Cash 思索了好一陣子，專案團隊都是精英，除了佳麗姐不是技術職的，但 Pete 會幫忙照顧，其他人不要把他們當作上電腦補習班的初學者，大約給個方向起個頭，他們就可以往下進行，遇到問題或困難，他在進一步講解。

那 Ubuntu 的指令不再往下細講，對他們最有用的就是讓他們可以安裝好 Python，然後在上面開始練習機器學習相關的程式。

原先他估計就直接請大家直接使用 Ubuntu 18.04預設安裝的 Python 3.6。慎重起見，還是研究了Tensorflow, PyTorch, MxNet 等等機器學習相關框架，發現許多被發表的一些深度學習模型教學程式或是範例支援的 Python 版本有 2.7 等版本，測試了一下許多都要相當的改寫才能於Python 3.6 跑。於是他也研究了 Python 常用的環境管理 virtualEnv, pyEnv, 以及 AnaConda ，看來這幾個框架安裝環境共通性最高的是 AnaConda，所以他決定先讓大家試著安裝一下 AnaConda。

不過毫無意外的大家還是針對為何採用 AnaConda 做了一番討論，Cash 依然用稍帶無賴的回應來取得共識：”我選另外一個，一定還有人問我為何不用 XXX。基本上都很好，趕快熟悉一個，未來要真是有需要用其他的，上手很快的。”

還有大家質疑怎麼Python2 陰魂不散，這麼多年了，為何 Python3 並沒有完全取代舊版。這個除了接受歷史的演變，似乎也無解。也許這個專案有能力的話，就幫忙將那些以 Python2 開發的模型程式改寫成 Python3 吧?

AnaConda 是完整版，預設就安裝了所有人可能用到的套件九成，所以變得很龐大；但它也有精簡版 miniConda，預設較少套件，需要的時候再以 pip install packageXYZ 來安裝即可。

昨天已經下載了 miniConda，他請大家再以 ssh 連上 Server:

cd ~/downloads #昨天已經利用 mkdir 建立目錄 downloads
sh Miniconda3-latest-Linux-x86_64.sh #用sh 來執行昨天下載的腳本

一連串的回答yes與 Enter，最後詢問要不要在.bashrc 將 conda 加入PATH，一樣yes，安裝成功，這樣就有了 Python 的基本執行環境。

必須先 exit 跳出後，在重新ssh 進 Server

conda update conda #更新 conda 內含的程式包
conda list #查看 conda 已經包含哪些程式包
conda env list #查看有哪些環境可用

進入最關鍵的使用環境，許多深度學習需要 python 3.6 的版本，我們就建立一個環境給他：

conda create --name py36 python=3.6 #在conda建立一個取名為 py36 的環境，
source activate py36 #啟動 py36這個環境

python -V #檢查 Python 是否為 3.6
pip install -U pip #pip用來安裝Python 的程式包，此指令更新 pip 到最新板
pip install tensorflow #用pip 安裝tensorflow，相依的程式包也會幫忙一起安裝

又請大家 執行 python，進入 Python3.6 的提示 『>>>』請大家跑第一個Tensoflow 深度學習範例程式。
只要 Copy & Paste 下列程式碼到『>>>』即可執行

import tensorflow as tf
mnist = tf.keras.datasets.mnist

(x_train, y_train),(x_test, y_test) = mnist.load_data()
x_train, x_test = x_train / 255.0, x_test / 255.0

model = tf.keras.models.Sequential([
  tf.keras.layers.Flatten(),
  tf.keras.layers.Dense(512, activation=tf.nn.relu),
  tf.keras.layers.Dropout(0.2),
  tf.keras.layers.Dense(10, activation=tf.nn.softmax)
])
model.compile(optimizer='adam',
              loss='sparse_categorical_crossentropy',
              metrics=['accuracy'])

model.fit(x_train, y_train, epochs=5)
model.evaluate(x_test, y_test)

結果應該會出現類似

60000/60000 [==============================] - 6s 98us/step - loss: 0.2006 - acc: 0.9399
Epoch 2/5
60000/60000 [==============================] - 4s 67us/step - loss: 0.0813 - acc: 0.9752
Epoch 3/5
60000/60000 [==============================] - 4s 63us/step - loss: 0.0529 - acc: 0.9835
Epoch 4/5
60000/60000 [==============================] - 4s 69us/step - loss: 0.0368 - acc: 0.9883
Epoch 5/5
60000/60000 [==============================] - 5s 75us/step - loss: 0.0283 - acc: 0.9910
<tensorflow.python.keras.callbacks.History object at 0x7fe11c972f28>

再執行推理

model.evaluate(x_test, y_test)

結果為：

10000/10000 [==============================] - 0s 37us/step
[0.0703427215928532, 0.9794]

exit()
source deactivate #跳出剛剛進入的py36環境

他也請大家建立 Python 2.7 的環境，為未來準備

conda create --name py27 python=2.7

最後 Cash 請大家編寫自己的 Aliases，後續就不用打長長的指令，通常會把Alias放在『~/.bash_aliases』，『~』代表帳號所在home目錄；『.bash_aliases』是 Ubuntu預設放個人 Aliases 的地方。

nano ~/.bash_aliases #nano 是 Linux 其中的一個編輯器，也可以考慮用vi， vim。

alias py36='source activate py36'
alias py27='source activate py27'
alias deactivate='source deactivate'

編輯完，同時按下 CTRL 與 X 兩鍵（後續以 CTRL+X 簡稱 ）再按 Y 同意儲存即可。

對於編輯器採 nano 又引發一些意見，為何是不vi 或是 vim。這個Cash就沒意見，因為他也只是因為習慣用 nano 編輯文字檔，覺得好上手就用了，而且這些指令都是 Ubuntu 預設就安裝好了，所以沒必要統一，依個人偏好。只不過才剛講完，佳麗馬上試用一下指令長度最短的 vi。

在Pete辛苦一番的指導中，佳麗驚奇感嘆：
”這一定是火星人科技，地球人誰能記得這麼奇葩的指令，按『i』才可以添加字元：結束要按 『ESC + : + q』”；

Pete 趕快請佳麗改用 nano，但是她依然繼續驚奇連連：
“要找個字串是按 『CTRL+W』；到最後一行是 『ALT+/』，我要飛回地球，這裡太危險了。”

對熟悉 Linux/Unix 相關系統的人而言，連上 Ubuntu Server 進行文字指令的操作並不會覺得難用，甚至有些狂熱份子宣稱那才是最有效率的作法。我們並不須如此厲害，但是要進入機器學習似乎九成以上的程式都是在 Linux 執行，無論是 Ubuntu 還是 CentOS 一開始都有點卡卡的，但是這是必經之路。

備註：

專案緣起記錄在 【UP, Scrum 與 AI專案】