{"meta":{"title":"Prise en main de GitHub Codespaces pour le Machine Learning","intro":"Découvrez comment travailler sur des projets Machine Learning avec GitHub Codespaces et ses outils prêts à l’emploi.","product":"Codespaces","breadcrumbs":[{"href":"/fr/codespaces","title":"Codespaces"},{"href":"/fr/codespaces/developing-in-a-codespace","title":"Développement dans un espace de code"},{"href":"/fr/codespaces/developing-in-a-codespace/getting-started-with-github-codespaces-for-machine-learning","title":"Apprentissage automatique"}],"documentType":"article"},"body":"# Prise en main de GitHub Codespaces pour le Machine Learning\n\nDécouvrez comment travailler sur des projets Machine Learning avec GitHub Codespaces et ses outils prêts à l’emploi.\n\n## Introduction\n\nCe guide vous présente le Machine Learning avec GitHub Codespaces. Vous allez générer un classifieur d’images simple, découvrir certains des outils qui sont préinstallés dans GitHub Codespaces et trouver comment ouvrir votre codespace dans JupyterLab.\n\n## Génération d’un classifieur d’images simple\n\nNous allons utiliser un notebook Jupyter pour générer un classifieur d’images simple.\n\nLes notebooks Jupyter sont des ensembles de cellules que vous pouvez exécuter l’une après l’autre. Le notebook que nous allons utiliser comprend un certain nombre de cellules qui génèrent un classifieur d’images à l’aide de [PyTorch](https://pytorch.org/). Chaque cellule est une phase différente de ce processus : télécharger un jeu de données, configurer un réseau neuronal, entraîner un modèle, puis tester ce modèle.\n\nNous allons exécuter toutes les cellules, l’une après l’autre, pour effectuer toutes les phases de génération du classifieur d’images. Lorsque nous effectuons cette opération, Jupyter enregistre la sortie dans le notebook pour vous permettre d’examiner les résultats.\n\n### Création d’un codespace\n\n1. Accédez au dépôt de modèles [github/codespaces-jupyter](https://github.com/github/codespaces-jupyter).\n2. Cliquez sur **Utiliser ce modèle**, puis sur **Ouvrir dans un codespace**.\n\n   ![Capture d’écran du bouton « Utiliser ce modèle » et du menu déroulant développé pour afficher l’option « Ouvrir dans un codespace ».](/assets/images/help/repository/use-this-template-button.png)\n\nUn codespace pour ce modèle s’ouvre dans une version web de Visual Studio Code.\n\n### Ouverture du notebook du classifieur d’images\n\nL’image conteneur par défaut utilisée par GitHub Codespaces inclut un ensemble de bibliothèques de Machine Learning préinstallées dans votre codespace. Par exemple, Numpy, pandas, SciPy, Matplotlib, seaborn, scikit-learn, Keras, PyTorch, Requests et Plotly. Pour plus d’informations sur l’image par défaut, consultez [Présentation des conteneurs de développement](/fr/codespaces/setting-up-your-project-for-codespaces/adding-a-dev-container-configuration/introduction-to-dev-containers#using-the-default-dev-container-configuration) et le référentiel [devcontainers/images](https://github.com/devcontainers/images/tree/main/src/universal).\n\n1. Dans l’éditeur VS Code, fermez tous les onglets « Bien démarrer. » qui s’affichent.\n2. Ouvrez le fichier carnet `notebooks/image-classifier.ipynb`.\n\n### Génération du classifieur d’images\n\nLe notebook du classifieur d’images contient tout le code dont vous avez besoin pour télécharger un jeu de données, entraîner un réseau neuronal et évaluer ses performances.\n\n1. Cliquez sur **Exécuter tout** pour exécuter toutes les cellules du notebook.\n\n   ![Capture d’écran du haut de l’onglet de l’éditeur du fichier « image-classifier.ipynb ». Un curseur pointe sur un bouton intitulé « Tout exécuter ».](/assets/images/help/codespaces/jupyter-run-all.png)\n\n2. Si vous êtes invité à choisir une source de noyau, sélectionnez **Python Environnements**, puis sélectionnez la version de Python à l’emplacement recommandé.\n\n   ![Capture d’écran de la liste déroulante « Sélectionner un environnement Python ». La première option de la liste des versions de Python est intitulée « Recommandé ».](/assets/images/help/codespaces/jupyter-choose-python.png)\n\n3. Faites défiler l’écran vers le bas pour voir la sortie de chaque cellule.\n\n   ![Capture d’écran de la cellule dans l’éditeur, avec le titre « Étape 3 : Entraîner le réseau et enregistrer le modèle ».](/assets/images/help/codespaces/jupyter-notebook-step3.png)\n\n## Ouverture de votre codespace dans JupyterLab\n\nVous pouvez ouvrir votre codespace dans JupyterLab à partir de la page « Vos codespaces » à l’adresse [github.com/codespaces](https://github.com/codespaces) ou en utilisant GitHub CLI. Pour plus d’informations, consultez « [Ouverture d’un codespace existant](/fr/codespaces/developing-in-a-codespace/opening-an-existing-codespace) ».\n\nL’application JupyterLab doit être installée dans le codespace que vous ouvrez. L’image conteneur de développeur par défaut comprend JupyterLab, donc les codespaces créés à partir de l’image par défaut ont toujours JupyterLab installé. Pour plus d’informations sur l’image par défaut, consultez [Présentation des conteneurs de développement](/fr/codespaces/setting-up-your-project-for-codespaces/adding-a-dev-container-configuration/introduction-to-dev-containers#using-the-default-dev-container-configuration) et le référentiel [`devcontainers/images`](https://github.com/devcontainers/images/tree/main/src/universal). Si vous n’utilisez pas l’image par défaut dans votre configuration de conteneur de développement, vous pouvez installer JupyterLab en ajoutant le composant `ghcr.io/devcontainers/features/python` à votre fichier `devcontainer.json`. Vous devez inclure l’option `\"installJupyterlab\": true`. Pour plus d'informations, voir le LISEZMOI de la fonctionnalité [`python`](https://github.com/devcontainers/features/tree/main/src/python#python-python), dans le référentiel `devcontainers/features`.\n\n## Configuration de NVIDIA CUDA pour votre codespace\n\n> \\[!NOTE]\n> Cette section ne s'applique qu'aux clients qui peuvent créer des espaces de code sur des machines utilisant un GPU. La possibilité de choisir un type de machine qui utilise un GPU a été proposée à une sélection de clients pendant une période d’essai. Cette option n’est pas en disponibilité générale.\n\nCertains logiciels exigent que vous installiez NVIDIA CUDA pour utiliser le GPU de votre codespace. Dans ce cas, vous pouvez créer votre propre configuration personnalisée à l’aide d’un fichier `devcontainer.json` et spécifier que CUDA doit être installé. Pour plus d’informations sur la création d’une configuration personnalisée, consultez [Présentation des conteneurs de développement](/fr/codespaces/setting-up-your-project-for-codespaces/adding-a-dev-container-configuration/introduction-to-dev-containers#creating-a-custom-dev-container-configuration).\n\nPour obtenir les détails complets du script qui est exécuté lorsque vous ajoutez la fonctionnalité `nvidia-cuda`, consultez le dépôt [devcontainers/features](https://github.com/devcontainers/features/tree/main/src/nvidia-cuda).\n\n1. Dans le codespace, ouvrez le fichier `.devcontainer/devcontainer.json` dans l’éditeur.\n\n2. Ajoutez un objet `features` de niveau supérieur avec le contenu suivant :\n\n   ```json copy\n     \"features\": {\n       \"ghcr.io/devcontainers/features/nvidia-cuda:1\": {\n         \"installCudnn\": true\n       }\n     }\n   ```\n\n   Pour plus d’informations sur l’objet `features`, consultez la [spécification de conteneurs de développement](https://containers.dev/implementors/features/#devcontainer-json-properties).\n\n   Si vous utilisez le fichier `devcontainer.json` à partir du dépôt de classifieur d’images que vous avez créé pour ce tutoriel, votre fichier `devcontainer.json` ressemble maintenant à ceci :\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. Enregistrez la modification.\n\n4. Accédez à la VS Code Command Palette (<kbd>Maj</kbd>+<kbd>Commande</kbd>+<kbd>P</kbd> / <kbd>Ctrl</kbd>+<kbd>Maj</kbd>+<kbd>P</kbd>), puis commencez à taper « regénérer ». Cliquez sur **Codespaces : Regénérer le conteneur**.\n\n   ![Capture d’écran de la Palette de commandes avec une recherche pour « regénérer le conteneur » et l’option « Codespace : regénérer le conteneur » est mise en évidence dans la liste déroulante.](/assets/images/help/codespaces/codespaces-rebuild.png)\n\n   > \\[!TIP]\n   > Vous souhaiterez parfois effectuer une régénération complète pour vider votre cache et régénérer votre conteneur avec de nouvelles images. Pour plus d’informations, consultez « [Reconstruction du conteneur dans un espace de code](/fr/codespaces/developing-in-codespaces/rebuilding-the-container-in-a-codespace#about-rebuilding-a-container) ».\n   > Le conteneur de codespace sera reconstruit. Ceci peut prendre plusieurs minutes. Une fois la reconstruction terminée, le codespace est rouvert automatiquement.\n\n5. Publiez votre modification dans un dépôt afin que CUDA soit installé dans tous les codespaces que vous créez ensuite à partir de ce dépôt. Pour plus d’informations, consultez « [Création d’un codespace à partir d’un modèle](/fr/codespaces/developing-in-a-codespace/creating-a-codespace-from-a-template#publishing-from-vs-code) »."}