GitHub Codespaces 机器学习入门

简介

本指南将向你介绍使用 GitHub Codespaces 进行机器学习。你将构建一个简单的图像分类器，了解 GitHub Codespaces 中预先安装的一些工具，并了解如何在 JupyterLab 中打开你的 Codespace。

构建简单的图像分类器

我们将使用 Jupyter 笔记本构建一个简单的图像分类器。

Jupyter 笔记本是一组可以一个接一个执行的单元格。我们将使用的笔记本包含许多使用 PyTorch 构建图像分类器的单元格。每个单元格都是该过程的不同阶段：下载数据集，设置神经网络，训练模型，然后测试该模型。

我们将按顺序运行所有单元格，以执行构建图像分类器的所有阶段。当我们执行此操作时，Jupyter 会将输出保存回笔记本，以便你可以检查结果。

创建 Codespace

转到 github/codespaces-jupyter 模板存储库。
单击使用此模板，然后单击在 Codespace 中打开。

此模板的 Codespace 将在 Visual Studio Code 的网络版本中打开。

打开图像分类器笔记本

GitHub Codespaces 使用的默认容器映像包括一组预先安装在你的 Codespace 中的机器学习库。例如，Numpy、pandas、SciPy、Matplotlib、seaborn、scikit-learn、Keras、PyTorch、Requests 和 Plotly。有关默认映像的更多信息，请参阅“开发容器简介”和 devcontainers/images 存储库]。

在 VS Code 编辑器中，关闭显示的任何“开始使用”选项卡。
打开notebooks/image-classifier.ipynb笔记本文件。

构建图像分类器

图像分类器笔记本包含下载数据集、训练神经网络并评估其性能所需的所有代码。

单击全部运行以执行笔记本的所有单元格。
如果系统提示你选择内核源，请选择Python 环境，然后选择推荐位置的 Python 版本。
向下滚动以查看每个单元格的输出。

在 JupyterLab 中打开代码空间

你可以从 github.com/codespaces 上的“你的代码空间”页面或使用 GitHub CLI 在 JupyterLab 中打开你的代码空间。有关更多信息，请参阅“打开现有代码空间”。

必须在你要打开的代码空间中安装 JupyterLab 应用程序。默认开发容器映像包含 JupyterLab，因此从默认映像创建的代码空间将始终安装 JupyterLab。有关默认映像的更多信息，请参阅“开发容器简介”和devcontainers/images 存储库。如果你在开发容器配置中未使用默认映像，则可以通过将ghcr.io/devcontainers/features/python功能添加到devcontainer.json文件来安装 JupyterLab。你应该包含选项"installJupyterlab": true。有关更多信息，请参阅devcontainers/features存储库中python功能的自述文件。

为你的代码空间配置 NVIDIA CUDA

注意：本部分仅适用于可以在使用 GPU 的机器上创建代码空间的客户。在试用期内，向选定的客户提供了选择使用 GPU 的机器类型的功能。此选项通常不可用。

某些软件要求你安装 NVIDIA CUDA 才能使用代码空间的 GPU。在这种情况下，你可以使用devcontainer.json文件创建自己的自定义配置，并指定应安装 CUDA。有关创建自定义配置的更多信息，请参阅“开发容器简介”。

有关添加 nvidia-cuda 功能时运行的脚本的完整详细信息，请参阅 devcontainers/features 存储库。

在代码空间中，在编辑器中打开 .devcontainer/devcontainer.json 文件。

添加一个顶级 features 对象，其内容如下

JSON

  "features": {
    "ghcr.io/devcontainers/features/nvidia-cuda:1": {
      "installCudnn": true
    }
  }

  "features": {
    "ghcr.io/devcontainers/features/nvidia-cuda:1": {
      "installCudnn": true
    }
  }

有关 features 对象的更多信息，请参阅开发容器规范。

如果您正在使用为本教程创建的图像分类器存储库中的 devcontainer.json 文件，那么您的 devcontainer.json 文件现在将如下所示

{
  "customizations": {
    "vscode": {
      "extensions": [
        "ms-python.python",
        "ms-toolsai.jupyter"
      ]
    }
  },
  "features": {
    "ghcr.io/devcontainers/features/nvidia-cuda:1": {
      "installCudnn": true
    }
  }
}

保存更改。
访问 VS Code 命令面板 (Shift+Command+P / Ctrl+Shift+P)，然后开始输入“重建”。单击代码空间：重建容器。

提示：您可能偶尔需要执行完全重建以清除缓存并使用新映像重建容器。有关更多信息，请参阅“在代码空间中重建容器”。

将重建代码空间容器。这将需要几分钟时间。重建完成后，代码空间将自动重新打开。
将您的更改发布到存储库，以便将来您从此存储库创建的任何新代码空间都将安装 CUDA。有关更多信息，请参阅“从模板创建代码空间”。

针对机器学习入门 GitHub Codespaces

本文中

简介