在 M1 Mac 上构建高效的 Python 深度学习环境

当手头的 MacBook 从 Intel 切换到 Apple Silicon，许多开发者第一次运行 pip install 时都会心头一紧：为什么这么慢？明明是更强大的芯片，却感觉像是在用 Rosetta 翻译一层又一层的代码。这背后其实是一个关键问题——你是否真正跑在了原生 ARM64 架构上？

M1 芯片的强大不仅在于性能提升，更在于其能效比和统一内存架构（UMA），但这些优势只有在软件栈完全适配的前提下才能释放。而深度学习这类高负载任务，尤其依赖底层计算框架与硬件的紧密协同。因此，搭建一个原生支持 ARM64、可隔离管理、且能调用 Metal GPU 加速的开发环境，成了每个 M1 用户的必修课。

Miniconda 正是解决这一挑战的理想工具。它不像 Anaconda 那样臃肿，而是只保留核心组件，让你从零开始精确控制每一个依赖项。更重要的是，Conda 的虚拟环境机制完美支持多项目并行开发，避免了“这个项目用 PyTorch 2.0，那个项目只能用 1.12”的版本地狱。

---

安装前准备：先打好地基

任何稳健的开发环境都离不开基础编译工具链。尽管 M1 Mac 出厂即强，但仍需手动安装 Xcode 命令行工具：

xcode-select --install

这条命令会为你带来 clang 编译器、make 构建系统以及 git 版本控制工具。它们看似不起眼，却是后续通过 pip 或 conda 编译 C/C++ 扩展模块的关键支撑。比如某些 Python 包需要本地编译 native extension 时，如果没有这些工具，就会直接报错退出。

如果你看到提示 “command line tools are already installed”，那说明系统已经就绪，可以跳过这一步。

---

获取正确的 Miniconda 安装包

Miniconda 是 Anaconda 的精简版，仅包含 Python 解释器和 Conda 包管理器，非常适合追求轻量与灵活性的研究人员或工程师。

重点来了：必须下载适用于 Apple Silicon（ARM64）的版本。官网提供了两个 macOS 版本，很容易混淆：

• Miniconda3-latest-MacOSX-x86_64.sh —— Intel 架构
• Miniconda3-latest-MacOSX-ARM64.sh —— M1/M2 等 Apple Silicon 芯片专用

选错就意味着你的 Python 运行在 Rosetta 2 模拟层下，白白浪费 M1 的性能潜力。

推荐使用终端下载，确保准确无误：

curl -O https://repo.anaconda.com/miniconda/Miniconda3-latest-MacOSX-ARM64.sh

这样不仅能避免浏览器自动重定向到错误版本，还能方便地写入自动化脚本中重复使用。

---

执行安装并初始化环境

进入下载目录后执行安装脚本：

bash Miniconda3-latest-MacOSX-ARM64.sh

安装过程中有几个关键点需要注意：

1. 阅读许可协议后输入 yes
2. 建议使用默认路径 ~/miniconda3 —— 方便后续查找和维护
3. 最后询问是否初始化 Conda 时，选择 yes

初始化的作用是让 Conda 自动注入 shell 启动脚本，在每次打开终端时激活 base 环境。如果当时没选也没关系，后面还可以手动补救。

安装完成后关闭当前终端窗口，重新打开一个新的终端，你会看到提示符前出现了 (base)，说明 Conda 已成功加载。

---

配置 Zsh Shell（macOS 默认 Shell）

现代 macOS 使用 Zsh 作为默认登录 Shell。如果你从未修改过 shell 类型（可通过 echo $SHELL 确认），那么需要将 Conda 初始化代码写入 ~/.zshrc 文件中。

如果安装未自动配置？

运行以下命令生成初始化脚本：

~/miniconda3/bin/conda init zsh

该命令会自动检测 .zshrc 是否存在 Conda 配置段，若没有则追加一段类似如下的代码块：

# >>> conda initialize >>>
__conda_setup="$('/Users/yourname/miniconda3/bin/conda' 'shell.zsh' 'hook' 2>/dev/null)"
if [ $? -eq 0 ]; then
    eval "$__conda_setup"
else
    if [ -f "/Users/yourname/miniconda3/etc/profile.d/conda.sh" ]; then
        . "/Users/yourname/miniconda3/etc/profile.d/conda.sh"
    fi
fi
unset __conda_setup
# <<< conda initialize <<<

这段脚本的核心作用是在每次启动 shell 时动态加载 Conda 命令，使其可在任意位置调用 conda activate。

⚠️ 注意事项：不要手动复制粘贴这段代码而不理解其来源。最好始终优先使用 conda init 命令，因为它会根据实际路径自动生成正确内容。

完成编辑后，立即应用更改：

source ~/.zshrc

此时你应该能看到终端提示符前出现 (base)，表示 Conda 环境已激活。

---

验证 Conda 是否正常工作

最简单的验证方式是查看版本信息：

conda --version
# 输出示例：conda 24.1.2

再检查当前存在的环境列表：

conda info --envs

输出中应至少包含 base 环境，并且当前激活环境前有星号标记。

如果不小心把环境搞乱了，或者想彻底重装，也可以完全卸载 Miniconda：

# 删除主安装目录
rm -rf ~/miniconda3

# 清理配置与缓存
rm -rf ~/.conda
rm -rf ~/.condarc

# 移除 shell 配置文件中的初始化代码
vim ~/.zshrc  # 找到并删除 # >>> conda initialize >>> 至 <<< 的整段内容

清理完毕后即可重新运行安装脚本，实现干净重启。

---

提速利器：配置国内镜像源

由于官方 Conda 仓库位于境外，直接使用常会出现超时或下载缓慢的问题。为此，推荐切换为国内高校提供的镜像源，例如中科大 USTC 或清华大学 TUNA。

添加中科大镜像通道：

conda config --add channels https://mirrors.ustc.edu.cn/anaconda/pkgs/main/
conda config --add channels https://mirrors.ustc.edu.cn/anaconda/pkgs/free/
conda config --add channels https://mirrors.ustc.edu.cn/anaconda/cloud/conda-forge/
conda config --add channels https://mirrors.ustc.edu.cn/anaconda/cloud/msys2/

同时开启通道 URL 显示以便调试：

conda config --set show_channel_urls yes

如果你更习惯清华源，也可以替换为：

conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/main/
conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/pytorch/

这些镜像通常每日同步一次，稳定性良好，能显著提升包安装效率。

---

创建独立的开发环境

为了防止不同项目的依赖冲突（比如一个项目需要 TensorFlow 2.12，另一个只能兼容 2.10），强烈建议为每个项目创建独立的 Conda 环境。

以创建名为 ml-dev 的通用机器学习环境为例：

conda create -n ml-dev python=3.9
conda activate ml-dev

激活后，所有 pip install 和 conda install 操作都将局限于该环境中，不会影响全局或其他项目。

关于 Python 版本的选择，目前最稳妥的是 3.8 ~ 3.10。虽然 Python 3.11+ 已发布，但由于部分科学计算库尚未完全适配 ARM64 架构下的新特性，可能会遇到编译失败或运行异常的情况。保持适度保守，往往能让开发过程更顺畅。

---

安装 TensorFlow：发挥 Apple Silicon 的 GPU 实力

Apple 为 M1 及后续芯片专门优化了 TensorFlow 的 macOS 发行版，通过 Metal 图形 API 实现 GPU 加速。这套组合被称为 tensorflow-macos + tensorflow-metal，是由 Apple 官方团队维护的高性能方案。

首先创建专用环境：

conda create -n tf-metal python=3.9
conda activate tf-metal

接着安装由 Apple 提供的核心依赖包：

conda install -c apple tensorflow-deps==2.13.0

这个包非常关键，它会自动安装一系列经过验证的底层组件，包括 NumPy、SciPy、Clang 编译器等，确保整个技术栈兼容性最佳。你可以根据需求调整版本号（如 2.12.0），但务必保证与后续安装的 tensorflow-macos 版本一致。

然后使用 pip 安装主程序和 Metal 插件：

pip install tensorflow-macos==2.13.0
pip install tensorflow-metal

其中：
- tensorflow-macos 是 Apple 维护的原生 macOS 版本
- tensorflow-metal 是启用 GPU 加速的插件，利用 Metal Performance Shaders 实现矩阵运算加速

安装完成后，测试是否成功启用 Metal：

import tensorflow as tf

print("TensorFlow Version:", tf.__version__)
print("Built with CUDA:", tf.test.is_built_with_cuda())  # 应为 False
print("GPU Available:", tf.config.list_physical_devices('GPU'))

预期输出中应包含：

GPU Available: [PhysicalDevice(name='/physical_device:METAL:0', device_type='METAL')]

这表明 Metal 设备已被识别并可用于计算。你可以进一步运行简单的矩阵乘法来验证加速效果：

tf.random.set_seed(42)
a = tf.random.normal([1000, 1000])
b = tf.random.normal([1000, 1000])
c = tf.matmul(a, b)
print("Matrix multiplication completed.")

一旦看到顺利输出，恭喜你，已经跑通了完整的 CPU+GPU 协同流水线。

---

安装 PyTorch：无缝接入 MPS 后端

PyTorch 对 Apple Silicon 的支持也非常成熟。自 1.12 版本起，官方就开始提供原生 ARM64 构建包，并通过 MPS（Metal Performance Shaders）后端实现 GPU 加速。

进入你的目标环境（如 ml-dev 或新建 pt-metal）：

conda activate ml-dev
pip install torch torchvision torchaudio

注意：这里不要使用 conda install pytorch，因为传统 conda 渠道可能仍指向 x86_64 构建版本，导致无法启用 MPS。

安装完成后，验证是否可用 Metal 加速：

import torch

print("PyTorch Version:", torch.__version__)
print("MPS Available:", torch.backends.mps.is_available())
print("MPS Built:", torch.backends.mps.is_built())

if torch.backends.mps.is_available():
    device = torch.device("mps")
    print("Using device:", device)

    x = torch.rand(1000, 1000).to(device)
    y = torch.rand(1000, 1000).to(device)
    z = torch.mm(x, y)
    print("Metal-accelerated matrix multiply succeeded.")

只要输出中 is_available() 返回 True，就说明 Metal 加速已就绪。

💡 小贴士：MPS 并非对所有操作都支持加速。对于不支持的操作，PyTorch 会自动回退到 CPU 执行，因此整体性能提升取决于具体模型结构。一般而言，卷积、线性层、激活函数等常见操作均有良好支持。

---

最终确认：我们真的跑在 ARM64 上吗？

一切看似顺利，但还有一个终极问题：我们是不是还在 Rosetta 2 的模拟层里兜圈子？

最简单的方法是运行：

arch

如果输出是 arm64，说明当前 shell 运行在原生模式下。

再深入一步，检查 Python 自身的架构：

import platform
print(platform.machine())      # 应输出 'arm64'
print(platform.processor())    # 应输出 'arm'

此外，打开「活动监视器」→「CPU」标签页，运行一段 Python 脚本，查看“种类”列：

• 若显示 Apple，表示运行在 ARM64 原生模式
• 若显示 Intel，说明正被 Rosetta 2 模拟运行

只有原生 ARM64 才能充分发挥 M1 芯片的算力与能效优势。尤其是深度学习训练这类长时间高负载任务，原生运行带来的不仅是速度提升，更是续航时间的显著延长。

---

让环境可复现：导出为 YAML 配置文件

一个好的工程实践是将环境配置固化下来，便于团队协作或未来重建。

你可以将常用依赖导出为 environment.yml：

# environment.yml
name: ml-dev
channels:
  - defaults
  - conda-forge
dependencies:
  - python=3.9
  - pip
  - numpy
  - scipy
  - jupyter
  - pip:
    - torch
    - torchvision
    - torchaudio
    - tensorflow-macos==2.13.0
    - tensorflow-metal

以后只需一条命令即可重建相同环境：

conda env create -f environment.yml

这种方式特别适合课程教学、实验室部署或多设备同步场景，真正做到“一次定义，处处运行”。

---

这套基于 Miniconda 的 M1 开发环境，既轻量又强大。它避开了 Anaconda 的臃肿，充分利用了 Conda 的环境隔离能力，结合 Apple 官方优化的深度学习后端，实现了真正的原生 ARM64 + Metal GPU 加速。无论是做算法研究、模型复现，还是日常工程开发，都能提供稳定高效的体验。

更重要的是，这种构建思路本身具有延展性——当你未来接触新的框架或工具时，也能沿用同样的方法论：选对架构 → 隔离环境 → 配置镜像 → 验证运行。这才是技术掌控感的真正来源。