Mac M1芯片安装PyTorch、GPU加速环境

文章目录

• 1. 安装Xcode
• 2. 新建一个conda环境
• 3. 用pip命令安装torch
• 4. 重装Numpy
• 5. Jupyter Lab虚拟环境的配置
• 6. 环境测试代码
• • 6.1 测试代码1
  • 6.2 测试代码2
  • 6.3 在Mac M1中指定使用GPU加速

    安装PyTorch前先看一下(最好也安装一下)安装Tensorflow这篇文章

    1. 安装Xcode

    通过App store安装或者使用命令$ xcode-select --install安装

    2. 新建一个conda环境

    $ conda create -n torch-gpuprivate python=3.9$ conda activate torch-gpuprivate

    3. 用pip命令安装torch

    Pytorch官网指导页面

    pip3 install --pre torch torchvision torchaudio --index-url https://download.pytorch.org/whl/nightly/cpu

    4. 重装Numpy

    通过上述方式安装的PyTorch可能自带的Numpy太低，所以重新安装Numpy：

    pip uninstall numpy # 这样会移除刚刚安装的Pytorch以及一些其他的第三方库pip install numpy

    或者

    conda uninstall numpy # 这样会移除刚刚安装的Pytorch以及一些其他的第三方库conda install numpy

    使用“conda list”可以查看此conda环境内的包和各个包的版本。使用“conda deactivate”可退出当前conda环境。

    5. Jupyter Lab虚拟环境的配置

    这一步是要将此conda环境“torch-gpuprivate”，添加进Jupyter Lab的Kernel

    conda activate torch-gpuprivate //注意替换成自己的虚拟环境名conda install ipykernel //安装ipykernelsudo python -m ipykernel install --name torch-gpuprivate //在ipykernel中安装当前环境conda deactivate

    此时打开Jupyter Lab切换Kernel，已出现刚刚安装的“torch-gpuprivate”conda环境。

    6. 环境测试代码

    6.1 测试代码1

    import torchimport math# this ensures that the current MacOS version is at least 12.3+print(torch.backends.mps.is_available())# this ensures that the current current PyTorch installation was built with MPS activated.print(torch.backends.mps.is_built())

    6.2 测试代码2

    dtype = torch.floatdevice = torch.device("mps")# Create random input and output datax = torch.linspace(-math.pi, math.pi, 2000, device=device, dtype=dtype)y = torch.sin(x)# Randomly initialize weightsa = torch.randn((), device=device, dtype=dtype)b = torch.randn((), device=device, dtype=dtype)c = torch.randn((), device=device, dtype=dtype)d = torch.randn((), device=device, dtype=dtype)learning_rate = 1e-6for t in range(2000):    # Forward pass: compute predicted y    y_pred = a + b * x + c * x ** 2 + d * x ** 3    # Compute and print loss    loss = (y_pred - y).pow(2).sum().item()    if t % 100 == 99:        print(t, loss)# Backprop to compute gradients of a, b, c, d with respect to loss    grad_y_pred = 2.0 * (y_pred - y)    grad_a = grad_y_pred.sum()    grad_b = (grad_y_pred * x).sum()    grad_c = (grad_y_pred * x ** 2).sum()    grad_d = (grad_y_pred * x ** 3).sum()    # Update weights using gradient descent    a -= learning_rate * grad_a    b -= learning_rate * grad_b    c -= learning_rate * grad_c    d -= learning_rate * grad_dprint(f'Result: y = {a.item()} + {b.item()} x + {c.item()} x^2 + {d.item()} x^3')

    6.3 在Mac M1中指定使用GPU加速

    To run PyTorch code on the GPU, use torch.device(“mps”) analogous to torch.device(“cuda”) on an Nvidia GPU. Hence, in this example, we move all computations to the GPU:

    要在 Mac M1的GPU 上运行 PyTorch 代码，使用命令 torch.device("mps")来指定。这类似于 Nvidia GPU 上的torch.device("cuda")命令。具体使用方法见下图代码：