README.md

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 w razie potrzeby.

Kroki konfiguracji

Aby rozpocząć kurs, musisz wykonać następujące kroki.

1. Forkuj to repozytorium

Zforkuj całe to repozytorium na swoje konto GitHub, aby móc zmieniać kod i realizować wyzwania. Możesz także dodać repozytorium do ulubionych (🌟), aby łatwiej je znaleźć wraz z powiązanymi repozytoriami.

2. Utwórz codespace

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

Możesz to zrobić, wybierając opcję Code w swojej zforkowanej wersji repozytorium, a następnie wybierając opcję Codespaces.

3. Przechowywanie kluczy API

Bezpieczne przechowywanie kluczy API jest ważne przy tworzeniu każdej aplikacji. Zalecamy, aby nie przechowywać kluczy API bezpośrednio w kodzie. Umieszczenie takich danych w publicznym repozytorium może prowadzić do problemów z bezpieczeństwem, a nawet niechcianych kosztów, jeśli ktoś niepowołany je wykorzysta.
Oto krok po kroku, jak utworzyć plik .env dla Pythona i dodać GITHUB_TOKEN:

1. Przejdź do katalogu projektu: Otwórz terminal lub wiersz poleceń i przejdź do katalogu głównego projektu, w którym chcesz utworzyć plik .env.

   cd path/to/your/project

2. Utwórz plik .env: Użyj swojego ulubionego edytora tekstu, aby utworzyć nowy plik o nazwie .env. Jeśli korzystasz z linii poleceń, możesz użyć touch (na systemach Unix) lub echo (na Windows):

   Systemy Unix:

   touch .env

   Windows:

   echo . > .env

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

   GITHUB_TOKEN=your_github_token_here

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

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

   pip install python-dotenv

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

   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)

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

Jak uruchomić lokalnie na komputerze

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

Następnie, aby korzystać z repozytorium, musisz je sklonować:

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

Gdy wszystko będzie gotowe, możesz zacząć!

Kroki opcjonalne

Instalacja Miniconda

Miniconda to lekki instalator do instalacji Conda, Pythona oraz kilku pakietów.
Conda to menedżer pakietów, który ułatwia tworzenie i przełączanie się między różnymi wirtualnymi środowiskami Pythona oraz pakietami. Przydaje się także do instalacji pakietów, które nie są dostępne przez pip.

Możesz skorzystać z przewodnika instalacji MiniConda, aby ją zainstalować.

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

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

Wypełnij plik środowiska poniższym fragmentem:

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

Jeśli pojawią się błędy podczas korzystania z conda, możesz ręcznie zainstalować Microsoft AI Libraries, używając poniższego polecenia w terminalu.

conda install -c microsoft azure-ai-ml

Plik środowiska określa potrzebne zależności. <environment-name> to nazwa, jaką chcesz nadać swojemu środowisku Conda, a <python-version> to wersja Pythona, której chcesz użyć, np. 3 to najnowsza główna wersja Pythona.

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

conda env create --name ai4beg --file .devcontainer/environment.yml # .devcontainer sub path applies to only Codespace setups
conda activate ai4beg

W razie problemów zajrzyj do przewodnika po środowiskach Conda.

Korzystanie z Visual Studio Code z rozszerzeniem Python

Zalecamy korzystanie z edytora Visual Studio Code (VS Code) z zainstalowanym rozszerzeniem do Pythona podczas tego kursu. To jednak tylko zalecenie, a nie wymóg.

Uwaga: Otwierając repozytorium kursu w VS Code, masz możliwość skonfigurowania projektu w kontenerze. Dzieje się tak dzięki specjalnemu katalogowi .devcontainer znajdującemu się w repozytorium kursu. Więcej o tym później.

Uwaga: Po sklonowaniu i otwarciu katalogu w VS Code, program automatycznie zasugeruje instalację rozszerzenia do Pythona.

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

Korzystanie z Jupyter w przeglądarce

Możesz także pracować nad projektem, korzystając ze środowiska Jupyter bezpośrednio w przeglądarce. Zarówno klasyczny Jupyter, jak i Jupyter Hub oferują przyjemne środowisko do pracy z funkcjami takimi jak autouzupełnianie, podświetlanie składni itp.

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

jupyter notebook

lub

jupyterhub

To uruchomi instancję Jupyter, a adres URL do niej zostanie wyświetlony w oknie terminala.

Po wejściu na ten adres zobaczysz plan kursu i będziesz mógł otworzyć dowolny plik *.ipynb. Na przykład 08-building-search-applications/python/oai-solution.ipynb.

Uruchamianie w kontenerze

Alternatywą dla 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, szczerze mówiąc, trochę pracy, więc polecamy to tylko osobom z doświadczeniem w pracy z kontenerami.

Jednym z najlepszych sposobów na zabezpieczenie kluczy API podczas korzystania z GitHub Codespaces jest użycie Codespace Secrets. Prosimy o zapoznanie się z przewodnikiem Codespaces secrets management, aby dowiedzieć się więcej.

Lekcje i wymagania techniczne

Kurs składa się z 6 lekcji koncepcyjnych i 6 lekcji programistycznych.

Do lekcji programistycznych używamy Azure OpenAI Service. Aby uruchomić ten kod, potrzebujesz dostępu do usługi Azure OpenAI oraz klucza API. Możesz złożyć wniosek o dostęp, wypełniając ten formularz.

Podczas oczekiwania na rozpatrzenie wniosku, każda lekcja programistyczna zawiera plik README.md, w którym 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.

Poznaj innych uczestników

Stworzyliśmy kanały na naszym oficjalnym serwerze AI Community Discord, aby umożliwić spotkania z innymi uczestnikami. To świetny sposób na nawiązanie kontaktów z innymi przedsiębiorcami, twórcami, studentami i wszystkimi, którzy chcą rozwijać się w Generative AI.

Zespół projektu również będzie obecny na tym serwerze Discord, aby pomagać uczestnikom.

Współtwórz

Ten kurs jest inicjatywą open-source. Jeśli zauważysz obszary do poprawy lub problemy, prosimy o utworzenie Pull Request lub zgłoszenie GitHub issue.

Zespół projektu będzie śledził wszystkie wkłady. Współtworzenie open source to świetny sposób na rozwój kariery w Generative AI.

Większość wkładów wymaga zgody na Contributor License Agreement (CLA), w którym deklarujesz, że masz prawo i faktycznie udzielasz nam praw do korzystania z Twojego wkładu. Szczegóły znajdziesz na stronie CLA, Contributor License Agreement.

Ważne: podczas tłumaczenia tekstów w tym repozytorium prosimy, aby nie korzystać z tłumaczeń maszynowych. Weryfikujemy tłumaczenia przez społeczność, więc prosimy o zgłaszanie się do tłumaczeń tylko w językach, w których jesteś biegły.

Po przesłaniu pull request, bot CLA automatycznie sprawdzi, czy musisz dostarczyć CLA i odpowiednio oznaczy PR (np. etykietą, komentarzem). Wystarczy postępować zgodnie z instrukcjami bota. Musisz to zrobić tylko raz dla wszystkich repozytoriów korzystających z naszego CLA.

Ten projekt przyjął Microsoft Open Source Code of Conduct. Więcej informacji znajdziesz w FAQ dotyczących Kodeksu Postępowania lub możesz skontaktować się pod adresem Email opencode w razie dodatkowych pytań lub uwag.

Zaczynamy

Teraz, gdy wykonałeś wszystkie niezbędne kroki, zacznijmy od wprowadzenia do Generative AI i LLM.

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