Ten program nauczania zawiera wiele wykonalnych przykładów i laboratoriów, które zechcesz uruchomić. Aby to zrobić, potrzebujesz możliwości wykonywania kodu Python w Jupyter Notebooks udostępnionych w ramach tego kursu. Masz kilka opcji uruchamiania kodu:
Aby uruchomić kod lokalnie na komputerze, potrzebna jest instalacja Pythona. Jedną z rekomendacji jest zainstalowanie miniconda – to dość lekka instalacja, która obsługuje menedżera pakietów conda dla różnych wirtualnych środowisk Pythona.
Po zainstalowaniu miniconda, sklonuj repozytorium i utwórz wirtualne środowisko do wykorzystania w tym kursie:
git clone http://github.com/microsoft/ai-for-beginners
cd ai-for-beginners
conda env create --name ai4beg --file .devcontainer/environment.yml
conda activate ai4begTen kurs najlepiej używać, otwierając go w Visual Studio Code z rozszerzeniem Python.
Uwaga: Po sklonowaniu i otwarciu katalogu w VS Code, program automatycznie zasugeruje instalację rozszerzeń Pythona. Musisz też zainstalować miniconda według wyżej opisanych kroków.
Uwaga: Jeśli VS Code zasugeruje ponowne otwarcie repozytorium w kontenerze, powinieneś odmówić, by korzystać z lokalnej instalacji Pythona.
Możesz też używać środowiska Jupyter w przeglądarce na własnym komputerze. Zarówno klasyczny Jupyter, jak i JupyterHub oferują wygodne środowisko programistyczne z autouzupełnianiem, podświetlaniem kodu itp.
Aby uruchomić Jupyter lokalnie, przejdź do katalogu kursu i wykonaj:
jupyter notebooklub
jupyterhubNastępnie możesz przejść do dowolnego pliku .ipynb, otworzyć go i zacząć pracę.
Alternatywą dla instalacji Pythona może być uruchomienie kodu w kontenerze. Ponieważ nasze repozytorium zawiera specjalny folder .devcontainer, który instruuje, jak zbudować kontener dla tego repozytorium, VS Code oferuje możliwość ponownego otwarcia kodu w kontenerze. Wymaga to zainstalowania Dockera i jest to bardziej skomplikowane, więc zalecamy tę opcję bardziej doświadczonym użytkownikom.
Jeśli nie chcesz instalować Pythona lokalnie i masz dostęp do zasobów chmurowych – dobrą alternatywą jest uruchamianie kodu w chmurze. Możesz to zrobić na kilka sposobów:
- Korzystając z GitHub Codespaces, czyli wirtualnego środowiska utworzonego dla Ciebie na GitHub i dostępnego przez interfejs VS Code w przeglądarce. Jeśli masz dostęp do Codespaces, wystarczy kliknąć przycisk Code w repozytorium, uruchomić codespace i szybko zacząć pracę.
- Korzystając z Binder. Binder oferuje bezpłatne zasoby obliczeniowe w chmurze dla osób takich jak Ty do testowania kodu z GitHub. Na stronie głównej jest przycisk do otwarcia repozytorium w Binder – szybko przeniesie Cię on do serwisu binder, który zbuduje kontener i bezproblemowo uruchomi interfejs Jupyter w przeglądarce.
Uwaga: Aby zapobiec nadużyciom, Binder ma zablokowany dostęp do niektórych zasobów internetowych. Może to uniemożliwić działanie niektórych fragmentów kodu, które pobierają modele i/lub zestawy danych z internetu. Możesz potrzebować obejść te ograniczenia. Poza tym zasoby obliczeniowe udostępniane przez Binder są dość podstawowe, więc trenowanie będzie powolne, zwłaszcza w późniejszych, bardziej skomplikowanych lekcjach.
Niektóre z późniejszych lekcji w tym kursie bardzo skorzystałyby na wsparciu GPU. Trenowanie modeli może być w przeciwnym razie bardzo powolne. Masz kilka opcji, zwłaszcza jeśli masz dostęp do chmury przez Azure for Students lub przez swoją instytucję:
- Utwórz Data Science Virtual Machine i połącz się z nią przez Jupyter. Możesz wtedy sklonować repozytorium bezpośrednio na maszynę i zacząć naukę. Maszyny NC-series mają wsparcie GPU.
Uwaga: Niektóre subskrypcje, w tym Azure for Students, nie oferują domyślnie wsparcia GPU. Może być konieczne zgłoszenie prośby o dodatkowe rdzenie GPU do pomocy technicznej.
- Utwórz Azure Machine Learning Workspace, a następnie używaj tam funkcji Notatnika. Ten film pokazuje, jak sklonować repozytorium do notatnika Azure ML i zacząć je wykorzystywać.
Możesz także użyć Google Colab, który oferuje bezpłatną obsługę GPU i przesłać tam Jupyter Notebooks, aby wykonywać je pojedynczo.
Zastrzeżenie: Niniejszy dokument został przetłumaczony za pomocą usługi tłumaczenia AI Co-op Translator. Choć dążymy do dokładności, prosimy pamiętać, że automatyczne tłumaczenia mogą zawierać błędy lub niedokładności. Oryginalny dokument w jego języku źródłowym należy uznawać za autorytatywne źródło. W przypadku informacji krytycznych zalecane jest skorzystanie z profesjonalnego tłumaczenia wykonanego przez człowieka. Nie ponosimy odpowiedzialności za jakiekolwiek nieporozumienia lub błędne interpretacje wynikające z użycia tego tłumaczenia.