معرفی و نصب GitHub Copilot در VsCode

GitHub Copilot به عنوان یکی از پیشرفته‌ ترین ابزارهای برنامه‌نویسی مبتنی بر هوش مصنوعی، می‌تواند فرآیند نوشتن کد را بسیار سریع‌تر و هوشمندتر کند. این ابزار با ارائه‌ی پیشنهادهای کدنویسی در لحظه، به توسعه‌دهندگان کمک می‌کند تا با صرف زمان کمتر، کدهای بهتر و استانداردتری تولید کنند.

چرا GitHub Copilot ر, نصب کنیم؟

• صرفه‌جویی در زمان کدنویسی
• کمک به یادگیری بهتر ساختارهای کدنویسی
• افزایش دقت در پیاده سازی الگوریتم‌ها
• دریافت پیشنهادهای خلاقانه
• ویرایش لحظه ای کد

در این ویدیو روال نصب و نحوه استفاده از آن در کدنویسی رو با یک مثال عملی توضیح میدهیم. از این افزونه خواستیم که برامون کد شبکه عصبی پرسپترون چندلایه رو برای مسئله طبقه بندی iris در پایتورچ پیاده سازی کند.

ویدیو در یوتیوب قرار داده شده است.

آموزش نصب و استفاده از GitHub Copilot در Visual Studio Code

گام اول: نصب افزونه GitHub Copilot

برای اینکار لازمه برید بخش extensions و GitHub Copilot رو نصب کنید.

گام دوم: ورود به حساب کاربری جهت فعال سازی افزونه

من روی ساخت حساب زدم، و ادامه continue with google account رو زدم. و دیگه نیازی به ثبت نام نشد.

گام سوم: استفاده از افزونه در کدنویسی

برای اینکه بتونیم کدی رو برای ما بنویسه، ابتدا گزینه generate رو انتخاب میکنیم، بعدش prompt مورد نیاز رو مینویسیم، اینتر رو که بزنیم شروع میکنه به کدنویسی

گام چهارم: تایید کد تولید شده

اگر کد تولید شده مورد پسند شما هست گزینه accept رو بزنید.

گام پنجم (اختیاری): تغییر بخشی از کد نوشته شده

اگر بخشی از کدی که تولید شده ناقص یا اشتباه هست، میتونید اون بخش رو انتخاب کرده، روی علامت ستاره ایجاد شده کلیک کنید، و گزینه modify رو بزنید. دستور رو بنویسید تا کد رو براتون تغییر بده.

نکته1: اگر کار نکرد لطفا فیلتر شکن رو روشن کنید.

نکته 2: در این محیط بهتره به صورت یک ابزار به این مدل نگاه کرد! دستور صریح  و شفاف بنویسید، و چیزهایی که میخواهید رو ازش بخواهید. هرچقدر صریح تر و سرراست تر باشه، قطعا کد خوبی تولید خواهد کرد.

در زیر دو نمونه prompt ساده قرار داده شده، که اولی کمی کلی گویی هست و پیشنهاد نمیشود. اما در دومی جزئیات بیشتری به مدل هوش مصنوعی میدیم که بتونه مدل مورد نظر ما رو بسازد.

prompt1:

implement a 2-layer MLP using PyTorch, then train and test it on sklearn IRIS dataset.

prompt 2:

implement a 2-layer MLP using PyTorch, then train and test it on sklearn IRIS dataset.

Here is general information: train size= 0.7, batchsize=4 (use data loader) , lr=0.01, activation function=tanh, number of hidden neurons=15,  cost function= cross entropy, optimizer= adam, epoch= 100, validation parameters= confusion matrix, total accuracy, accuracy 1,2 , and 3.

موفق باشید