las herramientas que vienen preinstaladas en {% data variables.product.prodname_github_codespaces %}, configurarás el entorno de desarrollo para NVIDIA CUDA y abrirás el codespace en JupyterLab.

Creación de un clasificador de imágenes simple

Usaremos un cuaderno de Jupyter Notebook para crear un clasificador de imágenes simple.

Los cuadernos de Jupyter son conjuntos de celdas que se pueden ejecutar una después de otra. El cuaderno que usaremos incluye una serie de celdas que crean un clasificador de imágenes mediante PyTorch. Cada celda es una fase diferente de ese proceso: descarga un conjunto de datos, configura una red neuronal, entrena un modelo y, a continuación, prueba ese modelo.

Ejecutaremos todas las celdas, en secuencia, para realizar todas las fases de creación del clasificador de imágenes. Cuando hacemos esto, Jupyter vuelve a guardar la salida en el cuaderno para que pueda examinar los resultados.

Crear un codespace

1. Vaya al repositorio de plantillas github/codespaces-jupyter. {% data reusables.codespaces.open-template-in-codespace-step %}

Se abre un codespace para esta plantilla en una versión basada en web de {% data variables.product.prodname_vscode %}.

Apertura del cuaderno clasificador de imágenes

La imagen de contenedor predeterminada que usan los datos {% data variables.product.prodname_github_codespaces %} incluye un conjunto de bibliotecas de aprendizaje automático preinstaladas en el codespace. Por ejemplo, Numpy, Pandas, SciPy, Matplotlib, seaborn, scikit-learn, Keras, PyTorch, Requests y Plotly. Para obtener más información sobre la imagen predeterminada, consulta "Introducción a los contenedores de desarrollo" y el devcontainers/images repositorio.

1. En el editor de {% data variables.product.prodname_vscode_shortname %}, cierra las pestañas "Introducción" que se muestran.
2. Apertura del archivo del cuaderno notebooks/image-classifier.ipynb.

Creación de un clasificador de imágenes

El cuaderno clasificador de imágenes contiene todo el código que necesitas para descargar un conjunto de datos, entrenar una red neuronal y evaluar su rendimiento.

1. Haz clic en Ejecutar todo para ejecutar todas las celdas del cuaderno.

   

2. Desplázate hacia abajo para ver la salida de cada celda.

   

Configuración de NVIDIA CUDA para el codespace

Algunos software requieren que instales NVIDIA CUDA para usar la GPU del codespace. En este caso, puedes crear tu propia configuración personalizada, mediante un archivo devcontainer.json y especificar que CUDA debe instalarse. Para obtener más información sobre las configuraciones personalizadas, consulta "Introducción a los contenedores de desarrollo".

{% note %}

Nota: Para obtener detalles completos del script que se ejecuta al agregar la característica nvidia-cuda, consulta el repositorio de características/contenedores de desarrollo.

{% endnote %}

1. En un codespace, abre el archivo .devcontainer/devcontainer.json en el editor.

2. Agrega un objeto de nivel features superior con el siguiente contenido:

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

   Para obtener más información sobre el objeto features, consulta Especificación de contenedores de desarrollo.

   Si usas el archivo devcontainer.json del repositorio clasificador de imágenes que creaste para este tutorial, el archivo devcontainer.json tendrá el siguiente aspecto:

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

3. Guarde el cambio. {% data reusables.codespaces.rebuild-command %} Se volverá a generar el contenedor de codespace. Esto tardará varios minutos. Cuando se completa la recompilación, el codespace se vuelve a abrir automáticamente.

4. Publica el cambio en un repositorio para que CUDA se instale en los nuevos codespaces que crees a partir de este repositorio en el futuro. Para obtener más información, consulta "Creación de un codespace a partir de una plantilla".

Apertura de un codespace en JupyterLab

Puedes abrir el codespace en JupyterLab desde la página "Tus codespaces" en github.com/codespaces o mediante {% data variables.product.prodname_cli %}. Para obtener más información, consulta "Apertura de un codespece existente".

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