坊间有传MacOs体系不合适机器(ml)学习和深度(dl)学习，这是板上钉钉的刻板印象，就好像有人说女生不合适编程一样的离谱。现而今，无论是Pytorch结构的MPS模式，仍是最新的Tensorflow2结构，都现已可以在M1/M2芯片的Mac体系中毫无桎梏地运用GPU显卡设备，本次我们来分享如何在苹果MacOS体系上装置和装备Tensorflow2结构（CPU/GPU）。
Tensorflow2深度学习环境装置和装备
首要并不需要任何虚拟环境，直接本地装置Python3.10即可，请拜见：一网成擒全端包括，在不同架构(Intel x86/Apple m1 silicon)不同开发渠道(Win10/Win11/Mac/Ubuntu)上装置装备Python3.10开发环境 ，这儿不再赘述。
随后装置Tensorflow本体：
pip3 install tensorflow-macos
这儿体系会自动挑选当前Python版别的Tensorflow装置包：
➜ ~ pip install tensorflow-macos
Collecting tensorflow-macos
Downloading tensorflow_macos-2.12.0-cp310-cp310-macosx_12_0_arm64.whl (200.8 MB)
━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━ 200.8/200.8 MB 4.7 MB/s eta 0:00:00
装置包大小为200兆左右，假如下载不了，可以挑选在pip官网直接下载根据python3.10的装置包：pypi.org/project/tensorflow-macos/#files
然后直接将whl文件拖拽到终端装置即可。
接着装置Tensorflow的GPU插件：tensorflow-metal，它是一个TensorFlow的后端，运用苹果的Metal图形API来加速神经网络核算。Metal是一种高功能图形和核算API，专门为苹果设备的GPU规划，可以实现更快的神经网络核算。运用tensorflow-metal可以明显提高在苹果设备上运行TensorFlow的功能，尤其是在运用Macs M1和M2等根据苹果芯片的设备时。
pip3 install --user tensorflow-metal
注意这儿装置指令必须带上–user参数，不然可能会报这个错误：
Non-OK-status: stream_executor::MultiPlatformManager::RegisterPlatform( std::move(cplatform)) status: INTERNAL: platform is already registered with name: "METAL"
装置好之后，在Python终端运行指令:
import tensorflow
tensorflow.config.list_physical_devices()
程序回来：
>>> import tensorflow
>>> tensorflow.config.list_physical_devices()
[PhysicalDevice(name='/physical_device:CPU:0', device_type='CPU'), PhysicalDevice(name='/physical_device:GPU:0', device_type='GPU')]
可以看到，Tensorflow用于核算的物理设备既支持CPU，也支持GPU，也便是显卡。
接着，在编写一个完好的测验脚本 test.py:
import sys
import tensorflow.keras
import pandas as pd
import sklearn as sk
import scipy as sp
import tensorflow as tf
import platform
print(f"Python Platform: {platform.platform()}")
print(f"Tensor Flow Version: {tf.__version__}")
print(f"Keras Version: {tensorflow.keras.__version__}")
print()
print(f"Python {sys.version}")
print(f"Pandas {pd.__version__}")
print(f"Scikit-Learn {sk.__version__}")
print(f"SciPy {sp.__version__}")
gpu = len(tf.config.list_physical_devices('GPU'))>0
print("GPU is", "available" if gpu else "NOT AVAILABLE")
这儿打印出深度学习场景下常用的库和版别号：
➜ chatgpt_async git:(main) ✗ /opt/homebrew/bin/python3.10 "/Users/liuyue/wodfan/work/chatgpt_async/tensof_test.py"
Python Platform: macOS-13.3.1-arm64-arm-64bit
Tensor Flow Version: 2.12.0
Keras Version: 2.12.0
Python 3.10.9 (main, Dec 15 2022, 17:11:09) [Clang 14.0.0 (clang-1400.0.29.202)]
Pandas 1.5.2
Scikit-Learn 1.2.0
SciPy 1.10.0
GPU is available
一望而知，在最新的macOS-13.3.1体系中，根据Python3.10.9玩儿Tensorflow2.1没有任何问题。
至此，Tensorflow2就装备好了。
Tensorflow结构GPU和CPU测验
为什么必定要让Tensorflow支持GPU？GPU或图形处理单元与CPU类似，同样具有许多核心，允许它们一起进行更快的核算（并行性）。这个特性十分合适履行大规模的数学核算，如核算图画矩阵、核算特征值、行列式等等。
简而言之，GPU可以以并行办法运行代码并取得简明的结果，一起由于可以处理高强度的核算，因此可以比CPU更快的取得核算结果。
这儿我们通过CIFAR-10项目进行测验，TensorFlow CIFAR-10项目是一个经典的核算机视觉项目，旨在练习一个模型，可以对CIFAR-10数据会集的图画进行分类。CIFAR-10数据集包括60,000张32×32像素的五颜六色图画，分为10个类别，每个类别包括6,000张图画。该项目的目标是练习一个深度神经网络模型，可以对这些图画进行准确的分类：
import tensorflow as tf
from tensorflow import keras
import numpy as np
import matplotlib.pyplot as plt
(X_train, y_train), (X_test, y_test) = keras.datasets.cifar10.load_data()
X_train_scaled = X_train/255
X_test_scaled = X_test/255
# one hot encoding labels
y_train_encoded = keras.utils.to_categorical(y_train, num_classes = 10, dtype = 'float32')
y_test_encoded = keras.utils.to_categorical(y_test, num_classes = 10, dtype = 'float32')
def get_model():
model = keras.Sequential([
keras.layers.Flatten(input_shape=(32,32,3)),
keras.layers.Dense(3000, activation='relu'),
keras.layers.Dense(1000, activation='relu'),
keras.layers.Dense(10, activation='sigmoid')
])
model.compile(optimizer='SGD',
loss='categorical_crossentropy',
metrics=['accuracy'])
return model
首要测验CPU功能：
%%timeit -n1 -r1
# CPU
with tf.device('/CPU:0'):
model_cpu = get_model()
model_cpu.fit(X_train_scaled, y_train_encoded, epochs = 10)
这段代码运用了%%timeit -n1 -r1戏法指令来测验在CPU上练习模型的时刻。-n1表明只运行一次，-r1表明只运行一轮。假如没有指定这些参数，则会运行屡次并核算平均值。/CPU:0指的是第一个CPU（假如核算机只有一个CPU，则是唯一的CPU）。
这儿运用get_model()函数获取模型，运用model_cpu.fit()办法在CPU上练习模型，运用X_train_scaled和y_train_encoded作为输入数据，并在10个epoch内进行练习。最后，运用%%timeit指令来测验练习模型所需的时刻，以便比较不同设备的功能。
程序回来：
50000/50000 [==========================] - 80s 2ms/sample
14min 9s
需要14分钟。
接着测验GPU功能：
%%timeit -n1 -r1
# GPU
with tf.device('/GPU:0'):
model_gpu = get_model()
model_gpu.fit(X_train_scaled, y_train_encoded, epochs = 10)
程序回来：
50000/50000 [==========================] - 11s 227us/sample
1min 55s
一分多钟，很明显在GPU上练习模型比在CPU上练习模型更快，由于GPU可以一起处理多个使命。
结语
苹果MacOs体系可以承担深度学习使命，但术业有专攻，算力层面仍是比不上装备N卡的其他渠道，这是不争的事实。没错，更好的挑选是RTX3090，甚至是4090，但一块RTX4090显卡的价格是1500刀左右，这还意味着CPU、内存、主板和电源都得单买，而一台m2芯片的Mac book air的价格是多少呢？
