苹果MacOs能不能玩儿机器深度（mldl）学习（Python3。10）

　　坊间有传MacOs系统不适合机器(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适合编程一样的离谱。现而今，无论是Pytorch框架的MPS模式，还是最新的Tensorflow2框架，都已经可以在M1/M2芯片的Mac系统中毫无桎梏地使用GPU显卡设备，本次我们来分享如何在苹果MacOS系统上安装和配置Tensorflow2框架（CPU/GPU）。 Tensorflow2深度学习环境安装和配置
　　首先并不需要任何虚拟环境，直接本地安装Python3.10即可，请参见：一网成擒全端涵盖，在不同架构(Intel x86/Apple m1 silicon)不同开发平台(Win10/Win11/Mac/Ubuntu)上安装配置Python3.10开发环境 ，这里不再赘述。
　　随后安装Tensorflow本体： pip3 install tensorflow-macos
　　这里系统会自动选择当前Python版本的Tensorflow安装包：    ~ 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
　　安装包大小为200兆左右，如果下载不了，可以选择在pip官网直接下载基于python3.10的安装包：pypi.org/project/tensorflow-macos/#files
　　然后直接将whl文件拖拽到终端安装即可。
　　接着安装Tensorflow的GPU插件：tensorflow-metal，它是一个TensorFlow的后端，使用苹果的Metal图形API来加速神经网络计算。Metal是一种高性能图形和计算API，专门为苹果设备的GPU设计，可以实现更快的神经网络计算。使用tensorflow-metal可以显著提高在苹果设备上运行TensorFlow的性能，尤其是在使用Macs M1和M2等基于苹果芯片的设备时。 pip3 install --user tensorflow-metal
　　注意这里安装命令必须带上--user参数，否则可能会报这个错误： Non-OK-status: stream_executor::MultiPlatformManager::RegisterPlatform( std::move(cplatform)) status: INTERNAL: platform is already registered with name: ＂METAL＂
　　安装好之后，在Python终端运行命令: import tensorflow tensorflow.config.list_physical_devices()
　　程序返回： >>> 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用于计算的物理设备既支持CPU，也支持GPU，也就是显卡。
　　接着，在编写一个完整的测试脚本 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＂)
　　这里打印出深度学习场景下常用的库和版本号：    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系统中，基于Python3.10.9玩儿Tensorflow2.1没有任何问题。
　　至此，Tensorflow2就配置好了。 Tensorflow框架GPU和CPU测试
　　为什么一定要让Tensorflow支持GPU？GPU或图形处理单元与CPU类似，同样具有许多核心，允许它们同时进行更快的计算（并行性）。这个特性非常适合执行大规模的数学计算，如计算图像矩阵、计算特征值、行列式等等。
　　简而言之，GPU可以以并行方式运行代码并获得简明的结果，同时由于能够处理高强度的计算，因此可以比CPU更快的获得计算结果。
　　这里我们通过CIFAR-10项目进行测试，TensorFlow CIFAR-10项目是一个经典的计算机视觉项目，旨在训练一个模型，能够对CIFAR-10数据集中的图像进行分类。CIFAR-10数据集包含60,000张32x32像素的彩色图像，分为10个类别，每个类别包含6,000张图像。该项目的目标是训练一个深度神经网络模型，能够对这些图像进行准确的分类： 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
　　首先测试CPU性能： %%timeit -n1 -r1 # CPU with tf.device(＂/CPU:0＂):     model_cpu = get_model()     model_cpu.fit(X_train_scaled, y_train_encoded, epochs = 10)
　　这段代码使用了%%timeit -n1 -r1魔术命令来测试在CPU上训练模型的时间。-n1表示只运行一次，-r1表示只运行一轮。如果没有指定这些参数，则会运行多次并计算平均值。/CPU:0指的是第一个CPU（如果计算机只有一个CPU，则是唯一的CPU）。
　　这里使用get_model()函数获取模型，使用model_cpu.fit()方法在CPU上训练模型，使用X_train_scaled和y_train_encoded作为输入数据，并在10个epoch内进行训练。最后，使用%%timeit命令来测试训练模型所需的时间，以便比较不同设备的性能。
　　程序返回： 50000/50000 [==========================] - 80s 2ms/sample  14min 9s
　　需要14分钟。
　　接着测试GPU性能： %%timeit -n1 -r1 # GPU with tf.device(＂/GPU:0＂):     model_gpu = get_model()     model_gpu.fit(X_train_scaled, y_train_encoded, epochs = 10)
　　程序返回： 50000/50000 [==========================] - 11s 227us/sample  1min 55s
　　一分多钟，很明显在GPU上训练模型比在CPU上训练模型更快，因为GPU可以同时处理多个任务。 结语
　　苹果MacOs系统可以承担深度学习任务，但术业有专攻，算力层面还是比不上配置N卡的其他平台，这是不争的事实。没错，更好的选择是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？