ما بسیار هیجانزدهایم که شما این دوره را شروع کنید و ببینید با هوش مصنوعی تولیدی چه چیزهایی میتوانید بسازید!
برای موفقیت شما، این صفحه مراحل راهاندازی، نیازمندیهای فنی و راههای دریافت کمک در صورت نیاز را توضیح میدهد.
برای شروع این دوره، باید مراحل زیر را انجام دهید.
این مخزن را به طور کامل فورک کنید تا بتوانید کدها را تغییر دهید و چالشها را کامل کنید. همچنین میتوانید این مخزن را ستارهدار کنید (🌟) تا دسترسی به آن و مخازن مرتبط آسانتر شود.
برای جلوگیری از مشکلات وابستگی هنگام اجرای کد، توصیه میکنیم این دوره را در یک GitHub Codespaces اجرا کنید.
در فورک خود: Code -> Codespaces -> New on main
- ⚙️ آیکون چرخدنده -> Command Pallete -> Codespaces : Manage user secret -> Add a new secret.
- نام OPENAI_API_KEY، کلید خود را وارد کنید، ذخیره کنید.
| من میخواهم… | برو به… |
|---|---|
| شروع درس اول | 01-introduction-to-genai |
| کار به صورت آفلاین | setup-local.md |
| راهاندازی یک ارائهدهنده LLM | providers.md |
| ملاقات با دیگر یادگیرندگان | به دیسکورد ما بپیوندید |
| مشکل | راهحل |
|---|---|
| ساخت کانتینر بیش از ۱۰ دقیقه طول میکشد | Codespaces ➜ “Rebuild Container” |
python: command not found |
ترمینال متصل نشده؛ روی + کلیک کنید ➜ bash |
401 Unauthorized از OpenAI |
کلید OPENAI_API_KEY اشتباه یا منقضی شده است |
| VS Code نشان میدهد “Dev container mounting…” | تب مرورگر را تازه کنید—گاهی اوقات Codespaces اتصال را از دست میدهد |
| هسته نوتبوک گم شده است | منوی نوتبوک ➜ Kernel ▸ Select Kernel ▸ Python 3 |
سیستمهای مبتنی بر یونیکس:
touch .envویندوز:
echo . > .env-
ویرایش فایل
.env: فایل.envرا در یک ویرایشگر متن (مانند VS Code، Notepad++ یا هر ویرایشگر دیگر) باز کنید. خط زیر را به فایل اضافه کنید وyour_github_token_hereرا با توکن واقعی گیتهاب خود جایگزین کنید:GITHUB_TOKEN=your_github_token_here
-
ذخیره فایل: تغییرات را ذخیره کنید و ویرایشگر متن را ببندید.
-
نصب
python-dotenv: اگر قبلاً این کار را انجام ندادهاید، باید بستهpython-dotenvرا برای بارگذاری متغیرهای محیطی از فایل.envبه برنامه پایتون خود نصب کنید. میتوانید آن را با استفاده ازpipنصب کنید:pip install python-dotenv
-
بارگذاری متغیرهای محیطی در اسکریپت پایتون خود: در اسکریپت پایتون خود، از بسته
python-dotenvبرای بارگذاری متغیرهای محیطی از فایل.envاستفاده کنید:from dotenv import load_dotenv import os # Load environment variables from .env file load_dotenv() # Access the GITHUB_TOKEN variable github_token = os.getenv("GITHUB_TOKEN") print(github_token)
همین! شما با موفقیت یک فایل .env ایجاد کردهاید، توکن گیتهاب خود را اضافه کردهاید و آن را در برنامه پایتون خود بارگذاری کردهاید.
برای اجرای کد به صورت محلی روی کامپیوتر خود، باید نسخهای از پایتون نصب شده داشته باشید.
سپس برای استفاده از مخزن، باید آن را کلون کنید:
git clone https://github.com/microsoft/generative-ai-for-beginners
cd generative-ai-for-beginnersپس از اینکه همه چیز را بررسی کردید، میتوانید شروع کنید!
Miniconda یک نصبکننده سبک برای نصب Conda، پایتون و چند بسته دیگر است.
Conda خود یک مدیر بسته است که راهاندازی و جابجایی بین محیطهای مجازی پایتون و بستهها را آسان میکند. همچنین برای نصب بستههایی که از طریق pip در دسترس نیستند، مفید است.
میتوانید راهنمای نصب MiniConda را دنبال کنید تا آن را راهاندازی کنید.
با نصب Miniconda، باید مخزن را کلون کنید (اگر قبلاً این کار را نکردهاید).
سپس باید یک محیط مجازی ایجاد کنید. برای انجام این کار با Conda، یک فایل محیط جدید (environment.yml) ایجاد کنید. اگر از Codespaces استفاده میکنید، این فایل را در دایرکتوری .devcontainer ایجاد کنید، بنابراین .devcontainer/environment.yml.
فایل محیط خود را با قطعه کد زیر پر کنید:
name: <environment-name>
channels:
- defaults
- microsoft
dependencies:
- python=<python-version>
- openai
- python-dotenv
- pip
- pip:
- azure-ai-mlاگر با استفاده از conda خطاهایی دریافت کردید، میتوانید کتابخانههای هوش مصنوعی مایکروسافت را به صورت دستی با استفاده از دستور زیر در ترمینال نصب کنید.
conda install -c microsoft azure-ai-ml
فایل محیط وابستگیهایی که نیاز داریم را مشخص میکند. <environment-name> به نامی که میخواهید برای محیط Conda خود استفاده کنید اشاره دارد و <python-version> نسخه پایتونی است که میخواهید استفاده کنید، برای مثال، 3 آخرین نسخه اصلی پایتون است.
با انجام این کار، میتوانید محیط Conda خود را با اجرای دستورات زیر در خط فرمان/ترمینال ایجاد کنید:
conda env create --name ai4beg --file .devcontainer/environment.yml # .devcontainer sub path applies to only Codespace setups
conda activate ai4begاگر با مشکلی مواجه شدید، به راهنمای محیطهای Conda مراجعه کنید.
ما توصیه میکنیم از ویرایشگر Visual Studio Code (VS Code) با افزونه پشتیبانی پایتون برای این دوره استفاده کنید. البته این فقط یک توصیه است و الزام نیست.
توجه: با باز کردن مخزن دوره در VS Code، این امکان را دارید که پروژه را در یک کانتینر تنظیم کنید. این به دلیل دایرکتوری خاص
.devcontainerموجود در مخزن دوره است. اطلاعات بیشتر در این مورد بعداً ارائه خواهد شد.
توجه: پس از کلون کردن و باز کردن دایرکتوری در VS Code، به طور خودکار به شما پیشنهاد میشود که افزونه پشتیبانی پایتون را نصب کنید.
توجه: اگر VS Code پیشنهاد داد که مخزن را در یک کانتینر باز کنید، این درخواست را رد کنید تا از نسخه محلی نصب شده پایتون استفاده کنید.
شما همچنین میتوانید روی پروژه با استفاده از محیط Jupyter در مرورگر خود کار کنید. هم Jupyter کلاسیک و هم Jupyter Hub محیط توسعه دلپذیری با ویژگیهایی مانند تکمیل خودکار، برجستهسازی کد و غیره ارائه میدهند.
برای شروع Jupyter به صورت محلی، به ترمینال/خط فرمان بروید، به دایرکتوری دوره بروید و اجرا کنید:
jupyter notebookیا
jupyterhubاین کار یک نمونه Jupyter را شروع میکند و URL برای دسترسی به آن در پنجره خط فرمان نمایش داده میشود.
پس از دسترسی به URL، باید طرح کلی دوره را مشاهده کنید و بتوانید به هر فایل *.ipynb دسترسی پیدا کنید. برای مثال، 08-building-search-applications/python/oai-solution.ipynb.
یک جایگزین برای تنظیم همه چیز روی کامپیوتر یا Codespace شما استفاده از یک کانتینر است. دایرکتوری خاص .devcontainer در مخزن دوره این امکان را فراهم میکند که VS Code پروژه را در یک کانتینر تنظیم کند. خارج از Codespaces، این نیاز به نصب Docker دارد و به طور کلی کمی کار میبرد، بنابراین ما این روش را فقط به کسانی که تجربه کار با کانتینرها دارند توصیه میکنیم.
یکی از بهترین راهها برای حفظ امنیت کلیدهای API شما هنگام استفاده از GitHub Codespaces استفاده از Secrets Codespace است. لطفاً راهنمای مدیریت Secrets Codespaces را دنبال کنید تا اطلاعات بیشتری در این مورد کسب کنید.
این دوره شامل ۶ درس مفهومی و ۶ درس کدنویسی است.
برای درسهای کدنویسی، ما از سرویس Azure OpenAI استفاده میکنیم. برای اجرای این کد، شما نیاز به دسترسی به سرویس Azure OpenAI و یک کلید API دارید. میتوانید با تکمیل این درخواست برای دسترسی اقدام کنید.
در حالی که منتظر پردازش درخواست خود هستید، هر درس کدنویسی همچنین شامل یک فایل README.md است که میتوانید کد و خروجیها را مشاهده کنید.
اگر این اولین بار است که با سرویس Azure OpenAI کار میکنید، لطفاً این راهنما را دنبال کنید تا یک منبع سرویس Azure OpenAI ایجاد و مستقر کنید.
اگر این اولین بار است که با API OpenAI کار میکنید، لطفاً راهنمای ایجاد و استفاده از رابط کاربری را دنبال کنید.
ما کانالهایی در سرور رسمی دیسکورد جامعه هوش مصنوعی برای ملاقات با دیگر یادگیرندگان ایجاد کردهایم. این یک راه عالی برای شبکهسازی با کارآفرینان، سازندگان، دانشجویان و هر کسی است که به دنبال پیشرفت در هوش مصنوعی تولیدی است.
تیم پروژه نیز در این سرور دیسکورد حضور خواهد داشت تا به یادگیرندگان کمک کند.
این دوره یک ابتکار منبع باز است. اگر مناطقی برای بهبود یا مشکلاتی مشاهده کردید، لطفاً یک Pull Request ایجاد کنید یا یک مشکل گیتهاب ثبت کنید.
تیم پروژه تمام مشارکتها را پیگیری خواهد کرد. مشارکت در منبع باز یک راه فوقالعاده برای ساختن حرفه خود در زمینه هوش مصنوعی تولیدی است.
بیشتر مشارکتها نیاز به توافقنامه مجوز مشارکتکننده (CLA) دارند که اعلام میکند شما حق دارید و واقعاً به ما اجازه میدهید از مشارکت شما استفاده کنیم. برای جزئیات، به وبسایت توافقنامه مجوز مشارکتکننده CLA مراجعه کنید.
مهم: هنگام ترجمه متن در این مخزن، لطفاً مطمئن شوید که از ترجمه ماشینی استفاده نمیکنید. ما ترجمهها را از طریق جامعه بررسی خواهیم کرد، بنابراین لطفاً فقط برای ترجمه به زبانهایی که در آنها مهارت دارید داوطلب شوید.
وقتی یک درخواست pull ارسال میکنید، یک ربات CLA به طور خودکار تعیین میکند که آیا نیاز به ارائه CLA دارید یا خیر و PR را به طور مناسب تزئین میکند (مانند برچسب، نظر). فقط دستورالعملهای ارائه شده توسط ربات را دنبال کنید. شما فقط یک بار نیاز به انجام این کار دارید برای تمام مخازن استفادهکننده از CLA ما.
این پروژه کد رفتار منبع باز مایکروسافت را پذیرفته است. برای اطلاعات بیشتر، بخش سوالات متداول کد رفتار را بخوانید یا با ایمیل opencode برای سوالات یا نظرات اضافی تماس بگیرید.
حالا که مراحل لازم برای تکمیل این دوره را انجام دادهاید، بیایید با معرفی هوش مصنوعی مولد و مدلهای زبانی بزرگ (LLMs) شروع کنیم.
سلب مسئولیت:
این سند با استفاده از سرویس ترجمه هوش مصنوعی Co-op Translator ترجمه شده است. در حالی که ما تلاش میکنیم دقت را حفظ کنیم، لطفاً توجه داشته باشید که ترجمههای خودکار ممکن است شامل خطاها یا نادرستیها باشند. سند اصلی به زبان اصلی آن باید به عنوان منبع معتبر در نظر گرفته شود. برای اطلاعات حیاتی، ترجمه حرفهای انسانی توصیه میشود. ما مسئولیتی در قبال سوء تفاهمها یا تفسیرهای نادرست ناشی از استفاده از این ترجمه نداریم.