【ML笔记】MacOS下的tensorflow环境配置

MacOS使用venv安装tensorflow

python3 -m venv ./venv
source ./venv/bin/activate
python -m pip install -U pip

python -m pip install tensorflow

#下面的其实可以不用
python -m pip install --user tensorflow-metal

MacOS使用conda安装tensorflow

Tensorflow需要安装的三个包是tensorflow-deps、tensorflow-macos、tensorflow-metal。其中前两个是必须的，tensorflow-metal是让tensorflow能用上Apple Silicon芯片的GPU。

首先创建一个新的conda环境

conda create -n tensorflow python=3.9

安装tensorflow

step1

# 指定定版本安装   
conda install -c apple tensorflow-deps==2.6.0

step2

# 若有报错, 则执行pip install torch，然后再重新执行一遍下述命令
python -m pip install tensorflow-macos

step3-安装tensorflow-metal

python -m pip install tensorflow-metal

验证安装

开 Python 解释器并运行以下代码，如果能够看到输出 TensorFlow 版本和 GPU 信息，说明 TensorFlow 已成功安装。

import tensorflow as tf
print("TensorFlow version:", tf.__version__)
print("Num GPUs Available: ", len(tf.config.experimental.list_physical_devices('GPU')))

import sys
import tensorflow.keras
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}")

gpu = len(tf.config.list_physical_devices('GPU'))>0
print("GPU is", "available" if gpu else "NOT AVAILABLE")

使用GPU加速

当前不支持

多 GPU 支持
英特尔 GPU 的加速
V1 TensorFlow 网络

在配备 Apple M 芯片（如 M1、M2 系列）设备上，TensorFlow 已支持使用 GPU 加速，但与 PyTorch 的 MPS 设备指定方式稍有不同。

验证 GPU 支持：在 Python 中运行以下代码，检查是否检测到 Metal 支持的 GPU：

import tensorflow as tf

physical_devices = tf.config.list_physical_devices('GPU')
print("Physical GPUs:", physical_devices)

如果配置正确，你会看到类似以下的输出：

Physical GPUs: [PhysicalDevice(name='/physical_device:GPU:0', device_type='GPU')]

在代码中选择 GPU： TensorFlow 自动会使用可用的 GPU（TensorFlow默认会自动选择可用的 GPU）。如果需要手动指定 GPU 或进行显式控制，可以使用以下代码：

import tensorflow as tf

# 列出所有可用的 GPU
gpus = tf.config.list_physical_devices('GPU')
if gpus:
    try:
        # 设置 TensorFlow 使用第一个 GPU
        tf.config.experimental.set_visible_devices(gpus[0], 'GPU')
        logical_gpus = tf.config.experimental.list_logical_devices('GPU')
        print(f"使用的物理 GPU: {gpus[0]}")
        print(f"逻辑 GPU 数量: {len(logical_gpus)}")
        
        # 可选：设置 GPU 内存按需分配
        tf.config.experimental.set_memory_growth(gpus[0], True)
        print("GPU is enabled for TensorFlow")
    except RuntimeError as e:
        print(e)
else:
    print("No GPU available, using CPU instead")

在代码中选择设备

在 TensorFlow 中，你也可以通过 tf.device 上下文管理器指定要使用的设备：

import tensorflow as tf
# 检查 GPU 是否可用
if tf.config.list_physical_devices('GPU'):
    device_name = '/GPU:0'  # 第一个 GPU
else:
    device_name = '/CPU:0'  # 默认使用 CPU

# 手动选择设备运行代码
with tf.device(device_name):
    a = tf.constant([[1.0, 2.0], [3.0, 4.0]])
    b = tf.constant([[5.0, 6.0], [7.0, 8.0]])
    c = tf.matmul(a, b)
    print(f"运行设备: {device_name}")
    print("结果:", c)

确认 GPU 是否加速：为了确认计算是否真的在 GPU 上运行，可以使用以下方法：

import tensorflow as tf

# 创建一个张量并进行简单的计算
a = tf.random.normal((1000, 1000))
b = tf.random.normal((1000, 1000))

with tf.device('/GPU:0'):  # 指定在 GPU 上运行
    c = tf.matmul(a, b)
    print("运行设备:", c.device)

with tf.device('/CPU:0'):  # 指定在 CPU 上运行
    d = tf.matmul(a, b)
    print("运行设备:", d.device)

你可以通过打印出的设备名（如 GPU:0 或 CPU:0）确认在哪个设备上运行。

运行结果如下：

tips

PyTorch 使用 MPS 的方式指定硬件设备：

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

TensorFlow 则自动选择可用的设备（GPU > CPU），并提供手动控制接口（通过 tf.config）；可以通过 tf.device 显式指定设备运行（TensorFlow 会自动选择最佳设备（如果支持 GPU 会优先使用））。