文章开始书写时间：2022-03/19-14:30

0x00​：引子

最近云哥 @吃货本货 问小宋（笔者）如何在Apple的M1芯片进行深度学习开发，恰逢最近M1开发生态都趋于稳定，就把安装步骤梳理下分享出来。

​

0x01：分析

开始正式安装前，先对步骤进行梳理，方便后续安装。

简单分析下：

目的是在M1平台开发深度学习，需要以下几个必备因素：

• 编辑器：VSCode，跨平台最佳编程工具，不接受反驳。你要反对，就算你对。（再透露一个小秘密：其实好多大厂也是用VSCode开发哦：）
• 开发语言：不二之选-Python，这里版本采用Python3.8，最新深度学习框架依赖。
• 深度学习框架：TensorFlow与PyTorch，这里安装两个最流行的框架，读者们按照自己需求安装就好。

配置环境其实有点像打游戏，需要不断通过升级。

下面就需要针对这几个因素逐个击破：

• VSCode：目前正式版本已支持M1，网址在这：Visual Studio Code February 2022
• Python3.8：笔者习惯用conda安装和管理Python，尤其爱用Miniconda（精简版Anaconda），需要用到什么包自己安装就好。目前Miniconda也支持M1芯片了，可以在这里下载：Miniconda — Conda documentation
• TensorFlow与PyTorch：好巧不巧的，这两个框架正式版也都支持了M1芯片。TensorFlow步骤：Tensorflow Plugin - Metal - Apple Developer，PyTorch步骤：Previous PyTorch Versions | PyTorch

0x02：实操

如果你是一个有经验的开发人员，你可以在这里结束，并根据上面的分析开始安装(如果出现问题，请参见下面的分析)。以下教程是为新手用户编写的。

1、VSCode安装

首先打开网址：Visual Studio Code February 2022，如果打不开，那可能需要科学上网，如果还不会，那就放弃吧，真的做开发需要一点天赋和努力的，对了还有一点英语阅读技能。

打开以后，点击红色框内（Mac，救命，这里指的是苹果MacOS，可不是口红，手动狗头：）的绿色链接网址下载（表示Arm版MacOS的软件）。

​

解压完成后，双击打开，如果遇到需要确认的信息，点击确定。

​

此时VSCode就完成了，是不是很简单，下面要开始一些有难度的了。还是一样的规劝，实在搞不定就放弃的，别在这个领域卷了，如果没有选择就好好努力吧。

2、Python安装

这里采用的Miniconda（精简版Anaconda）下载地址：Miniconda — Conda documentation

打开后找到绿色位置，点击链接下载。

​

要注意下，这次下载的是.sh文件，不是安装包，不可直接点击傻瓜式安装。

需要借助"终端"工具执行安装

在启动台搜索"终端"，点击打开"终端"：

​

下面就开始执行Miniconda安装脚本，首先你要搞清楚刚刚下载的.sh文件保存到了那里，一般默认放在Downloads文件夹下（如果不是的话，需要找一下实际位置），执行以下脚本即可开始安装：

bash Downloads/Miniconda3-latest-MacOSX-arm64.sh

随后执行遇到需要确认的地方回车和输入"yes"确认，即可完成安装Miniconda。

完成，打开一个新的"终端"，在里面输入

conda -V

如果输出正常，那么Miniconda就安装成功了，如果显示"command not found"，那么你可能需要配置一下路径。

​

Python环境的安装就不如VSCode那么简单轻松了，不过恭喜你走到了这一步。

行百里者，半九十也。我们也迎来了最后一步安装TensorFlow与PyTorch，打完这两个boss，今天的游戏就通关啦。

3、TensorFlow与PyTorch安装

参考TensorFlow步骤：Tensorflow Plugin - Metal - Apple Developer，PyTorch步骤：Previous PyTorch Versions | PyTorch

首先我们先使用新建一个Python3.8环境，"终端"输入：

conda create -n py38 python=3.8

这句翻译为文字就是，使用conda新建（conda create）名为（-n）py38（py38）的环境，指定python版本为3.8（python=3.8）。对了执行的时候保持网络连接，因为需要下载东西到本地。

新建完成后就可以进入这个环境：

conda activate py38

下面就开始正式安装深度学习环境啦

先安装TensorFlow，参考TensorFlow步骤：Tensorflow Plugin - Metal - Apple Developer：

依次执行：

conda install -c apple tensorflow-deps # Step 1: Environment setup Install the TensorFlow dependencies:
pip install tensorflow-macos # Step 2: Install base TensorFlow
pip install tensorflow-metal # Step 3: Install tensorflow-metal plugin

运行完，TensorFlow就安装完成了，下面测试一下TensorFlow：

song@192 ~ % conda activate py38
(py38) song@192 ~ % python
Python 3.8.11 (default, Aug 16 2021, 12:04:33)
[Clang 12.0.0 ] :: Anaconda, Inc. on darwin
Type "help", "copyright", "credits" or "license" for more information.

>>> import tensorflow as tf
>>> print("tf version",tf.__version__)
tf version 2.8.0
>>> print("tf gpu",tf.test.is_gpu_available())
WARNING:tensorflow:From :1: is_gpu_available (from tensorflow.python.framework.test_util) is deprecated and will be removed in a future version.

Instructions for updating:
Use `tf.config.list_physical_devices('GPU')` instead.

Metal device set to: Apple M1

systemMemory: 8.00 GB
maxCacheSize: 2.67 GB

2022-03-19 17:03:20.293520: I tensorflow/core/common_runtime/pluggable_device/pluggable_device_factory.cc:305] Could not identify NUMA node of platform GPU ID 0, defaulting to 0. Your kernel may not have been built with NUMA support.

2022-03-19 17:03:20.294430: I tensorflow/core/common_runtime/pluggable_device/pluggable_device_factory.cc:271] Created TensorFlow device (/device:GPU:0 with 0 MB memory) -> physical PluggableDevice (device: 0, name: METAL, pci bus id: )
tf gpu True
>>>

然后安装PyTorch，参照:Previous PyTorch Versions | PyTorch，在"终端"执行

pip install torch==1.9.0 torchvision==0.10.0 torchaudio==0.9.0

安装完成后，同样做下测试：

(py38) song@192 ~ % python
Python 3.8.11 (default, Aug 16 2021, 12:04:33)
[Clang 12.0.0 ] :: Anaconda, Inc. on darwin
Type "help", "copyright", "credits" or "license" for more information.

>>> import torch
>>> print("torch version",torch.__version__)
torch version 1.9.0
>>> torch.ones(1)+torch.ones(1)
tensor([2.])
>>>

最后安装一些DL常用的库:

pip install pandas matplotlib glob2 tqdm opencv-python scipy scikit-learn

完成上述步骤，我们就完成了使用M1芯片的MacOS电脑环境的配置，本次游戏通关欢迎下次再见，拜拜。

如果有帮到你，请不要吝啬你的点赞鼓励，我也会越来越努力哟~​

0x03：参考

1. Mac安装M1芯片版本miniconda流程 - Ravenna - 博客园
2. Good guy：在M1上安装ARM版本的pytorch 1.80 和 M1 的tensorflow

Original: https://blog.csdn.net/xiaosongshine/article/details/123614352
Author: 小宋是呢
Title: 『开发技巧』MacbookM1芯片深度学习环境配置最全教程：简明安装开发TensorFlow与PyTorch

相关阅读

Title: 完美解决（最简单）：不同虚拟环境不同CUDA版本的安装问题（tensorflow-gpu与pytorch）

一、虚拟环境1：torch环境的cuda配置

1.先安装Torch

进入pytorch官网，Start Locally | PyTorch找到想要安装的torch及对应的cuda，（比如我要下载cuda10.2的torch），选中cuda10.2对应的torch（如果没有想要的，查看以前版本torch），复制pip安装的命令，激活虚拟环境输入命令安装即可

2.安装cudnn

安装完后conda list查看安装情况，你会发现通过这个命令会自动安装torch 、torchvision、cudatoolkit（cuda）， 没有安装cudnn，需要自己额外安装对应的cudnn，简单通过pip安装即可（没安装之前是没有cudnn的，我这里已经安装过cuda11.1和cudnn了，这里只是做个演示）

到此，这个虚拟环境cuda配置结束！没错，你能用gpu跑代码了！（因为torch官方将对应cuda与torch打包放一起了，这样不同的虚拟环境安装后便能使用，不需要自己重新去nvidia官网手动下载cuda安装包，更不需要设置环境变量什么乱七八糟的。后面tensorflow-gpu的cuda同样）

你可以新建一个py文件，输入下面代码查看是否能用gpu

import torch
print(torch.cuda.current_device())   # 返回当前设备索引
print(torch.cuda.device_count())    # 返回GPU的数量
print(torch.cuda.get_device_name(0))   # 返回gpu名字，设备索引默认从0开始
print(torch.cuda.is_available())   # cuda是否可用
print(torch.version.cuda)  # cuda版本

结果如下：

二、虚拟环境2：tensorflow环境的cuda配置

1.安装tensorflow-gpu及对应的cuda

激活虚拟环境2，找到想要安装的tensorflow-gpu版本，我这里以tensorflow-gpu1.12为例，输入如下代码:

conda install tensorflow-gpu=1.12 cudatoolkit

它会自动帮你匹配对应tensorflow-gpu1.12的cuda、cudnn版本，并一同下载安装，结果如下：

但是，一定要注意！！

有些版本的tensorflow-gpu也许会给你匹配错误的cuda，比如tensorflow-gpu=1.14，如下图：

查看tensorflow-gpu版本对应，很明显这个 cuda版本不对 ！！所以一定要看一下是否匹配的太离谱，如果是这种情况，那你就得换一个tensorflow-gpu版本了，比如tensorflow-gpu1.15

到此，这个虚拟环境cuda也配置结束！没错，你也可以在这个虚拟环境下用gpu跑代码了！

你可以新建一个py文件，输入下面代码查看是否能用gpu

import tensorflow as tf
hello = tf.constant('hello,tensorflow')
sess = tf.Session()
print(sess.run(hello))

结果如下：

三、总结

通过这样的方法此类推，随意创建其他的虚拟环境和cuda

不用手动安装cuda！

不用设置环境变量！

随意切换虚拟环境！

随意使用任一虚拟环境对应的cuda！

Original: https://blog.csdn.net/m0_61102347/article/details/120922915
Author: TC1398
Title: 完美解决（最简单）：不同虚拟环境不同CUDA版本的安装问题（tensorflow-gpu与pytorch）

Original: https://blog.csdn.net/xiaosongshine/article/details/123614352
Author: 小宋是呢
Title: 『开发技巧』MacbookM1芯片深度学习环境配置最全教程：简明安装开发TensorFlow与PyTorch

相关阅读

Title: python: 开始使用tensorflow 出现的一些问题即解决办法

python 用了快一年了， 想试用一下tensorflow, 了解一下深度学习(deep learning), 但是与其他的模块不同， tensorflow用起来并不容易， 或许是刚开始吧。

1. 版本问题，版本不同， 用法差别很大

所以，有必要首先了解自己用的是版本1.x, 或者是2.x. 可以用以下办法查版本：

a) pip list

b) conda list

c) 在python 程序内： print(tf.version)

我的版本是2.6.2

看教程， 很多给的第一个示范程序是：

l = tf.constant(23,dtype="int32",name="val1")

m = tf.constant(22,dtype="int32",name="val2")

with tf.Session() as val:

new_output=val.run(l*m)

print(new_output)

结果不运行，出错讯息是：

AttributeError "module 'Tensorflow' has no attribute 'session'"

网上查了， 以上的教科程序只适合与tensorflow 版本1.x, 不适合2.x

解决办法：

import tensorflow as tf

tf.compat.v1.disable_eager_execution()

l = tf.constant(23,dtype="int32",name="val1")

m = tf.constant(22,dtype="int32",name="val2")

with tf.compat.v1.Session() as val:

new_output=val.run(l*m)

print(new_output)

1. interl-CPU优化/GPU问题

运行如下代码，估计其他代码也会出现同样的问题：

import tensorflow.compat.v1 as tf

tf.compat.v1.disable_eager_execution() #not working without it
a1=tf.placeholder(tf.float32)
a2=tf.placeholder(tf.float32)
a3=tf.placeholder(tf.float32)
a_sum=tf.add_n([a1,a2,a3])
sess=tf.compat.v1.Session()
sess.run(tf.global_variables_initializer())
print(sess.run(a_sum,feed_dict={a1:10,a2:20,a3:30}))

出现了警告讯息：

This TensorFlow binary is optimized with oneAPI Deep Neural Network Library (oneDNN) to use the following CPU instructions in performance-critical operations: AVX AVX2
To enable them in other operations, rebuild TensorFlow with the appropriate compiler flags.

解决方法：

AVX（Advanced Vector Extensions-Intel® AVX) 是intel 优化CPU用于浮点计算的技术,如果有GPU了，其实不用考虑该警告讯息。 不过， 不管怎么说， 如果不愿意看到该警告讯息， 可以加上如下2行代码：

import os

Original: https://blog.csdn.net/m0_60558800/article/details/124764493
Author: 北京维多
Title: python: 开始使用tensorflow 出现的一些问题即解决办法