【Macbook cuda环境搭建】_mac cuda

毕业前换了苹果，环境重新更新，用来跑自然语言处理相关模型，主要基于PyTorch
参考代码链接1
参考文章链接1

先确认电脑配置是否在12.3+

Mac 上的加速 PyTorch 训练环境要求如下：

• 配备 Apple Silicon 或 AMD GPU 的 Mac 电脑
• macOS 12.3 或更高版本
• Python 3.7 或更高版本
• Xcode 命令行工具：xcode-select --install

PyTorch使用 Apple 的Metal Performance Shaders ( MPS )作为后端。
M1-GPU 支持功能仅在 MacOS Monterey (12.3+) 中受支持。

01 Anaconda对应版本安装

anaconda官网
选择Download for Mac（M1/M2/M3）
在终端命令行验证Anaconda是否成功

conda --version
1

02 安装 Xcode

据说大部分默认安装了Xcode，我们需要验证一下，没有的话就更新下。

	1.运行以下命令来检查 Xcode 命令行工具的版本：
		xcode-select -p

	2.更新Xcode 命令行工具是最新版本，可以运行以下命令更新：
		 sudo softwareupdate --install -a
1
2
3
4
5

03 创建cuda环境

torch-gpu为环境名称（按意愿修改），python3.8和3.9都被验证可以用的。

conda create -n torch-gpu python=3.8
conda activate torch-gpu
1
2

04 PyTorch环境

点击PyTorch官网链接，选择合适版本命令复制，犯懒就直接复制我这个。conda install pytorch::pytorch torchvision torchaudio -c pytorch

检验Pytorch环境，终端命令行输入 python，进入python环境

import torch
import math
print(torch.backends.mps.is_available())
# True
print(torch.backends.mps.is_built())
# True

1
2
3
4
5
6
7

返回True，OK啦。

05 整体验证下

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:

dtype = torch.float
device = torch.device("mps")

# Create random input and output data
x = torch.linspace(-math.pi, math.pi, 2000, device=device, dtype=dtype)
y = torch.sin(x)

# Randomly initialize weights
a = 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-6
for 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_d


print(f'Result: y = {a.item()} + {b.item()} x + {c.item()} x^2 + {d.item()} x^3')
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38