Skip to content

README.md

Latest commit

 

History

History
232 lines (143 loc) · 13.9 KB

README.md

File metadata and controls

232 lines (143 loc) · 13.9 KB

Rozpoczęcie kursu

Jesteśmy bardzo podekscytowani, że zaczynasz ten kurs i zobaczysz, co zainspiruje Cię do stworzenia z wykorzystaniem Generative AI!

Aby zapewnić Ci sukces, ta strona przedstawia kroki konfiguracji, wymagania techniczne oraz informacje, gdzie szukać pomocy, jeśli zajdzie taka potrzeba.

Kroki konfiguracji

Aby rozpocząć ten kurs, musisz wykonać następujące kroki.

1. Utwórz fork tego repozytorium

Utwórz fork całego repozytorium na swoim koncie GitHub, aby móc zmieniać dowolny kod i realizować wyzwania. Możesz też dodać to repo do ulubionych (🌟), aby łatwiej je znaleźć oraz powiązane repozytoria.

2. Utwórz codespace

Aby uniknąć problemów z zależnościami podczas uruchamiania kodu, zalecamy korzystanie z tego kursu w GitHub Codespaces.

W Twoim forku: Code -> Codespaces -> New on main

Dialog showing buttons to create a codespace

2.1 Dodaj sekret

  1. ⚙️ Ikona koła zębatego -> Command Pallete-> Codespaces : Manage user secret -> Add a new secret.
  2. Nazwij OPENAI_API_KEY, wklej swój klucz, Zapisz.

3. Co dalej?

Chcę… Przejdź do…
Zacząć Lekcję 1 01-introduction-to-genai
Pracować offline setup-local.md
Skonfigurować dostawcę LLM providers.md
Spotkać innych uczniów Dołącz do naszego Discorda

Rozwiązywanie problemów

Objaw Rozwiązanie
Budowanie kontenera zawiesza się > 10 min Codespaces ➜ „Rebuild Container”
python: command not found Terminal się nie podłączył; kliknij + ➜ bash
401 Unauthorized z OpenAI Nieprawidłowy / wygasły OPENAI_API_KEY
VS Code pokazuje „Dev container mounting…” Odśwież kartę przeglądarki—Codespaces czasem traci połączenie
Brak jądra w notebooku Menu notebooka ➜ Kernel ▸ Select Kernel ▸ Python 3

Systemy Unix:

touch .env

Windows:

echo . > .env

  1. Edytuj plik .env: Otwórz plik .env w edytorze tekstu (np. VS Code, Notepad++ lub innym). Dodaj następującą linię do pliku, zastępując your_github_token_here swoim rzeczywistym tokenem GitHub:

    GITHUB_TOKEN=your_github_token_here

  2. Zapisz plik: Zapisz zmiany i zamknij edytor tekstu.

  3. Zainstaluj python-dotenv: Jeśli jeszcze tego nie zrobiłeś, musisz zainstalować pakiet python-dotenv, aby załadować zmienne środowiskowe z pliku .env do swojej aplikacji w Pythonie. Możesz to zrobić za pomocą pip:

    pip install python-dotenv

  4. Załaduj zmienne środowiskowe w swoim skrypcie Python: W swoim skrypcie Pythona użyj pakietu python-dotenv, aby załadować zmienne środowiskowe z pliku .env:

    from dotenv import load_dotenv
import os

# Załaduj zmienne środowiskowe z pliku .env
load_dotenv()

# Uzyskaj dostęp do zmiennej GITHUB_TOKEN
github_token = os.getenv("GITHUB_TOKEN")

print(github_token)

To wszystko! Pomyślnie utworzyłeś plik .env, dodałeś swój token GitHub i załadowałeś go do aplikacji Python.

Jak uruchomić lokalnie na swoim komputerze

Aby uruchomić kod lokalnie na swoim komputerze, musisz mieć zainstalowaną jakąś wersję Python.

Następnie, aby używać repozytorium, musisz je sklonować:

git clone https://github.com/microsoft/generative-ai-for-beginners
cd generative-ai-for-beginners

Gdy już wszystko masz, możesz zacząć!

Kroki opcjonalne

Instalacja Miniconda

Miniconda to lekki instalator do instalacji Conda, Pythona oraz kilku pakietów.
Sama Conda jest menedżerem pakietów, który ułatwia tworzenie i przełączanie między różnymi środowiskami wirtualnymi Pythona (virtual environments) i pakietami. Przydaje się też do instalacji pakietów niedostępnych przez pip.

Możesz skorzystać z instrukcji instalacji MiniConda.

Po zainstalowaniu Miniconda, musisz sklonować repozytorium (jeśli jeszcze tego nie zrobiłeś).

Następnie musisz utworzyć środowisko wirtualne. Aby to zrobić za pomocą Conda, utwórz plik środowiska (environment.yml). Jeśli korzystasz z Codespaces, umieść go w katalogu .devcontainer, czyli .devcontainer/environment.yml.

Uzupełnij plik środowiska podanym poniżej fragmentem:

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

Jeśli pojawiają się błędy używając conda, możesz ręcznie zainstalować Microsoft AI Libraries za pomocą następującego polecenia w terminalu.

conda install -c microsoft azure-ai-ml

Plik środowiska definiuje wymagane zależności. <environment-name> to nazwa środowiska Conda, którą chcesz użyć, a <python-version> to wersja Pythona, na przykład 3 oznacza najnowszą główną wersję.

Po tym możesz utworzyć środowisko Conda, uruchamiając poniższe polecenia w wierszu poleceń/terminalu:

conda env create --name ai4beg --file .devcontainer/environment.yml # Podścieżka .devcontainer dotyczy tylko konfiguracji Codespace
conda activate ai4beg

Jeśli napotkasz problemy, zapoznaj się z instrukcją obsługi środowisk Conda.

Korzystanie z Visual Studio Code z rozszerzeniem do Pythona

Zalecamy korzystanie z edytora Visual Studio Code (VS Code) z zainstalowanym rozszerzeniem wsparcia dla Pythona do tego kursu. Jest to jednak rekomendacja, a nie wymóg obligatoryjny.

Uwaga: Otwierając repozytorium kursu w VS Code, możesz skonfigurować projekt wewnątrz kontenera. Jest to możliwe dzięki specjalnemu katalogowi .devcontainer znajdującemu się w repozytorium kursu. Później omówimy to dokładniej.

Uwaga: Po sklonowaniu i otwarciu katalogu w VS Code, edytor automatycznie zasugeruje instalację rozszerzenia wsparcia dla Pythona.

Uwaga: Jeśli VS Code zasugeruje ponowne otwarcie repozytorium w kontenerze, odrzuć tę propozycję, aby korzystać z lokalnie zainstalowanej wersji Pythona.

Korzystanie z Jupyter w przeglądarce

Możesz też pracować nad projektem za pomocą środowiska Jupyter bezpośrednio w przeglądarce. Zarówno klasyczny Jupyter, jak i Jupyter Hub oferują przyjemne środowisko do rozwoju z funkcjami takimi jak automatyczne uzupełnianie, podświetlanie składni itp.

Aby uruchomić Jupyter lokalnie, przejdź do terminala/wiersza polecenia, nawiguj do katalogu kursu i wykonaj:

jupyter notebook

lub

jupyterhub

To uruchomi instancję Jupyter, a adres URL dostępu pojawi się w oknie wiersza poleceń.

Po wejściu pod ten adres URL zobaczysz konspekt kursu i będziesz mógł nawigować do dowolnego pliku *.ipynb, np. 08-building-search-applications/python/oai-solution.ipynb.

Uruchamianie w kontenerze

Alternatywą do konfiguracji wszystkiego na komputerze lub w Codespace jest użycie kontenera. Specjalny folder .devcontainer w repozytorium kursu umożliwia VS Code skonfigurowanie projektu w kontenerze. Poza Codespaces wymaga to instalacji Dockera i trochę pracy, więc polecamy to tylko osobom z doświadczeniem w pracy z kontenerami.

Jednym z najlepszych sposobów na bezpieczne przechowywanie kluczy API podczas korzystania z GitHub Codespaces jest używanie sekretów Codespace. Prosimy zapoznać się z przewodnikiem zarządzania sekretami w Codespaces.

Lekcje i wymagania techniczne

Kurs zawiera 6 lekcji koncepcyjnych i 6 lekcji programowania.

Do lekcji programowania korzystamy z Azure OpenAI Service. Będziesz potrzebować dostępu do usługi Azure OpenAI oraz klucza API, aby uruchomić ten kod. Możesz złożyć wniosek o dostęp, wypełniając ten formularz.

W czasie oczekiwania na przetworzenie wniosku każda lekcja programowania zawiera także plik README.md, gdzie możesz zobaczyć kod i wyniki.

Korzystanie z Azure OpenAI Service po raz pierwszy

Jeśli korzystasz z Azure OpenAI service po raz pierwszy, postępuj zgodnie z tym przewodnikiem, jak utworzyć i wdrożyć zasób Azure OpenAI Service.

Korzystanie z OpenAI API po raz pierwszy

Jeśli korzystasz z OpenAI API po raz pierwszy, zapoznaj się z przewodnikiem jak utworzyć i korzystać z interfejsu.

Spotkaj innych uczniów

Stworzyliśmy kanały na naszym oficjalnym serwerze Discord AI Community, gdzie możesz poznać innych uczestników kursu. To świetny sposób na nawiązywanie kontaktów z innymi przedsiębiorcami, twórcami, studentami i osobami, które chcą rozwijać się w zakresie Generative AI.

Dołącz do kanału discord

Zespół projektu także będzie dostępny na tym serwerze Discord, aby pomagać uczestnikom.

Współtworzenie

Ten kurs to inicjatywa open-source. Jeśli zauważysz miejsca do poprawy lub błędy, prosimy o utworzenie Pull Request lub zgłoszenie issues na GitHub.

Zespół projektu śledzi wszystkie wkłady. Współtworzenie open-source to świetny sposób na rozwijanie kariery w Generative AI.

Większość wkładów wymaga zaakceptowania Contributor License Agreement (CLA), który oświadcza, że masz prawo i faktycznie udzielasz nam praw do wykorzystania swojego wkładu. Szczegóły znajdziesz na stronie CLA, Contributor License Agreement.

Ważne: przy tłumaczeniu tekstów w tym repozytorium prosimy o niekorzystanie z tłumaczeń maszynowych. Weryfikujemy tłumaczenia społecznościowo, więc prosimy zgłaszać się tylko do tłumaczeń na języki, w których jesteś biegły.

Po złożeniu pull requesta, bot CLA automatycznie zweryfikuje, czy musisz dostarczyć CLA i odpowiednio oznaczy PR (np. etykietą, komentarzem). Po prostu postępuj zgodnie z instrukcjami bota. Robisz to tylko raz dla wszystkich repozytoriów korzystających z naszego CLA.

Ten projekt przyjął Microsoft Open Source Code of Conduct. Więcej informacji znajdziesz w FAQ Kodeksu Postępowania lub możesz kontaktować się przez Email opencode w razie pytań lub uwag.

Zaczynajmy!

Teraz, gdy ukończyłeś niezbędne kroki, aby ukończyć ten kurs, zacznijmy od wprowadzenia do Generatywnej SI i LLM.

Zastrzeżenie:
Ten dokument został przetłumaczony za pomocą usługi tłumaczeń AI Co-op Translator. Mimo że dążymy do jak największej dokładności, prosimy mieć na uwadze, że tłumaczenia automatyczne mogą zawierać błędy lub niedokładności. Oryginalny dokument w jego języku źródłowym powinien być uznawany za źródło autorytatywne. W przypadku informacji krytycznych zalecane jest skorzystanie z profesjonalnego tłumaczenia wykonanego przez człowieka. Nie ponosimy odpowiedzialności za jakiekolwiek nieporozumienia lub błędne interpretacje wynikające z korzystania z tego tłumaczenia.