本课程包含许多可执行示例和实验，您可能想运行它们。为此，您需要能够在本课程提供的 Jupyter Notebook 中执行 Python 代码。您有几种运行代码的选择：
在您的计算机上本地运行
若要在您的计算机上本地运行代码，需要安装 Python。推荐安装 miniconda —— 它是较轻量的安装，支持使用 conda 包管理器管理不同的 Python 虚拟环境。
安装 miniconda 后，克隆仓库并创建一个本课程用的虚拟环境：
git clone http://github.com/microsoft/ai-for-beginners
cd ai-for-beginners
conda env create --name ai4beg --file .devcontainer/environment.yml
conda activate ai4beg
使用带 Python 扩展的 Visual Studio Code
在 Visual Studio Code 中打开本课程并安装 Python 扩展，是使用本课程的最佳方式。
注意：克隆并在 VS Code 中打开目录后，它会自动提示您安装 Python 扩展。同时，您还需按照上面描述安装 miniconda。
注意：如果 VS Code 提示您重新在容器中打开仓库，您应拒绝该请求，以便使用本地 Python 安装。
在浏览器中使用 Jupyter
您也可以在自己计算机上的浏览器中使用 Jupyter 环境。无论是经典 Jupyter 还是 JupyterHub，都提供自动补全、代码高亮等便捷的开发环境。
要在本地启动 Jupyter，请进入课程目录，执行以下命令：
jupyter notebook
或
jupyterhub
然后，您可以导航到任何 .ipynb 文件，打开它们并开始工作。
容器中运行
安装 Python 的另一种方式是通过容器运行代码。由于我们的仓库提供了一个专门的 .devcontainer 文件夹，指导如何为此仓库构建容器，VS Code 提供重新在容器中打开代码的选项。这需要安装 Docker，且更复杂，因此我们建议经验丰富的用户使用。
云端运行
如果您不想本地安装 Python，且拥有某些云资源，另一种选择是云端运行代码。您可以通过几种方式实现这一点：
- 使用 GitHub Codespaces，这是 GitHub 为您创建的虚拟环境，可通过 VS Code 浏览器界面访问。如果您能使用 Codespaces，只需点击仓库中的 Code 按钮，启动 codespace，马上就能运行。
- 使用 Binder。Binder 为像您这样的用户提供免费的云端计算资源，可以用来测试 GitHub 上的代码。主页上有一个按钮可以在 Binder 中打开仓库，这会迅速带您到 Binder 网站，它会构建底层容器，并无缝启动 Jupyter 网页界面。
注意：为防止滥用，Binder 对某些网络资源有限制。这可能导致部分代码无法运行（尤其是那些从公共互联网获取模型和/或数据集的代码）。您可能需要找到一些解决方法。另外，Binder 提供的计算资源相当基础，训练过程会很慢，尤其是在后面更复杂的课程中。
云端 GPU 运行
本课程后期的部分课程非常依赖 GPU 支持。例如模型训练，若无 GPU 会非常缓慢。如果您拥有云端账号，尤其是通过 Azure for Students 或您所在机构的云服务，可以采用以下几种方式：
- 创建 数据科学虚拟机（Data Science Virtual Machine），通过 Jupyter 连接。然后您可以直接在虚拟机上克隆仓库，开始学习。NC 系列虚拟机支持 GPU。
注意：某些订阅（包括 Azure for Students）默认不提供 GPU 支持。您可能需要通过技术支持请求额外申请 GPU 核心。
- 创建 Azure 机器学习工作区，使用其中的 Notebook 功能。此视频展示了如何将仓库克隆到 Azure ML Notebook 并开始使用。
您也可以使用 Google Colab，它提供部分免费 GPU 支持，您可以上传 Jupyter Notebook 并逐个执行。
免责声明： 本文件由 AI 翻译服务 Co-op Translator 翻译完成。尽管我们力求准确，但请注意，自动翻译可能包含错误或不准确之处。原始语言版文件应视为权威来源。对于重要信息，建议使用专业人工翻译。我们对因使用本翻译而产生的任何误解或误释不承担责任。