{"meta":{"title":"Начало работы с GitHub Codespaces для машинного обучения","intro":"Узнайте о работе над проектами машинного обучения с GitHub Codespaces и встроенными инструментами.","product":"Codespaces","breadcrumbs":[{"href":"/ru/codespaces","title":"Codespaces"},{"href":"/ru/codespaces/developing-in-a-codespace","title":"Разработка в codespace"},{"href":"/ru/codespaces/developing-in-a-codespace/getting-started-with-github-codespaces-for-machine-learning","title":"Машинное обучение"}],"documentType":"article"},"body":"# Начало работы с GitHub Codespaces для машинного обучения\n\nУзнайте о работе над проектами машинного обучения с GitHub Codespaces и встроенными инструментами.\n\n## Введение\n\nВ этом руководстве описывается машинное обучение с GitHub Codespaces. Вы создадите простой классификатор изображений, узнайте о некоторых средствах, которые предварительно установлены в GitHub Codespaces, и узнайте, как открыть пространство кода в JupyterLab.\n\n## Создание простого классификатора изображений\n\nМы будем использовать записную книжку Jupyter для создания простого классификатора изображений.\n\nЗаписные книжки Jupyter — это наборы ячеек, которые можно выполнять друг за другом. Используемая записная книжка содержит ряд ячеек, создающих классификатор изображений с помощью [PyTorch](https://pytorch.org/). Каждая ячейка представляет собой разные этапы этого процесса: скачивание набора данных, настройка нейронной сети, обучение модели, а затем тестирование этой модели.\n\nМы 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.\n\n### Создание codespace\n\n1. Перейдите в репозиторий [шаблонов github/codespaces-jupyter](https://github.com/github/codespaces-jupyter) .\n2. Нажмите кнопку **\"Использовать этот шаблон**\", а затем нажмите кнопку **\"Открыть\" в пространстве** кода.\n\n \n\nПространство кода для этого шаблона откроется в веб-версии Visual Studio Code.\n\n### Открытие записной книжки классификатора изображений\n\nОбраз контейнера по умолчанию, используемый 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 о образе по умолчанию см. в разделе [Основные сведения о контейнерах разработки](/ru/codespaces/setting-up-your-project-for-codespaces/adding-a-dev-container-configuration/introduction-to-dev-containers#using-the-default-dev-container-configuration) и [репозиторий devcontainers/images](https://github.com/devcontainers/images/tree/main/src/universal) .\n\n1. В редакторе VS Code закройте все отображаемые вкладки \"Начало работы\".\n2. Откройте файл записной книжки `notebooks/image-classifier.ipynb`.\n\n### Создание классификатора изображений\n\nЗаписная книжка классификатора изображений содержит весь код, необходимый для скачивания набора данных, обучения нейронной сети и оценки ее производительности.\n\n1. Нажмите кнопку **Выполнить все**, чтобы выполнить все ячейки записной книжки.\n\n \n\n2. Если вам предлагают выбрать исходный код ядра, выберите **Python Окружения**, затем выберите версию Python в рекомендуемом месте.\n\n \n\n3. Прокрутите вниз, чтобы просмотреть выходные данные каждой ячейки.\n\n \n\n## Открытие пространства кода в JupyterLab\n\nВы можете открыть пространство кода в JupyterLab на странице \"Ваши пространства кода\" в [github.com/codespaces](https://github.com/codespaces) или с помощью GitHub CLI. Дополнительные сведения см. в разделе [Открытие существующего пространства кода](/ru/codespaces/developing-in-a-codespace/opening-an-existing-codespace).\n\nПриложение JupyterLab должно быть установлено в открываемом пространстве кода. Образ контейнера разработки по умолчанию включает JupyterLab, поэтому пространства кода, созданные на основе образа по умолчанию, всегда будут установлены JupyterLab. Дополнительные сведения о образе по умолчанию см. в разделе AUTOTITLE и репозитория[](https://github.com/devcontainers/images/tree/main/src/universal)`devcontainers/images`.[ ](/ru/codespaces/setting-up-your-project-for-codespaces/adding-a-dev-container-configuration/introduction-to-dev-containers#using-the-default-dev-container-configuration) Если вы не используете образ по умолчанию в конфигурации контейнера разработки, можно установить JupyterLab, добавив `ghcr.io/devcontainers/features/python` эту функцию в `devcontainer.json` файл. Этот параметр `\"installJupyterlab\": true`следует включить. Дополнительные сведения см. в разделе README для [`python`](https://github.com/devcontainers/features/tree/main/src/python#python-python) функции в репозитории.`devcontainers/features`\n\n## Настройка NVIDIA CUDA для пространства кода\n\n> \\[!NOTE]\n> Этот раздел применяется только к клиентам, которые могут создавать пространства кода на компьютерах, использующих GPU. Возможность выбора типа компьютера, использующего GPU, была предложена выбранным клиентам в течение пробного периода. Этот параметр недоступен.\n\nДля некоторых программ необходимо установить NVIDIA CUDA для использования GPU пространства кода. В этом случае можно создать собственную пользовательскую конфигурацию с помощью файла `devcontainer.json` и указать, что необходимо установить CUDA. Дополнительные сведения о создании пользовательской конфигурации см. в разделе [Основные сведения о контейнерах разработки](/ru/codespaces/setting-up-your-project-for-codespaces/adding-a-dev-container-configuration/introduction-to-dev-containers#creating-a-custom-dev-container-configuration).\n\nПолные сведения о скрипте, выполняемом при добавлении `nvidia-cuda` функции, см. в [репозитории devcontainers/features](https://github.com/devcontainers/features/tree/main/src/nvidia-cuda) .\n\n1. В пространстве кода откройте `.devcontainer/devcontainer.json` файл в редакторе.\n\n2. Добавьте объект верхнего уровня `features` со следующим содержимым:\n\n ```json copy\n \"features\": {\n \"ghcr.io/devcontainers/features/nvidia-cuda:1\": {\n \"installCudnn\": true\n }\n }\n ```\n\n Дополнительные сведения об объекте `features` см. в [спецификации контейнеров разработки](https://containers.dev/implementors/features/#devcontainer-json-properties).\n\n Если вы используете файл `devcontainer.json` из репозитория классификаторов изображений, созданного для этого руководства, файл `devcontainer.json` будет выглядеть следующим образом:\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. Сохраните изменения.\n\n4. Перейдите к VS Code Command Palette (shift+Command+P CTRL SHIFT++P / ), а затем начните вводить \"перестроить\". Щелкните **Codespaces: Перестроить контейнер**.\n\n \n\n > \\[!TIP]\n > Иногда может потребоваться выполнить полную перестроение, чтобы очистить кэш и перестроить контейнер с помощью свежих образов. Дополнительные сведения см. в разделе [Перестроение контейнера в пространстве кода](/ru/codespaces/developing-in-codespaces/rebuilding-the-container-in-a-codespace#about-rebuilding-a-container).\n > Контейнер codespace будет перестроен. Операция займет несколько минут. После перестройки codespace автоматически открывается повторно.\n\n5. Опубликуйте изменения в репозитории, чтобы CUDA была установлена в любых новых пространствах кода, создаваемых из этого репозитория в будущем. Дополнительные сведения см. в разделе [Создание пространства кода на основе шаблона](/ru/codespaces/developing-in-a-codespace/creating-a-codespace-from-a-template#publishing-from-vs-code)."}