Skip to content

02-setup-local.md

Latest commit

 

History

History
232 lines (158 loc) · 14.6 KB

02-setup-local.md

File metadata and controls

232 lines (158 loc) · 14.6 KB

Τοπική Ρύθμιση 🖥️

Χρησιμοποιήστε αυτόν τον οδηγό αν προτιμάτε να τρέχετε τα πάντα στον δικό σας φορητό υπολογιστή.
Έχετε δύο επιλογές: (A) εγγενές Python + virtual-env ή (B) VS Code Dev Container με Docker.
Επιλέξτε όποιο σας φαίνεται πιο εύκολο—και οι δύο οδηγούν στα ίδια μαθήματα.

1. Προαπαιτούμενα

Εργαλείο Έκδοση / Σημειώσεις
Python 3.10 + (κατεβάστε το από https://python.org)
Git Τελευταία (έρχεται με Xcode / Git για Windows / διαχειριστή πακέτων Linux)
VS Code Προαιρετικό αλλά συνιστάται https://code.visualstudio.com
Docker Desktop Μόνο για Επιλογή B. Δωρεάν εγκατάσταση: https://docs.docker.com/desktop/

💡 Συμβουλή – Επαληθεύστε τα εργαλεία σε τερματικό:
python --version, git --version, docker --version, code --version

2. Επιλογή A – Εγγενές Python (το γρηγορότερο)

Βήμα 1 Κλωνοποιήστε αυτό το αποθετήριο

git clone https://github.com/<your-github>/generative-ai-for-beginners
cd generative-ai-for-beginners

Βήμα 2 Δημιουργήστε & ενεργοποιήστε ένα εικονικό περιβάλλον

python -m venv .venv          # φτιάξε ένα
source .venv/bin/activate     # macOS / Linux
.\.venv\Scripts\activate      # Windows PowerShell

✅ Το prompt θα πρέπει τώρα να ξεκινά με (.venv)—που σημαίνει ότι βρίσκεστε μέσα στο περιβάλλον.

Βήμα 3 Εγκαταστήστε τις εξαρτήσεις

pip install -r requirements.txt

Παραλείψτε στο Τμήμα 3 για API keys

2. Επιλογή B – VS Code Dev Container (Docker)

Ρυθμίζουμε αυτό το αποθετήριο και το μάθημα με ένα development container που έχει ένα Universal runtime που υποστηρίζει Python3, .NET, Node.js και Java ανάπτυξη. Η σχετική διαμόρφωση ορίζεται στο αρχείο devcontainer.json που βρίσκεται στον φάκελο .devcontainer/ στη ρίζα αυτού του αποθετηρίου.

Γιατί να το επιλέξετε;
Ταυτόσημο περιβάλλον με τα Codespaces· χωρίς εκτροπή εξαρτήσεων.

Βήμα 0 Εγκαταστήστε τα επιπλέον

Docker Desktop – επιβεβαιώστε ότι το docker --version λειτουργεί.
Επέκταση VS Code Remote – Containers (ID: ms-vscode-remote.remote-containers).

Βήμα 1 Ανοίξτε το αποθετήριο στο VS Code

File ▸ Open Folder… → generative-ai-for-beginners

Το VS Code ανιχνεύει το .devcontainer/ και εμφανίζει ένα prompt.

Βήμα 2 Ξανανοίξτε μέσα στο container

Κάντε κλικ στο “Reopen in Container”. Το Docker χτίζει την εικόνα (≈ 3 λεπτά την πρώτη φορά).
Όταν εμφανιστεί το prompt του τερματικού, βρίσκεστε μέσα στο container.

2. Επιλογή C – Miniconda

Miniconda είναι ένας ελαφρύς εγκαταστάτης για την εγκατάσταση του Conda, Python, καθώς και μερικών πακέτων.
Το Conda είναι ένας διαχειριστής πακέτων, που διευκολύνει τη ρύθμιση και την εναλλαγή μεταξύ διαφορετικών Python εικονικών περιβαλλόντων και πακέτων. Είναι επίσης χρήσιμο για την εγκατάσταση πακέτων που δεν είναι διαθέσιμα μέσω pip.

Βήμα 0 Εγκαταστήστε το Miniconda

Ακολουθήστε τον οδηγό εγκατάστασης MiniConda για να το ρυθμίσετε.

conda --version

Βήμα 1 Δημιουργήστε ένα εικονικό περιβάλλον

Δημιουργήστε ένα νέο αρχείο περιβάλλοντος (environment.yml). Αν ακολουθείτε με Codespaces, δημιουργήστε το μέσα στον φάκελο .devcontainer, δηλαδή .devcontainer/environment.yml.

Βήμα 2 Συμπληρώστε το αρχείο περιβάλλοντος

Προσθέστε το παρακάτω απόσπασμα στο environment.yml

name: <environment-name>
channels:
 - defaults
 - microsoft
dependencies:
- python=<python-version>
- openai
- python-dotenv
- pip
- pip:
    - azure-ai-ml

Βήμα 3 Δημιουργήστε το Conda περιβάλλον σας

Τρέξτε τις παρακάτω εντολές στη γραμμή εντολών/τερματικό σας

conda env create --name ai4beg --file .devcontainer/environment.yml # Η υποδιαδρομή .devcontainer ισχύει μόνο για ρυθμίσεις Codespace
conda activate ai4beg

Ανατρέξτε στον οδηγό περιβαλλόντων Conda αν αντιμετωπίσετε προβλήματα.

2 Επιλογή D – Κλασικό Jupyter / Jupyter Lab (στον browser σας)

Για ποιον είναι αυτό;
Όποιον αγαπάει το κλασικό περιβάλλον Jupyter ή θέλει να τρέχει notebooks χωρίς VS Code.

Βήμα 1 Βεβαιωθείτε ότι το Jupyter είναι εγκατεστημένο

Για να ξεκινήσετε το Jupyter τοπικά, ανοίξτε το τερματικό/γραμμή εντολών, πλοηγηθείτε στον φάκελο του μαθήματος και εκτελέστε:

jupyter notebook

ή

jupyterhub

Αυτό θα ξεκινήσει μια παρουσία Jupyter και το URL για πρόσβαση θα εμφανιστεί στο παράθυρο της γραμμής εντολών.

Μόλις αποκτήσετε πρόσβαση στο URL, θα δείτε το περίγραμμα του μαθήματος και θα μπορείτε να πλοηγηθείτε σε οποιοδήποτε αρχείο *.ipynb. Για παράδειγμα, 08-building-search-applications/python/oai-solution.ipynb.

3. Προσθέστε τα API Keys σας

Η διατήρηση των API keys σας ασφαλών είναι σημαντική όταν δημιουργείτε οποιοδήποτε είδος εφαρμογής. Συνιστούμε να μην αποθηκεύετε κανένα API key απευθείας στον κώδικά σας. Η αποθήκευση αυτών των στοιχείων σε δημόσιο αποθετήριο μπορεί να προκαλέσει ζητήματα ασφαλείας και ακόμη και ανεπιθύμητα κόστη αν χρησιμοποιηθούν από κακόβουλο χρήστη.
Ακολουθεί ένας βήμα-βήμα οδηγός για το πώς να δημιουργήσετε ένα αρχείο .env για Python και να προσθέσετε το GITHUB_TOKEN:

  1. Πλοηγηθείτε στον φάκελο του έργου σας: Ανοίξτε το τερματικό ή τη γραμμή εντολών και πλοηγηθείτε στον ριζικό φάκελο του έργου σας όπου θέλετε να δημιουργήσετε το αρχείο .env.

    cd path/to/your/project

  2. Δημιουργήστε το αρχείο .env: Χρησιμοποιήστε τον αγαπημένο σας επεξεργαστή κειμένου για να δημιουργήσετε ένα νέο αρχείο με όνομα .env. Αν χρησιμοποιείτε τη γραμμή εντολών, μπορείτε να χρησιμοποιήσετε touch (σε συστήματα Unix) ή echo (στα Windows):

    Συστήματα Unix:

    touch .env

    Windows:

    echo . > .env

  3. Επεξεργαστείτε το αρχείο .env: Ανοίξτε το .env σε έναν επεξεργαστή κειμένου (π.χ. VS Code, Notepad++, ή οποιονδήποτε άλλο). Προσθέστε την παρακάτω γραμμή στο αρχείο, αντικαθιστώντας το your_github_token_here με το πραγματικό σας GitHub token:

    GITHUB_TOKEN=your_github_token_here

  4. Αποθηκεύστε το αρχείο: Αποθηκεύστε τις αλλαγές και κλείστε τον επεξεργαστή κειμένου.

  5. Εγκαταστήστε το python-dotenv: Αν δεν το έχετε ήδη, θα χρειαστεί να εγκαταστήσετε το πακέτο python-dotenv για να φορτώνετε μεταβλητές περιβάλλοντος από το αρχείο .env στην Python εφαρμογή σας. Μπορείτε να το εγκαταστήσετε με pip:

    pip install python-dotenv

  6. Φορτώστε τις μεταβλητές περιβάλλοντος στο Python script σας: Στο Python script σας, χρησιμοποιήστε το πακέτο python-dotenv για να φορτώσετε τις μεταβλητές περιβάλλοντος από το αρχείο .env:

    from dotenv import load_dotenv
import os

# Φόρτωση μεταβλητών περιβάλλοντος από το αρχείο .env
load_dotenv()

# Πρόσβαση στη μεταβλητή GITHUB_TOKEN
github_token = os.getenv("GITHUB_TOKEN")

print(github_token)

Αυτό ήταν! Δημιουργήσατε με επιτυχία ένα αρχείο .env, προσθέσατε το GitHub token σας και το φορτώσατε στην Python εφαρμογή σας.

🔐 Μην κάνετε ποτέ commit το .env—είναι ήδη στο .gitignore.
Ο πλήρης οδηγός παρόχων βρίσκεται στο providers.md.

4. Τι ακολουθεί;

Θέλω να… Πηγαίνω σε…
Ξεκινήσω το Μάθημα 1 01-introduction-to-genai
Ρυθμίσω έναν πάροχο LLM providers.md
Γνωρίσω άλλους μαθητές Join our Discord

5. Επίλυση Προβλημάτων

Σύμπτωμα Διόρθωση
python not found Προσθέστε το Python στο PATH ή ξανανοίξτε το τερματικό μετά την εγκατάσταση
pip δεν μπορεί να φτιάξει wheels (Windows) pip install --upgrade pip setuptools wheel και δοκιμάστε ξανά.
ModuleNotFoundError: dotenv Τρέξτε pip install -r requirements.txt (δεν εγκαταστάθηκε το env).
Αποτυχία Docker build No space left Docker Desktop ▸ Settings ▸ Resources → αυξήστε το μέγεθος δίσκου.
Το VS Code συνεχίζει να ζητάει επανεκκίνηση Μπορεί να έχετε ενεργές και τις δύο Επιλογές· επιλέξτε μία (venv ή container)
Σφάλματα OpenAI 401 / 429 Ελέγξτε την τιμή OPENAI_API_KEY / όρια ρυθμού αιτήσεων.
Σφάλματα με Conda Εγκαταστήστε τις βιβλιοθήκες Microsoft AI με conda install -c microsoft azure-ai-ml

Αποποίηση ευθυνών:
Αυτό το έγγραφο έχει μεταφραστεί χρησιμοποιώντας την υπηρεσία αυτόματης μετάφρασης AI Co-op Translator. Παρόλο που επιδιώκουμε την ακρίβεια, παρακαλούμε να λάβετε υπόψη ότι οι αυτόματες μεταφράσεις ενδέχεται να περιέχουν λάθη ή ανακρίβειες. Το πρωτότυπο έγγραφο στη μητρική του γλώσσα πρέπει να θεωρείται η αυθεντική πηγή. Για κρίσιμες πληροφορίες, συνιστάται επαγγελματική ανθρώπινη μετάφραση. Δεν φέρουμε ευθύνη για τυχόν παρεξηγήσεις ή λανθασμένες ερμηνείες που προκύπτουν από τη χρήση αυτής της μετάφρασης.