Тази учебна програма съдържа много изпълними примери и лабораторни упражнения, които ще искате да стартирате. За да го направите, имате нужда от възможността да изпълнявате Python код в Jupyter тетрадки, предоставени като част от тази учебна програма. Имате няколко възможности за стартиране на кода:
За да стартирате кода локално на вашия компютър, е необходима инсталация на Python. Една препоръка е да инсталирате miniconda - това е сравнително лека инсталация, която поддържа пакетния мениджър conda за различни Python виртуални среди.
След като инсталирате miniconda, клонирайте хранилището и създайте виртуална среда, която да използвате за този курс:
git clone http://github.com/microsoft/ai-for-beginners
cd ai-for-beginners
conda env create --name ai4beg --file .devcontainer/environment.yml
conda activate ai4begТази учебна програма е най-добре да се използва, като я отворите в Visual Studio Code с Python разширение.
Забележка: След като клонирате и отворите директорията във VS Code, тя автоматично ще ви предложи да инсталирате Python разширения. Също така трябва да инсталирате miniconda, както е описано по-горе.
Забележка: Ако VS Code ви предложи да отворите хранилището в контейнер, трябва да откажете, за да използвате локалната инсталация на Python.
Можете също така да използвате Jupyter среда през браузъра на вашия компютър. Класическият Jupyter и JupyterHub предоставят удобна среда за разработка с автодовършване, оцветяване на кода и др.
За да стартирате Jupyter локално, отидете в директорията на курса и изпълнете:
jupyter notebookили
jupyterhubСлед това можете да навигирате до който и да е от .ipynb файловете, да ги отворите и да започнете работа.
Една алтернатива на инсталацията на Python е да стартирате кода в контейнер. Тъй като нашето хранилище предоставя специална папка .devcontainer, която указва как да се изгради контейнер за това хранилище, VS Code предлага възможност да преотворите кода в контейнер. Това изисква инсталиране на Docker и би било по-сложно, затова препоръчваме това за по-опитни потребители.
Ако не искате да инсталирате Python локално и имате достъп до някои облачни ресурси - добра алтернатива е да стартирате кода в облака. Има няколко начина да го направите:
- Използване на GitHub Codespaces, което е виртуална среда, създадена за вас в GitHub, достъпна чрез VS Code в браузър. Ако имате достъп до Codespaces, просто кликнете върху бутона Code в хранилището, стартирайте codespace и започнете работа веднага.
- Използване на Binder. Binder предлага безплатни изчислителни ресурси в облака, за да може всеки като вас да тества код от GitHub. Има бутон на началната страница, който отваря хранилището в Binder - това ви пренасочва бързо към binder сайта, който ще изгради базов контейнер и ще стартира Jupyter уеб интерфейс безпроблемно.
Забележка: За да се предотврати злоупотреба, достъпът до някои уеб ресурси е блокиран от Binder. Това може да попречи на част от кода, който изтегля модели и/или набори от данни от публичния интернет. Може да се наложи да намерите някои обходни решения. Също така ресурсите, предоставени от Binder, са доста основни, така че обучението ще е бавно, особено в по-късните, по-сложни уроци.
Някои от по-късните уроци в тази учебна програма биха имали голяма полза от поддръжка на GPU. Например, обучението на модели може да бъде изключително бавно в противен случай. Има няколко опции, които можете да следвате, особено ако имате достъп до облака чрез Azure за студенти или чрез вашата институция:
- Създайте Виртуална машина за Data Science и се свържете към нея чрез Jupyter. Можете да клонирате хранилището директно на машината и да започнете да учите. NC-серия виртуални машини поддържат GPU.
Забележка: Някои абонаменти, включително Azure за студенти, не предоставят GPU поддръжка по подразбиране. Може да се наложи да поискате допълнителни GPU ядра чрез техническа поддръжка.
- Създайте Azure Machine Learning Работна среда и използвайте функцията тетрадка там. Това видео показва как да клонирате хранилище в Azure ML тетрадка и да започнете да го използвате.
Можете също така да използвате Google Colab, който предлага някаква безплатна GPU поддръжка, и да качвате Jupyter тетрадки там, за да ги изпълнявате по една.
Отказ от отговорност: Този документ е преведен с помощта на AI преводачески услуга Co-op Translator. Въпреки че се стремим към точност, моля имайте предвид, че автоматизираните преводи могат да съдържат грешки или неточности. Оригиналният документ на неговия роден език трябва да се счита за авторитетен източник. За критична информация се препоръчва професионален човешки превод. Ние не носим отговорност за каквито и да е недоразумения или неправилни тълкувания, произтичащи от използването на този превод.