기계 학습을 위한 GitHub Codespaces 시작

소개

이 가이드에서는 GitHub Codespaces를 사용한 기계 학습을 소개합니다. 간단한 이미지 분류자를 빌드하고, GitHub Codespaces에 미리 설치된 도구 중 일부에 대해 알아보고, NVIDIA CUDA에 대한 개발 환경을 구성하고, JupyterLab에서 codespace를 엽니다.

간단한 이미지 분류자 빌드

Jupyter Notebook을 사용하여 간단한 이미지 분류자를 빌드합니다.

Jupyter Notebook은 하나씩 실행할 수 있는 셀 집합입니다. 사용할 Notebook에는 PyTorch를 사용하여 이미지 분류자를 빌드하는 셀이 여러 개 포함되어 있습니다. 각 셀은 데이터 세트를 다운로드하고, 신경망을 설정하고, 모델을 학습시킨 다음, 해당 모델을 테스트하는 프로세스의 각 단계입니다.

모든 셀을 순서대로 실행하여 이미지 분류자를 빌드하는 모든 단계를 수행합니다. 이 작업을 수행할 때 Jupyter는 결과를 검사할 수 있도록 출력을 Notebook에 다시 저장합니다.

codespace 만들기

github/codespaces-jupyter 템플릿 리포지토리로 이동합니다.
이 템플릿 사용을 클릭한 다음 codespace에서 열기를 클릭합니다.

이 템플릿의 codespace는 웹 기반 버전의 Visual Studio Code에서 열립니다.

이미지 분류자 Notebook 열기

GitHub Codespaces에서 사용하는 기본 컨테이너 이미지에는 codespace에 미리 설치된 기계 학습 라이브러리 집합이 포함되어 있습니다. 예를 들어 Numpy, pandas, SciPy, Matplotlib, seaborn, scikit-learn, Keras, PyTorch, Requests 및 Plotly가 있습니다. 기본 이미지에 대한 자세한 내용은 "개발 컨테이너 소개" 및 리포지토리를 devcontainers/images 참조하세요.

VS Code 편집기에서 표시되는 “시작” 탭을 닫습니다.
notebooks/image-classifier.ipynb Notebook 파일을 엽니다.

이미지 분류자 빌드

이미지 분류자 Notebook에는 데이터 세트를 다운로드하고 신경망을 학습시키고 성능을 평가하는 데 필요한 모든 코드가 포함되어 있습니다.

모두 실행을 클릭하여 Notebook 셀을 실행합니다.
커널 원본을 선택하라는 메시지가 표시되면 Python 환경을 선택한 다음 권장 위치에서 Python 버전을 선택합니다.
아래로 스크롤하여 각 셀의 출력을 봅니다.

codespace에 대한 NVIDIA CUDA 구성

일부 소프트웨어에서는 codespace의 GPU를 사용하려면 NVIDIA CUDA를 설치해야 합니다. 이 경우 devcontainer.json 파일을 사용하여 사용자 지정 구성을 만들고 CUDA를 설치해야 한다고 지정할 수 있습니다. 사용자 지정 구성을 만드는 방법에 대한 자세한 내용은 "개발 컨테이너 소개"을 참조하세요.

참고: nvidia-cuda 기능을 추가할 때 실행되는 스크립트에 대한 자세한 내용은 devcontainers/features 리포지토리를 참조하세요.

codespace 내에서 편집기 .devcontainer/devcontainer.json 에서 파일을 엽니다.

다음 내용이 포함된 최상위 features 개체를 추가합니다.

JSON

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

features 개체에 대한 자세한 내용은 개발 컨테이너 사양을 참조하세요.

이 자습서에 대해 만든 이미지 분류자 리포지토리의 devcontainer.json 파일을 사용하는 경우 이제 devcontainer.json 파일은 다음과 같이 표시됩니다.

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

변경 내용을 저장합니다.
VS Code Command Palette(Shift+명령+P / Ctrl+ ShiftP)에액세스+한 후 "rebuild"를 입력하기 시작합니다. Codespaces: 컨테이너 다시 빌드를 클릭합니다.
```
 <div class="extended-markdown tip border rounded-1 mb-4 p-3 color-border-accent-emphasis color-bg-accent f5">
```
팁: 경우에 따라 전체 다시 빌드를 수행하여 캐시를 지우고 새 이미지로 컨테이너를 다시 빌드할 수 있습니다. 자세한 내용은 "codespace에서 컨테이너 다시 빌드"을 참조하세요.
codespace 컨테이너가 다시 빌드됩니다. 이 작업은 몇 분 정도 걸립니다. 다시 빌드하는 작업이 완료되면 codespace가 자동으로 다시 열립니다.
나중에 이 리포지토리에서 만든 새 codespace에 CUDA가 설치되도록 리포지토리에 변경 내용을 게시합니다. 자세한 내용은 "템플릿에서 codespace 만들기"을 참조하세요.

JupyterLab에서 codespace 열기

jupyterLab의 codespace는 github.com/codespaces "사용자 codespaces" 페이지에서 열거나 GitHub CLI를 사용하여 열 수 있습니다. 자세한 내용은 "기존 codespace 열기"을 참조하세요.

JupyterLab 애플리케이션은 여는 codespace에 설치해야 합니다. 기본 컨테이너 이미지에는 JupyterLab이 포함되므로 기본 이미지에서 만든 codespace에는 항상 JupyterLab이 설치됩니다. 기본 이미지에 대한 자세한 내용은 "개발 컨테이너 소개" 및 리포지토리를 devcontainers/images 참조하세요. 개발 컨테이너 구성에서 기본 이미지를 사용하지 않는 경우 파일에 기능을 추가하여 JupyterLab을 ghcr.io/devcontainers/features/python 설치할 수 있습니다 devcontainer.json . 옵션을 "installJupyterlab": true포함해야 합니다. 자세한 내용은 리포지토리에서 python 기능에devcontainers/features 대한 추가 정보를 참조하세요.