【Pytorch】【MacOS】14.m1芯片使用mps进行深度模型训练

### PyTorch 中 MPS 配置和使用教程 #### 1. 安装支持 MPS 的 PyTorch 版本 为了能够在 Apple Silicon 设备上利用 Metal Performance Shaders (MPS)，需要确保安装的是最新版本的 PyTorch，该版本已内置对 MPS 后端的支持。对于 macOS 用户来说，在 M1 或 M2 芯片上的 Mac 上可以通过 Conda 渠道轻松获取兼容版本。 ```bash conda install pytorch torchvision torchaudio pytorch-macos -c pytorch-nightly ``` 这条命令会从 `pytorch-nightly` 渠道下载并安装带有 MPS 支持的 PyTorch 及其依赖项[^1]。 #### 2. 检查 MPS 是否可用 一旦完成了上述软件包的安装之后，可以编写一小段测试代码来验证当前环境中是否启用了 MPS 加速功能： ```python import torch if not torch.backends.mps.is_available(): print("MPS is not available.") else: try: mps_device = torch.device('mps') test_tensor = torch.ones(3, device=mps_device) print(f"MPS is available! Test tensor on MPS: {test_tensor}") except Exception as e: print(f"Encountered an error while trying to use MPS: {e}") ``` 这段脚本尝试创建一个位于 MPS 设备上的张量对象，并打印出来以确认一切正常工作。 #### 3. 将模型迁移到 MPS 进行推理或训练 当准备就绪后，只需修改现有代码中定义设备的部分，指定 `'mps'` 作为目标硬件平台即可让整个程序运行于加速模式下： ```python device = "mps" if torch.backends.mps.is_available() else "cpu" model.to(device) for data in dataloader: inputs, labels = data[0].to(device), data[1].to(device) outputs = model(inputs) loss = criterion(outputs, labels) optimizer.zero_grad() loss.backward() optimizer.step() ``` 通过这种方式，可以在保持原有逻辑不变的情况下充分利用苹果芯片的强大图形处理能力提升性能表现。