環境搭建

本篇教學Anaconda做虛擬環境管理，但基礎學習中還不用用到Conda建立環境，在後續教學文中會寫到如何用Pycharm/VScode跟Conda結合使用。

Conda

Conda 是一個開源的包管理和環境管理系統，主要用於簡化科學計算和資料分析工作流程。它可以管理軟體包、庫和工具，並能夠在不同環境中隔離這些組件，從而避免不同項目之間的相互影響。

1. 獨立的虛擬環境：
Conda 允許用戶創建虛擬環境，每個環境都是一個獨立的工作空間，包含特定版本的 Python 解釋器和相關包。這樣，即使在同一台機器上，不同項目也可以使用不同版本的包而不會互相干擾。
2. 環境隔離：
每個 Conda 環境都有自己的依賴關係和配置，這樣可以確保項目中的依賴不會與其他項目發生衝突。當你激活一個 Conda 環境時，該環境中的所有依賴關係和配置都會被應用。
3. Package 管理：
Conda 能夠自動解決包的依賴問題，確保所有依賴的包都是兼容的。這可以防止依賴衝突，並簡化包的安裝和升級。

可以利用 Conda 官網 搜尋Package名稱，他會提供指令快速安裝兼容性較高的版本。

整體流程

下載 Conda

先去官方網站安裝Conda
Conda 載點

安裝路徑上不要有中文
不要有中文
不要有中文

啟動 Conda

1. Linux
   Linux 安裝方式請看官方網站
   初次安裝後，打開Terminal，確認是否有啟動Conda?

$ conda init

啟動成功的話 Terminal 前面會出現(base) User@主機名稱:~$

$ conda -V
$ conda --version

以下為沒有成功的畫面

如果(base)沒有出現，重開 Terminal，要重新 conda init

2. Windows
   打開Windows中搜尋Anaconda Prompt，就會出現類似CMD的介面，這時可以下指令確認Conda版本。

$ conda -V
$ conda --version

環境管理

建立 Conda 環境

• 確認Conda中所有環境列表：

$ conda env list

• 創建新環境：

$ conda create --name test
$ conda create -n test

不要取名跟套件名稱一樣，可能會有衝突
--name -n 在這邊使用兩者是一樣的意思

也可以在建立環境的時間順便安裝 python 並指定版本3.12

$ conda create -n test python=3.12

建立的過程中，因為有安裝套件，他會詢問是否確認安裝 Proceed ([y]/n)? 只要打上y 就會繼續安裝。

• 完成安裝後，會出現：

To activate this environment, use:
source activate test
To deactivate an active environment, use:
source deactivate

• 啟動環境：

$ source activate test
或
$ conda activate test

成功啟動後，會看到前面多了(test)，表示你目前的工作環境在test中，所有安裝和指令都會使用在這個環境裡面。

• 退出環境：

$ source deactivate
或
$ conda deactivate

每次要關機/退出時，要記得先退出虛擬環境。

• 刪除環境：

$ conda env remove -n test

刪除前要記得退出環境，不過忘記了也沒事，他會跳出警訊。

套件管理

用conda安裝套件，比較不會有相容性問題，但版本會比較舊
如果conda安裝不起來，也可以使用pip安裝，在test環境中使用pip install不會影響到本機環境

• 查詢安裝套件指令：
  如果要查Numpy的話，直接google搜尋 conda numpy
  
  官網會提供安裝指令，往下滾會看到
  
  pip安裝指令也可以直接上網查詢
  
• 安裝套件：

$ conda install numpy

安裝特定版本<package>=version

$ conda install numpy=1.22

• 更新套件

$ conda update numpy
$ conda update all

• 移除套件

$ conda remove <package>

Colab

學習完搭建環境後，其實有更方便的免費平台可以讓你面去這些煩惱，Google Colab（Colaboratory）是一個免費的平台，旨在讓用戶可以輕鬆地編寫和執行Python程式碼，特別是用於機器學習和資料分析的應用。Colab 提供了基於雲端的 Jupyter Notebook 環境，因此不需要配置本地環境，只需瀏覽器和網路連線即可開始使用。

1. 免費使用 GPU/TPU：Colab 提供免費的 GPU 和 TPU 資源，對於需要大量計算資源的機器學習任務特別有用。
2. 無需配置：不需要在本地安裝任何軟體或庫，所有配置都已經預先設置好。
3. 雲端存儲：所有的 Notebook 都可以儲存在 Google Drive 中，便於分享和協作。
4. 豐富的Package：預裝了許多流行的資料科學和機器學習庫，如 TensorFlow、Keras、PyTorch、Pandas 等。

• 打開瀏覽器並搜尋 Google Colab
  
• 在 Colab Notebook 中，每個單元格都可以編寫並運行 Python 程式碼。
  例如 按下 + 程式碼貼上以下程式碼並按 Shift + Enter 來運行：

print("Hello, Colab!")

• 如果要使用GPU，可以在執行階段>變更執行階段類型進行選擇
  
• 變更後，輸入!nvidia-smi 可以確認可以使用的資源和目前的使用率。
  

GPU: 0 | GPU 型號: Tesla T4 | Memory-Usage: 15360MiB
CUDA Version: 12.2
上面顯示目前只有 0號 GPU 可以使用，CUDA版本會影響到torch安裝的版本

• 檔案管理
  上傳的檔案可以使用這邊，也可以使用雲端掛載，因為Colab傳輸檔案很慢，可以先上傳到drive，就能存取到你的雲端drive進行讀取
  

from google.colab import drive
drive.mount('/content/drive')

• 玩玩看!

import tensorflow as tf
from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import Dense, Flatten

# 建立一個簡單的神經網絡模型
model = Sequential([
    Flatten(input_shape=(28, 28)),  # Flatten the 2D image to a 1D array
    Dense(128, activation='relu'),
    Dense(10, activation='softmax')
])

# 建立模型，設定optimizer, loss, metrics
model.compile(optimizer='adam',
              loss='sparse_categorical_crossentropy',
              metrics=['accuracy'])

# 加載手寫數字資料集
mnist = tf.keras.datasets.mnist
(x_train, y_train), (x_test, y_test) = mnist.load_data()

# 簡單的 normalize
x_train, x_test = x_train / 255.0, x_test / 255.0

# 訓練模型
model.fit(x_train, y_train, epochs=5)

# 評估模型
model.evaluate(x_test, y_test)

[loss , accuracy] = [0.07900058478116989, 0.9768999814987183]

額外設定

請問你的 Colab 有調整什麼字體設定嗎？
右上角齒輪 > 編輯器 > 轉譯程式碼時使用的字型設定 Consolas

Reference

Getting started with conda
keras官方文檔
Tensorfolw官方文檔