1. 为什么 Mac M 系列芯片装 PyTorch 值得单独写一篇如果你手上是一台 M1、M2、M3 或者更新的 Mac想跑深度学习第一反应多半是pip install torch然后发现要么装上了但 GPU 用不了要么版本对不上、跑起来报一堆底层错误。这事儿在 Intel Mac 时代没这么麻烦因为大家都是 CPU 跑装完能用就行但到了 M 系列芯片苹果自研的 ARM 架构加上 Metal 图形接口让 PyTorch 的安装路径分成了好几条选错了就是白折腾。我这几年在几台不同配置的 M 系列机器上反复装过 PyTorch从最早的 M1 8G 内存版本到后来的 M3 Pro踩过的坑基本覆盖了新手能遇到的所有情况。这篇内容就是把这些经验整理出来讲清楚 Mac M 系列芯片上 PyTorch 到底该怎么装、为什么这么装、装完之后怎么验证 GPU 真的在工作以及遇到问题怎么排查。适合刚入手 Mac 想入门深度学习的同学也适合之前在 Intel Mac 上用过 PyTorch、换机之后发现环境全乱了的从业者。核心关键词就几个PyTorch 安装、M 系列芯片、Metal 加速、ARM 架构、虚拟环境。这几个词贯穿全文你把这几个概念之间的关系理顺了安装这件事就没有神秘感了。先说结论性的判断M 系列芯片上装 PyTorch不要用系统自带的 Python不要全局安装不要指望 conda 的默认渠道给你最新版本。这三条是底线后面所有步骤都是围绕这三条展开的。至于为什么我会在下面的章节里逐个拆开讲包括 ARM 架构和 x86 的区别到底影响在哪、Metal 后端是什么、MPS 设备怎么调用以及那些看起来像玄学但其实有明确原因的报错。2. 装之前必须搞清楚的底层逻辑2.1 ARM 架构和 x86 的差异到底影响什么Mac M 系列芯片用的是 ARM 架构而过去十几年大部分 Python 生态里的预编译包都是针对 x86 架构打包的。这就带来一个直接后果很多包在 M 系列芯片上要么没有现成的二进制轮子wheel需要从源码编译要么虽然有 ARM 版本但版本更新滞后。PyTorch 属于前者里比较特殊的一个——它官方从 1.12 版本开始正式支持 Apple Silicon 的 GPU 加速也就是 Metal Performance Shaders简称 MPS。这里要区分两个概念。ARM 架构决定的是 CPU 层面的指令集影响的是 Python 解释器和各种底层库能不能原生运行MPS决定的是 GPU 层面能不能调用苹果的图形计算能力。这两个是独立的你可以装一个 ARM 原生版的 PyTorch 但只用 CPU 跑也可以装对了版本让 MPS 生效。新手最容易混淆的就是把“装上了”当成“GPU 能用了”实际上这是两件事。我见过不少人用 Rosetta 转译的方式跑 x86 版的 Python然后装 PyTorch结果就是能用但慢得离谱因为整个链路都在转译层里跑。所以第一条实操原则确认你的终端和 Python 都是 ARM 原生模式。在终端里执行uname -m输出arm64才是对的输出x86_64说明你当前处在 Rosetta 环境里需要检查终端应用的“使用 Rosetta 打开”选项是否被勾上了。2.2 Metal 和 MPS 是什么关系Metal 是苹果的图形和计算接口相当于 Windows 上的 DirectX 或者通用计算里的 CUDA 那类角色。MPS 是 Metal 之上的一个框架专门做高性能计算。PyTorch 对苹果 GPU 的支持就是通过 MPS 后端实现的你在代码里写device torch.device(mps)的时候底层走的就是 MPS。理解这一层有什么用用处在于你排查问题的时候知道该看哪里。比如报错说 MPS 不可用那可能是 PyTorch 版本太老不支持也可能是系统版本太低还可能是当前这个算子 MPS 后端没实现。PyTorch 的 MPS 支持是逐步完善的早期版本里很多操作会 fallback 到 CPU甚至直接报“not implemented for MPS”。所以装的时候版本选择很关键不是越新越好也不是随便一个版本就行。2.3 为什么强烈建议用虚拟环境这一条在 Intel Mac 时代就是常识但在 M 系列芯片上更加重要。原因是系统自带的 Python 和系统库是绑定的你如果往系统 Python 里装包轻则权限报错重则把系统工具搞坏。而且不同项目对 PyTorch 版本要求不一样全局装一个版本切项目就得重装来回折腾。虚拟环境的价值在于隔离。我一般用venv因为它是 Python 标准库自带的不需要额外装东西轻量够用。conda 也可以用但 conda 在 M 系列芯片上的渠道管理有时候会给你装成 x86 版本需要额外注意。下面实操部分我会以venv为主线conda 作为备选方案提一下差异。注意不要用sudo pip install往系统 Python 里装任何东西。M 系列芯片的 macOS 对系统完整性保护比较严格一旦搞乱系统 Python修复起来很麻烦。3. 从零开始的完整安装流程3.1 环境自检三行命令确认基础条件动手之前先做三个检查花不了一分钟但能避免后面 80% 的莫名其妙的问题。第一确认芯片架构。终端执行uname -m输出arm64就对了。如果是x86_64去“应用程序 实用工具 终端”右键“显示简介”确认“使用 Rosetta 打开”没有被勾选取消后重启终端再试。第二确认 Python 版本。执行python3 --versionPyTorch 目前对 Python 版本有明确要求太老的版本比如 3.7 以下不支持新版 PyTorch太新的版本比如刚发布的 3.13可能还没有对应的轮子。我实测下来Python 3.9 到 3.12这个区间最稳3.11 是我用得最多的版本兼容性和性能都不错。如果系统自带的 Python 版本不合适建议用 Homebrew 装一个指定版本或者直接去 Python 官网下载 ARM 原生的安装包。第三确认 macOS 版本。MPS 后端对系统版本有要求太老的系统不支持。执行sw_vers看ProductVersion这一行。一般来说 macOS 12.3 以上才支持 MPS建议保持在较新的系统版本上避免底层接口缺失。3.2 创建并激活虚拟环境选一个你放项目的目录比如~/projects/dl-demo进去之后执行python3 -m venv venv source venv/bin/activate第一行创建了一个叫venv的虚拟环境目录第二行激活它。激活成功的标志是终端提示符前面多了(venv)字样。这一步看起来简单但有个细节创建虚拟环境用的 Python 必须是 ARM 原生的。如果你前面uname -m确认了是 arm64那python3一般就是原生的但如果你用 Homebrew 装过多个版本最好用which python3确认一下路径确保不是指向某个转译版本。激活之后顺手升级一下 pippython -m pip install --upgrade pip新版 pip 对 ARM 轮子的识别更准确能减少装错架构包的概率。3.3 安装 PyTorch 的正确命令与版本选择到了核心步骤。M 系列芯片上装 PyTorch官方推荐的方式就是 pip命令很简洁pip install torch torchvision torchaudio不需要指定额外的索引地址PyTorch 官方从 1.12 之后就把 macOS ARM 的轮子放到了默认的 PyPI 源里。这一点和 CUDA 版本不一样CUDA 需要去官方指定的源装Mac 这边直接 pip 就行。版本选择上我的建议是装当前稳定版的最新版但如果你有特定的模型或库依赖老版本那就按依赖来。判断标准很简单MPS 支持在 1.12 引入2.0 之后逐渐成熟2.1 以上对很多算子的支持完善了很多。所以最低不要低于 2.0有条件就上 2.x 的最新稳定版。装的时候 pip 会自动解析依赖把对应的 ARM 轮子拉下来整个过程不需要编译几分钟就能完成。如果你用 conda命令是conda install pytorch torchvision torchaudio -c pytorch但要注意conda 的默认渠道在 M 系列芯片上有时给的是 x86 版本装完需要验证。我个人的偏好是 pip venv链路短、问题少。3.4 验证安装CPU 和 GPU 都要测装完不等于能用必须验证。先测 CPU 路径import torch print(torch.__version__) x torch.rand(3, 3) print(x)能正常打印版本号和随机矩阵说明基础安装没问题。然后测 GPUimport torch print(torch.backends.mps.is_available()) print(torch.backends.mps.is_built())两个都输出True才算 MPS 可用。is_built()表示当前这个 PyTorch 构建包含了 MPS 支持is_available()表示当前机器环境能用。如果is_built()是 True 但is_available()是 False通常是系统版本太低或者 PyTorch 版本和系统不匹配。再做一个实际的计算测试确认 GPU 真的在干活import torch device torch.device(mps) a torch.rand(1000, 1000, devicedevice) b torch.rand(1000, 1000, devicedevice) c a b print(c.device) print(c.shape)输出显示mps:0和正确的形状说明矩阵乘法在 GPU 上跑通了。这一步很关键因为有些情况下is_available()返回 True 但实际算子跑不了只有真正做一次计算才能确认。4. 实操中的关键细节与参数调优4.1 MPS 设备调用的正确写法代码里调用 GPU 的标准写法是device torch.device(mps if torch.backends.mps.is_available() else cpu) model model.to(device) data data.to(device)这个写法兼顾了有 GPU 用 GPU、没有就退回 CPU 的兼容性。但有个细节很多人忽略MPS 设备上的张量不能直接和 CPU 上的张量做运算必须保证参与运算的张量在同一个设备上。报错信息通常是 “Expected all tensors to be on the same device”看到这个就检查是不是有某个张量忘了.to(device)。另外MPS 对某些数据类型的支持有限。比如float64在 MPS 上支持不好建议统一用float32。模型和数据默认就是 float32一般不用改但如果你从别处加载了 float64 的权重记得转换model model.float()4.2 内存管理统一内存带来的便利与陷阱M 系列芯片用的是统一内存架构CPU 和 GPU 共享同一块内存。好处是数据在 CPU 和 GPU 之间传输不需要显式拷贝省了时间和显存开销坏处是没有独立的显存概念GPU 用的内存和系统内存是同一池子。这意味着你跑大模型的时候如果内存吃紧整个系统都会卡而不是像独立显卡那样只是显存溢出报错。实操上的建议8G 内存的机器跑小模型和教学 demo 没问题但别指望跑大参数量模型16G 是入门舒适线真要跑大模型32G 以上才踏实。另外PyTorch 在 MPS 上有一个环境变量可以控制内存分配策略遇到内存相关报错时可以试试export PYTORCH_MPS_HIGH_WATERMARK_RATIO0.0这个设置会放宽 MPS 的内存上限限制但代价是可能影响系统稳定性只在明确知道自己在干什么的时候用。4.3 常见报错的含义与处理装和用的过程中有几类报错特别高频我整理成表格方便对照报错信息关键词可能原因处理方式MPS backend is not availablePyTorch 版本太老或系统版本低升级 PyTorch 到 2.x确认 macOS 版本not implemented for MPS该算子 MPS 后端未实现把该操作移到 CPU或升级 PyTorchExpected all tensors to be on the same device张量设备不一致检查所有张量的.to(device)Placeholder storage has not been allocatedMPS 内存分配问题减小 batch size或设置内存比例环境变量Illegal instruction装了 x86 版本的包确认 Python 是 arm64重装 PyTorch这张表是我自己遇到过的报错里挑出来的高频项实际排查时先看报错关键词再对照原因能省不少时间。4.4 性能调优的几个实用开关MPS 后端有几个可以调的开关实测下来对性能有影响。第一个是torch.mps.set_per_process_memory_fraction()可以限制单个进程能用的内存比例防止一个进程吃光内存把系统拖死。第二个是环境变量PYTORCH_ENABLE_MPS_FALLBACK1设置之后MPS 不支持的算子会自动 fallback 到 CPU 而不是直接报错适合跑那些算子覆盖不全的模型代价是那部分计算会变慢。export PYTORCH_ENABLE_MPS_FALLBACK1这个开关我建议在跑新模型的时候先开着等确认模型能跑通、再关掉看性能。因为 fallback 虽然慢但至少能让你把流程跑完定位问题在哪。5. 踩坑实录与排查思路5.1 装完发现 GPU 用不了的三类原因第一类PyTorch 版本太老。有人从旧项目里复制了pip install torch1.8这样的命令装完发现 MPS 根本不存在。MPS 是 1.12 才引入的1.8 时代还没有这个概念。解决办法就是升版本。第二类Python 是转译模式。前面提过uname -m输出x86_64就说明在 Rosetta 里这种情况下装出来的 PyTorch 是 x86 版本MPS 不可用。解决办法是取消终端的 Rosetta 选项重建虚拟环境。第三类系统版本太低。MPS 需要 macOS 12.3 以上如果你的系统还停在 11.x那无论怎么装 PyTorch 都用不了 GPU。这种情况只能升级系统。5.2 虚拟环境激活了但 pip 装到别处去了这个坑很隐蔽。表现是明明激活了虚拟环境pip install也显示成功但python -c import torch报找不到模块。原因通常是pip和python指向了不同的解释器。排查方法which python which pip两个路径应该在同一个虚拟环境目录下。如果pip指向的是系统路径或者 Homebrew 路径说明虚拟环境里的 pip 没生效用python -m pip install代替pip install就能强制用当前 Python 对应的 pip。5.3 跑模型时内存爆掉的应对统一内存架构下内存爆掉的表现不是显存溢出报错而是整个系统变卡、进程被系统杀掉。遇到这种情况先降 batch size这是最直接有效的办法。其次检查有没有不必要的大张量常驻内存比如把中间结果都存到列表里不释放。再就是前面提到的内存比例环境变量可以设一个保守值防止单个进程吃太多。还有一个容易被忽略的点MPS 的缓存机制。PyTorch 在 MPS 上会缓存一些内存块以加速后续分配跑完一个任务后缓存不一定立即释放。如果连续跑多个任务内存占用会累积。可以在任务之间手动清理import torch torch.mps.empty_cache()这个调用会释放未使用的缓存内存适合在长时间运行的脚本里定期调用。5.4 从 Intel Mac 迁移过来的环境重建如果你之前用 Intel Mac把整个项目目录拷到 M 系列机器上虚拟环境目录千万别一起拷。因为虚拟环境里记录的是绝对路径和架构相关的二进制文件跨架构直接拷过来必然出问题。正确做法是在新机器上重新创建虚拟环境用pip freeze导出依赖列表再在新环境里重装# 旧机器上 pip freeze requirements.txt # 新机器上 python3 -m venv venv source venv/bin/activate pip install -r requirements.txt但要注意requirements.txt里如果有版本锁定的包某些包可能没有 ARM 轮子需要手动调整版本。这种情况在科学计算类的包里偶尔会遇到遇到就查一下该包有没有 ARM 版本没有的话找替代方案或者从源码编译。6. 我个人的几条实操心得装 PyTorch 这件事说难不难但细节多。我总结下来最值钱的经验就三条。第一条每次新建项目都新建虚拟环境。听起来麻烦但比事后排查版本冲突省事得多。一个项目一个环境互不干扰删项目的时候直接把环境目录删掉干净利落。第二条装完立刻跑验证脚本。不要等到写了几百行代码才发现 GPU 用不了那时候你会怀疑是代码问题还是环境问题排查成本翻倍。验证脚本就那几行存成一个check_env.py每次装完跑一遍两分钟的事。第三条版本信息记下来。PyTorch 版本、Python 版本、macOS 版本这三个信息在排查问题时是必问项。我习惯在项目根目录放一个env_info.txt记录当前环境的版本信息换机器或者过几个月回来接着做的时候一眼就能看到当时的环境配置。最后分享一个小技巧如果你不确定某个操作在 MPS 上支不支持可以用PYTORCH_ENABLE_MPS_FALLBACK1先跑一遍看日志里有没有 fallback 的警告。有警告说明这个算子在 MPS 上没实现走了 CPU没有警告说明全程在 GPU 上跑。这个方法比查文档快适合快速摸底一个新模型在 M 系列芯片上的兼容性。