Suit up! 自己動手建置AI環境
『Setup ANACONDA & TensorFlowGPU & remote work on windows』
近期人工智慧的蓬勃發展，讓越來越多大眾使用者也都陸續加入AI的學習行列，除了使用網路上提供的免費雲端空間，還有租用的AI環境。我們要如何在自己的windows系統上動手架設呢？從頭建置一台擁有AI環境的主機需要多少花費呢？就讓這篇文章帶著你一步一步探討吧！
AI Platform
相信大家在還沒購買硬體設備之前，首先當然是考慮線上學習平台及資源。而通常使用線上平台的人，多半是目前沒有足夠的硬體設備、不曉得如何組一台深度學習用的主機、不知道怎麼建置環境、剛入門學習先使用暫時的免費資源等等…
以上來自不同平台的AI雲端運算平台，相信是不少人剛接觸人工智慧或是線上AI課程時都會使用到平台。( 我也曾在其中一個平台消費過不少 😆）擁有線上平台當然相對簡單方便，價格或許也不算太高(?)，對於剛入門學習，也會很推薦使用線上的免費平台！
Hardware
當你入門或使用線上平台一陣子後，開始會想要設計一些Side Project，或是更高的硬體需求，這時候你可能會考慮要不要花錢租用。但事實上，自己動手購買及建置不會花太多錢及時間。
對於時間及環境建置苦手的人，當然可以考慮直接購買市面上的套裝機，畢竟還附有專人能夠詢問。但對有興趣自己動手花時間的人來說，能省下不少經費，更能夠配上一台更好或是一樣的硬體設備（時間就是金錢啊 🌟）
在硬體選配上，GPU佔了很大的價格空間以及重要性，下面是2019年GPU用於深度學習上的性能及對應價格之CP值比對，另外會建議選配硬體時，RAM至少要達16GB以上，避免造成OOM(out of memory)的狀況產生。
Deep Learning environment
簡短介紹了上述雲端平台及硬體設備，接著就到我們的重頭戲了。
以下我是利用我的筆電做示範：
系統：Windows8.1 (64位元)
顯示卡：NVIDIA GeForce GTX 950M
顯卡驅動
首先在開始前，需要先確定自己的顯卡是否有支援CUDA
接著就是要幫你的顯示卡安裝驅動程式，在你下載的過程中，建議遇到存放路徑的時候，都選用預設會比較好，以免未來有問題上網搜尋時，還得去重新尋找路徑位置。
ANACONDA
Anaconda是一個免費開源的的Python及R語言的發行版本，致力於簡化軟體包管理及部署，也是我們今天需要用到的建置環境的軟體。（也有人認為Anaconda容量太肥大、太佔空間，你也能夠僅安裝Python進行環境建置，但還是會鼓勵創建虛擬環境，避免未來環境裝壞導致刪不乾淨的狀況）
在安裝過程中，一樣建議path不要去更改，然後在Advanced Options的部分將Add Anaconda to my PATH environment variable勾選後，便會主動將Anaconda加進環境變數。
開啟Jupyter Notebook
Jupyter Notebook（前身是IPython Notebook）是一個基於Web的交互式計算環境，用於創建Jupyter Notebook文檔。可以視它為一個還蠻好用的Python 整合開發環境。
而JupyterLab是Jupyter項目的下一代用戶界面。它在一個靈活且強大的用戶界面中提供了經典的Jupyter Notebook（筆記本、終端、文本編輯器、文件瀏覽器、豐富輸出等）所有熟悉的構建模塊。
可以直接點擊JupyterLab會同時開啟Jupyter Notebook的port(預設應為8888)
也可以從Terminal中開啟Jupyter notebook (能夠指定開啟的路徑)
以上如果皆順利，代表成功建立好Anaconda的Python3的環境！恭喜🙌🙌
TensorFlow GPU
接著到我們的TensorFlow GPU，畢竟我們都買了顯示卡，
不用GPU訓練也太浪費了吧！！
首先先看一下你要安裝的Tensorflow版本對應的cuDNN及CUDA版本
我們以Tensorflow-2.0.0為例，我們要載7.4的cuDNN及10.0的CUDA
從NVIDIA官網去下載CUDA Toolkit (預設是載10.2，我們要載10.0)
接下來就是要下載cuDNN了！
cuDNN多一個步驟是，需要註冊成為NVIDIA DEVELOPER會員才能下載🤷♂️
接著將壓縮檔內的資料覆蓋到:
C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v10.0
在環境變數的Path中新增兩行cuDNN的路徑：
C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v9.0\bin C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v9.0\libnvvp
上述環境設置完成後，就可以安裝Tensorflow-GPU囉！
從Open Terminal中輸入：conda install tensorflow-gpu==2.0
C:\Program Files\NVIDIA Corporation\NVSMI 輸入 .\nvidia-smi.exe
如果有使用到Memory，基本上就是有用到GPU了
或是直接在Cell中輸入：
from tensorflow.python.client import device_lib
print(device_lib.list_local_devices())
最直接的感受應該還是訓練時速度的差異！！
以上你的深度學習機以及深度學習環境建置就大功告成囉！
BONUS - Remote Jupyter notebooks
在我協助建置無數好友及教授環境的過程中，最常被問到的就是，建置完成之後，我要怎麼架設讓我的筆電也能夠遠端連線呢？
首先，Jupyter notebook 設定檔的部分 -
先在cmd (Terminal)上輸入jupyter notebook — generate-config
來生成一個config檔，待會要進行編輯的動作
輸入完成之後到C:/Users(使用者)/user(你的使用者名稱)/.jupyter 資料夾下
會看到生成的檔案。
接著因為要提供給外網連線，建議都要生成一組密碼。
這邊我們利用from notebook.auth import passwd 來生成密碼，
passwd()後，會要你輸入要設定的密碼，及再次輸入驗證後，
及會產生那組密碼的sha1字串，將其整個複製下來，稍後會用到！
接著打開我們剛剛生成的 -
jupyter_notebook_config檔(用記事本或是任何文字編輯器開啟即可)
在裡面找到c.NotebookApp.password，
並將其內容改成 = u’sha1:xxxxxx(你剛剛複製的那串sha1密碼’)
另外config檔內還有很多設定能夠修改，例如起始路徑、白名單和黑名單等
有興趣的你們，可以參考檔案內的註解喔！
接著在連網的部分
首先通常都會先問一下有沒有固定iP (通常社區網路都會是浮動iP)。
請先容許我簡單介紹ngrok服務，它是一個可以將家裡的內部網路，通道外部網路與外界溝通的一個服務。因此能夠從外部的網路連線到你的本地端，
ngrok在一個帳號對一台主機的前提下是免費的，若要更多則可付費購買。
在安裝介面的部分，它的步驟還蠻詳細簡單的，
第一區塊：下載對應的系統
第二區塊：下載完畢後，解壓到你要存放的位置
第三區塊：解壓完畢後，開啟cmd(命令提示字元(Terminal))到ngrok壓縮出來的位置複製貼上第三區塊的指令並執行。
第四區塊：先開啟你的Jupyter Notebook，並且確定開啟的port號，
接著在ngrok.exe的位置輸入ngrok http 8888 (Jupyter notebook port號預設通常是8888，在jupyter_notebook_config檔中也能修改port號)，來開啟。
第四區塊輸入完成後，出現上述https://的網址後，表示轉址成功，接著就立刻開新的分頁，或是其他網路的電子設備輸入轉址後的網址來試試看吧！
Afterword
感謝你的閱讀，如果在建置環境上有任何問題Google不到，或是上述的步驟有哪個地方卡住，都歡迎留言告訴我哦，也鼓勵各方好友對文章有任何建議，只要有看到都會用飛快的速度給你回覆喔！#Deep Learning #AIA # AI Platform #Anaconda #CuDNN #CUDA
