注意:目前好像pytorch GPU的适应m1芯片的版本还没有推出.
(1)在github上下载ARM版Miniforge,链接:githu地址
(2) 完成后,在下载目录打开iterm,运行该脚本
bash Miniforge3-MacOSX-arm64.sh
(3)根据操作安装完后,激活Conda的环境变量
vim ~/.bash_profile
然后按i,进入编辑模式,输入自己的conda环境路径,到bin,地址通常为"/Users/
export PATH="地址:$PATH"
输入完之后按Esc键,然后输入:wq回车.(正常的vim使用方法)
(4)输入如下命令,激活配置
source $HOME/.bash_profile
(5)检验,在终端输入python,查看是否出现conda-forge
(1)使用conda创建ARM版的python3.9的虚拟环境
conda create -n tensorflow_env python=3.9
conda activate tensorflow_env
(2)依次输入如下命令安装Tensorflow及其依赖项
conda install -c apple tensorflow-deps
python -m pip install tensorflow-macos
python -m pip install tensorflow-metal
(1)创建一个新的工程,其中选择刚刚创建的虚拟环境
创建工程时通过该选项选择自己创建的虚拟环境
然后运行如下代码:
import tensorflow as tf
import time
# Press the green button in the gutter to run the script.
if __name__ == '__main__':
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(input_shape=(28, 28)),
tf.keras.layers.Dense(128, activation='relu'),
tf.keras.layers.Dropout(0.2),
tf.keras.layers.Dense(10, activation='softmax')
])
model.compile(optimizer='adam',
loss='sparse_categorical_crossentropy',
metrics=['accuracy'])
start = time.time()
model.fit(x_train, y_train, epochs=5)
end = time.time()
model.evaluate(x_test, y_test)
print(end - start)
(2)通过 活动监视器 查看GPU使用率