docs/translations/ru-RU/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
Начало работы с GitHub Codespaces для машинного обучения	Machine learning	Узнайте о работе над проектами машинного обучения с {% data variables.product.prodname_github_codespaces %} и встроенными инструментами.	fpt ghec * *	tutorial	Codespaces Developer	905d5b14bfba5e47d1fdfdd7f0be75b16750652d	e8c012864f	MT	ru-RU	11/09/2022	148158920

Введение

В этом руководстве описывается машинное обучение с {% data variables.product.prodname_github_codespaces %}. Вы создадите простой классификатор изображений, узнаете о некоторых средствах, предустановленных в {% data variables.product.prodname_github_codespaces %}, настроите среду разработки для NVIDIA CUDA и откроете пространство кода в JupyterLab.

Создание простого классификатора изображений

Мы будем использовать записную книжку Jupyter для создания простого классификатора изображений.

Записные книжки Jupyter — это наборы ячеек, которые можно выполнять друг за другом. Используемая записная книжка содержит ряд ячеек, создающих классификатор изображений с помощью PyTorch. Каждая ячейка представляет собой разные этапы этого процесса: скачивание набора данных, настройка нейронной сети, обучение модели, а затем тестирование этой модели.

Мы запустим все ячейки последовательно для выполнения всех этапов построения классификатора изображений. Когда мы это делаем, Jupyter сохраняет выходные данные обратно в записную книжку, чтобы можно было изучить результаты.

Создание codespace

1. Перейдите в репозиторий шаблонов github/codespaces-jupyter . {% data reusables.codespaces.open-template-in-codespace-step %}

Пространство кода для этого шаблона откроется в веб-версии {% data variables.product.prodname_vscode %}.

Открытие записной книжки классификатора изображений

Образ контейнера по умолчанию, используемый {% data variables.product.prodname_github_codespaces %}, включает набор библиотек машинного обучения, предварительно установленных в пространстве кода. Например, Numpy, pandas, SciPy, Matplotlib, seaborn, scikit-learn, Keras, PyTorch, Requests и Plotly. Дополнительные сведения об образе по умолчанию см. в разделе Общие сведения о контейнерах разработкии Репозиторий devcontainers/images.

1. В редакторе {% data variables.product.prodname_vscode_shortname %} закройте все отображаемые вкладки "Начало работы".
2. Откройте файл записной книжки notebooks/image-classifier.ipynb.

Создание классификатора изображений

Записная книжка классификатора изображений содержит весь код, необходимый для скачивания набора данных, обучения нейронной сети и оценки ее производительности.

1. Нажмите кнопку Выполнить все, чтобы выполнить все ячейки записной книжки.

   

2. Прокрутите вниз, чтобы просмотреть выходные данные каждой ячейки.

   

Настройка NVIDIA CUDA для codespace

Для использования GPU codespace требуется установить NVIDIA CUDA. В этом случае можно создать собственную пользовательскую конфигурацию с помощью файла devcontainer.json и указать, что необходимо установить CUDA. Дополнительные сведения о пользовательских конфигурациях см. в разделе Общие сведения о контейнерах разработки.

{% note %}

Примечание. Полные сведения о скрипте, который выполняется при добавлении компонента nvidia-cuda, см. в репозитории devcontainers/features.

{% endnote %}

1. В codespace откройте .devcontainer/devcontainer.json файл в редакторе.

2. Добавьте объект верхнего уровня features со следующим содержимым:

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

   Дополнительные сведения об объекте features см. в спецификации контейнеров разработки.

   Если вы используете файл devcontainer.json из репозитория классификаторов изображений, созданного для этого руководства, файл devcontainer.json будет выглядеть следующим образом:

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

3. Сохраните изменения. {% data reusables.codespaces.rebuild-command %} Контейнер codespace будет перестроен. Операция займет несколько минут. После перестройки codespace автоматически открывается повторно.

4. Опубликуйте изменения в репозитории, чтобы В будущем CUDA устанавливалось в любых новых пространствах кода, создаваемых из этого репозитория. Дополнительные сведения см. в разделе Создание codespace на основе шаблона.

Открытие codespace в JupyterLab

Вы можете открыть codespace в JupyterLab со страницы "Ваши codespaces" в github.com/codespaces или с помощью {% data variables.product.prodname_cli %}. Дополнительные сведения см. в разделе Открытие существующего пространства кода.

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