หลักสูตรนี้ประกอบด้วยตัวอย่างที่สามารถรันได้และแลปมากมายที่คุณต้องการรัน ในการที่จะทำเช่นนี้ คุณจะต้องมีความสามารถในการรันโค้ด Python ใน Jupyter Notebooks ซึ่งจัดเตรียมไว้เป็นส่วนหนึ่งของหลักสูตรนี้ คุณมีตัวเลือกหลายอย่างสำหรับการรันโค้ด:
ในการรันโค้ดในเครื่องคอมพิวเตอร์ของคุณ จำเป็นต้องติดตั้ง Python หนึ่งในคำแนะนำคือการติดตั้ง miniconda - เป็นการติดตั้งที่มีขนาดเล็กและรองรับตัวจัดการแพ็คเกจ conda สำหรับ สภาพแวดล้อมจำลอง Python ที่หลากหลาย
หลังจากติดตั้ง miniconda แล้ว ให้โคลนรีโพสและสร้างสภาพแวดล้อมจำลองที่จะใช้สำหรับคอร์สนี้:
git clone http://github.com/microsoft/ai-for-beginners
cd ai-for-beginners
conda env create --name ai4beg --file .devcontainer/environment.yml
conda activate ai4begหลักสูตรนี้เหมาะสมที่สุดเมื่อเปิดด้วย Visual Studio Code พร้อม Python Extension
หมายเหตุ: เมื่อคุณโคลนและเปิดไดเรกทอรีใน VS Code มันจะแนะนำให้คุณติดตั้งส่วนขยาย Python โดยอัตโนมัติ คุณยังต้องติดตั้ง miniconda ตามที่อธิบายข้างต้นด้วย
หมายเหตุ: หาก VS Code แนะนำให้เปิดรีโพสในคอนเทนเนอร์ใหม่ คุณควรปฏิเสธเพื่อใช้การติดตั้ง Python ในเครื่องของคุณ
คุณสามารถใช้สภาพแวดล้อม Jupyter ผ่านเบราว์เซอร์ในเครื่องคอมพิวเตอร์ของคุณเองได้ ทั้ง Jupyter แบบคลาสสิกและ JupyterHub ให้สภาพแวดล้อมการพัฒนาที่สะดวกสบายพร้อมการเติมข้อความอัตโนมัติ การเน้นโค้ด ฯลฯ
เพื่อเริ่มต้น Jupyter ในเครื่อง ให้ไปที่ไดเรกทอรีของคอร์ส และรันคำสั่ง:
jupyter notebookหรือ
jupyterhubจากนั้นคุณสามารถไปที่ไฟล์ .ipynb ใดๆ เปิดและเริ่มทำงานได้เลย
ทางเลือกหนึ่งแทนการติดตั้ง Python คือการรันโค้ดในคอนเทนเนอร์ เนื่องจากรีโพสของเรามีโฟลเดอร์ .devcontainer พิเศษที่แนะนำวิธีการสร้างคอนเทนเนอร์สำหรับรีโพสนี้ VS Code จึงมีตัวเลือกให้เปิดโค้ดใหม่ในคอนเทนเนอร์ การนี้จำเป็นต้องติดตั้ง Docker และมีความซับซ้อนมากขึ้น เราจึงแนะนำสำหรับผู้ใช้ที่มีประสบการณ์มากกว่า
หากคุณไม่ต้องการติดตั้ง Python ในเครื่อง และมีการเข้าถึงทรัพยากรคลาวด์ บางทางเลือกที่ดีคือการรันโค้ดในคลาวด์ คุณมีหลายวิธีในการทำเช่นนี้:
-
ใช้ GitHub Codespaces ซึ่งเป็นสภาพแวดล้อมจำลองที่สร้างขึ้นให้คุณบน GitHub สามารถเข้าถึงผ่านอินเทอร์เฟซ VS Code บนเบราว์เซอร์ หากคุณเข้าถึง Codespaces ได้ คุณสามารถคลิกปุ่ม Code ในรีโพส เริ่มต้น codespace และเริ่มรันได้ทันที
-
ใช้ Binder Binder มีทรัพยากรคอมพิวเตอร์ฟรีบนคลาวด์สำหรับผู้ใช้ทั่วไปทดสอบโค้ดบน GitHub มีปุ่มที่หน้าแรกเพื่อเปิดรีโพสใน Binder - ซึ่งจะนำคุณไปที่เว็บไซต์ binder แบบรวดเร็ว จะสร้างคอนเทนเนอร์พื้นฐานแล้วเปิดอินเทอร์เฟซ Jupyter ให้คุณใช้งานได้อย่างราบรื่น
หมายเหตุ: เพื่อป้องกันการใช้ในทางผิด Binder จำกัดการเข้าถึงบางทรัพยากรเว็บไซต์ อาจทำให้โค้ดบางส่วนทำงานไม่ได้ หากโค้ดดึงโมเดลและ/หรือชุดข้อมูลจากอินเทอร์เน็ตสาธารณะ คุณอาจต้องหาทางแก้ไข นอกจากนี้ ทรัพยากรที่ Binder ให้มานั้นพื้นฐานมาก ดังนั้นการเทรนจะช้า โดยเฉพาะบทเรียนที่ซับซ้อนในช่วงหลัง
บทเรียนบางบทในหลักสูตรนี้จะได้ประโยชน์อย่างมากจากการรองรับ GPU ตัวอย่างเช่นการเทรนโมเดลที่อาจช้ามากถ้าไม่มี GPU คุณมีตัวเลือกบางอย่าง โดยเฉพาะถ้าคุณเข้าถึงคลาวด์ผ่าน Azure for Students หรือผ่านสถาบันของคุณ:
- สร้าง Data Science Virtual Machine และเชื่อมต่อผ่าน Jupyter จากนั้นคุณสามารถโคลนรีโพสบนเครื่องนั้นและเริ่มเรียนรู้ VM สาย NC-series มีการรองรับ GPU
หมายเหตุ: บัญชีบางประเภท เช่น Azure for Students ไม่ได้รองรับ GPU โดยตรง คุณอาจต้องยื่นคำขอขอทรัพยากร GPU เพิ่มเติมผ่านฝ่ายสนับสนุนทางเทคนิค
- สร้าง Azure Machine Learning Workspace แล้วใช้ฟีเจอร์ Notebook ที่นั่น วิดีโอนี้ แสดงวิธีโคลนรีโพสเข้า Azure ML notebook และเริ่มใช้งาน
คุณยังสามารถใช้ Google Colab ซึ่งมาพร้อม GPU ฟรีบางส่วน และอัปโหลด Jupyter Notebooks ไปรันทีละไฟล์ได้อีกด้วย
ข้อจำกัดความรับผิดชอบ:
เอกสารนี้ได้รับการแปลโดยใช้บริการแปลภาษาอัตโนมัติ Co-op Translator แม้ว่าเราจะพยายามให้ความถูกต้องสูงสุด แต่โปรดทราบว่าการแปลอัตโนมัติอาจมีข้อผิดพลาดหรือความไม่แม่นยำ เอกสารต้นฉบับในภาษาต้นฉบับจะถือเป็นแหล่งข้อมูลที่เชื่อถือได้ สำหรับข้อมูลที่สำคัญ การแปลโดยมนุษย์มืออาชีพจึงเป็นที่แนะนำ เราไม่รับผิดชอบต่อความเข้าใจผิดหรือการตีความที่ผิดพลาดใด ๆ ที่เกิดจากการใช้การแปลนี้