{"meta":{"title":"Erste Schritte mit GitHub Codespaces für maschinelles Lernen","intro":"Erfahre mehr über die Arbeit an ML-Projekten mit GitHub Codespaces und den zugehörigen Tools.","product":"Codespaces","breadcrumbs":[{"href":"/de/codespaces","title":"Codespaces"},{"href":"/de/codespaces/developing-in-a-codespace","title":"In einem Codespace entwickeln"},{"href":"/de/codespaces/developing-in-a-codespace/getting-started-with-github-codespaces-for-machine-learning","title":"Maschinelles Lernen"}],"documentType":"article"},"body":"# Erste Schritte mit GitHub Codespaces für maschinelles Lernen\n\nErfahre mehr über die Arbeit an ML-Projekten mit GitHub Codespaces und den zugehörigen Tools.\n\n## Einführung\n\nDieser Leitfaden enthält eine Einführung in maschinelles Lernen mit GitHub Codespaces. Du erstellst eine einfache Imageklassifizierung, lernst einige der Tools kennen, die in GitHub Codespaces vorinstalliert sind, und du erfährst, wie du deinen Codespace in JupyterLab öffnest.\n\n## Erstellen einer einfachen Bildklassifizierung\n\nWir verwenden ein Jupyter-Notebook, um eine einfache Bildklassifizierung zu erstellen.\n\nJupyter-Notebooks sind Gruppen von Zellen, die nacheinander ausgeführt werden können. Das Notebook, das wir verwenden, enthält eine Reihe von Zellen, die eine Bildklassifizierung mithilfe von [PyTorch](https://pytorch.org/) erstellen. Jede Zelle ist eine andere Phase dieses Prozesses: Herunterladen eines Datasets, Einrichten eines neuronales Netzes, Trainieren eines Modells und anschließendes Testen dieses Modells.\n\nWir führen alle Zellen nacheinander aus, um alle Phasen zum Erstellen der Bildklassifizierung auszuführen. Dabei speichert Jupyter die Ausgabe zurück in das Notebook, damit du die Ergebnisse untersuchen kannst.\n\n### Einen Codespace erstellen\n\n1. Navigiere zum Vorlagenrepository [github/codespaces-jupyter](https://github.com/github/codespaces-jupyter).\n2. Klicke auf **Diese Vorlage verwenden** und dann auf **In einem Codespace öffnen**.\n\n \n\nEin Codespace für diese Vorlage wird in einer webbasierten Version von Visual Studio Code geöffnet.\n\n### Öffnen des Notebooks zur Bildklassifizierung\n\nDas von GitHub Codespaces verwendete Standardcontainerimage umfasst eine Reihe von ML-Bibliotheken, die in deinem Codespace vorinstalliert sind. Dazu gehören beispielsweise Numpy, pandas, SciPy, Matplotlib, seaborn, scikit-learn, Keras, PyTorch, Requests und Plotly. Weitere Informationen zum Standardimage findest du unter [Einführung in Dev-Container](/de/codespaces/setting-up-your-project-for-codespaces/adding-a-dev-container-configuration/introduction-to-dev-containers#using-the-default-dev-container-configuration) und im Repository [devcontainers/images](https://github.com/devcontainers/images/tree/main/src/universal).\n\n1. Schließe im VS Code-Editor alle angezeigten Registerkarten „Erste Schritte“.\n2. Öffne die Notebook-Datei `notebooks/image-classifier.ipynb`.\n\n### Erstellen der Bildklassifizierung\n\nDas Notebook zur Bildklassifizierung enthält den gesamten Code, den du benötigst, um ein Dataset herunterzuladen, ein neuronales Netz zu trainieren und die Leistung zu bewerten.\n\n1. Klicke auf **Alle ausführen**, um alle Zellen des Notebooks auszuführen.\n\n \n\n2. Wenn Sie aufgefordert werden, eine Kernelquelle auszuwählen, wählen Sie **Python Umgebungen** aus, und wählen Sie dann die Version von Python am empfohlenen Speicherort aus.\n\n \n\n3. Scrolle nach unten, um die Ausgabe der einzelnen Zellen anzuzeigen.\n\n \n\n## Öffnen deines Codespace in JupyterLab\n\nDu kannst deinen Codespace in JupyterLab über die Seite „Deine Codespaces“ unter [github.com/codespaces](https://github.com/codespaces) oder mithilfe der GitHub CLI öffnen. Weitere Informationen finden Sie unter [Öffnen eines vorhandenen Codespaces](/de/codespaces/developing-in-a-codespace/opening-an-existing-codespace).\n\nDie JupyterLab-Anwendung muss in dem Codespace installiert sein, den du öffnest. Das Standard-Dev-Containerimage enthält JupyterLab, sodass bei Codespaces, die mithilfe des Standardimages erstellt wurden, JupyterLab immer installiert ist. Weitere Informationen zum Standardimage findest du unter [Einführung in Dev-Container](/de/codespaces/setting-up-your-project-for-codespaces/adding-a-dev-container-configuration/introduction-to-dev-containers#using-the-default-dev-container-configuration) und im [`devcontainers/images`](https://github.com/devcontainers/images/tree/main/src/universal)-Repository. Wenn du nicht das Standardimage in deiner Entwicklungscontainerkonfiguration verwendest, kannst du JupyterLab installieren, indem du das Feature `ghcr.io/devcontainers/features/python` zur Datei `devcontainer.json` hinzufügst. Du solltest die Option `\"installJupyterlab\": true` einfügen. Weitere Informationen findest du in der Infodatei für das Feature [`python`](https://github.com/devcontainers/features/tree/main/src/python#python-python) im Repository `devcontainers/features`.\n\n## Konfigurieren von NVIDIA CUDA für deinen Codespace\n\n> \\[!NOTE]\n> Dieser Abschnitt gilt nur für Kunden, die Codespaces auf Computern erstellen können, die eine GPU verwenden. Die Möglichkeit, einen Computertyp auszuwählen, der eine GPU verwendet, wurde ausgewählten Kunden während eines Testzeitraums angeboten. Diese Option ist nicht allgemein verfügbar.\n\nEinige Software erfordert die Installation von NVIDIA CUDA, damit die GPU deines Codespace verwendet werden kann. Wenn dies der Fall ist, kannst du deine eigene benutzerdefinierte Konfiguration erstellen, indem du eine `devcontainer.json`-Datei verwendest und angibst, dass CUDA installiert werden soll. Weitere Informationen zum Erstellen einer benutzerdefinierten Konfiguration findest du unter [Einführung in Dev-Container](/de/codespaces/setting-up-your-project-for-codespaces/adding-a-dev-container-configuration/introduction-to-dev-containers#creating-a-custom-dev-container-configuration).\n\nAusführliche Informationen zu dem Skript, das ausgeführt wird, wenn du das `nvidia-cuda`-Feature hinzufügst, findest du im Repository [devcontainers/features](https://github.com/devcontainers/features/tree/main/src/nvidia-cuda).\n\n1. Öffne in einem Codespace die Datei `.devcontainer/devcontainer.json` im Editor.\n\n2. Füge ein `features`-Objekt auf oberster Ebene mit den folgenden Inhalten hinzu:\n\n ```json copy\n \"features\": {\n \"ghcr.io/devcontainers/features/nvidia-cuda:1\": {\n \"installCudnn\": true\n }\n }\n ```\n\n Weitere Informationen zum `features`-Objekt findest du in der [Spezifikation für Entwicklungscontainer](https://containers.dev/implementors/features/#devcontainer-json-properties).\n\n Wenn du die Datei `devcontainer.json` aus dem Bildklassifizierungsrepository verwendest, das du für dieses Tutorial erstellt hast, sieht die Datei `devcontainer.json` nun wie folgt aus:\n\n ```json\n {\n \"customizations\": {\n \"vscode\": {\n \"extensions\": [\n \"ms-python.python\",\n \"ms-toolsai.jupyter\"\n ]\n }\n },\n \"features\": {\n \"ghcr.io/devcontainers/features/nvidia-cuda:1\": {\n \"installCudnn\": true\n }\n }\n }\n ```\n\n3. Speichere die Änderungen.\n\n4. Greife auf die VS Code Command Palette (UMSCHALT+COMMAND+P / STRG+UMSCHALT+P) zu, und beginne dann mit der Eingabe von „rebuild“. Klicke auf **Codespaces: Container neu erstellen**.\n\n \n\n > \\[!TIP]\n > Führe gelegentlich eine vollständige Neuerstellung durch, um deinen Cache zu löschen und deinen Container mit neuen Images neu zu erstellen. Weitere Informationen finden Sie unter [Neuerstellen des Containers in einem Codespace](/de/codespaces/developing-in-codespaces/rebuilding-the-container-in-a-codespace#about-rebuilding-a-container).\n > Der Codespacecontainer wird neu erstellt. Dies dauert einige Minuten. Wenn die Neuerstellung abgeschlossen ist, wird der Codespace automatisch erneut geöffnet.\n\n5. Veröffentliche die Änderung in einem Repository, damit CUDA in allen neuen Codespaces installiert wird, die du in Zukunft von diesem Repository aus erstellst. Weitere Informationen finden Sie unter [Erstellen eines Codespaces aus einer Vorlage](/de/codespaces/developing-in-a-codespace/creating-a-codespace-from-a-template#publishing-from-vs-code)."}