Mac M1芯片深度学习环境配置：从Miniconda到TensorFlow与PyTorch GPU加速实战

1. 为什么要在Mac M1上折腾深度学习环境？

如果你和我一样，是个喜欢用MacBook Pro写代码、搞点机器学习小项目的开发者，那么从Intel芯片换到M1/M2系列芯片后，最大的感受可能就是“快”和“凉快”。但随之而来的，就是在配置深度学习环境时，会遇到一些“甜蜜的烦恼”。传统的、为x86架构设计的Anaconda、TensorFlow和PyTorch，在Apple Silicon这片新大陆上，直接安装往往会水土不服，报出各种奇怪的错误，比如经典的“zsh: illegal hardware instruction”。

所以，这篇文章就是为你准备的实战手册。我会手把手带你，在搭载M1芯片的Mac上，从零开始，搭建一个能真正调用GPU（Apple Metal）进行加速的深度学习环境。我们不走弯路，直接采用目前（2024年）最稳定、最主流的方案：Miniconda + TensorFlow-macos + tensorflow-metal 以及 PyTorch with MPS（Metal Performance Shaders）支持。整个过程，我会把我自己踩过的坑、验证过的有效命令都分享出来，目标是让你一次成功，把宝贵的M1芯片性能彻底释放出来，去跑模型、做实验，而不是折腾环境。

简单来说，这个环境能让你在本地用Mac训练神经网络时，速度相比纯CPU有数倍甚至十数倍的提升。对于学习、原型开发、中小规模模型训练来说，完全足够了，而且还能享受Mac优秀的续航和静音体验。接下来，我们就从最基础的包管理工具开始。

2. 基石：安装与配置Miniconda

在Mac M1上，我们首选的Python环境管理工具是Miniconda，更准确地说，是它的社区变体 Miniforge。为什么不直接用官方的Anaconda呢？因为截至我写这篇文章时，Anaconda官方还没有提供原生的、针对Apple Silicon（arm64架构）的安装包。如果你强行安装x86版本，后续会通过Rosetta 2转译运行，不仅效率有损失，在安装某些原生arm64的包（比如我们后面要用的tensorflow-macos）时，很容易出现兼容性问题。

Miniforge则是由conda-forge社区维护的，它原生支持arm64架构，并且默认使用conda-forge这个包更丰富、更新更快的频道。这相当于为我们铺平了第一条路。

2.1 下载与安装Miniforge3

首先，我们需要下载Miniforge3的安装脚本。打开你的浏览器，访问Miniforge在GitHub的发布页面。你可以直接搜索“Miniforge GitHub releases”，或者记住这个地址（请注意，版本号可能会更新，下载最新的即可）。

找到名为 Miniforge3-MacOSX-arm64.sh 的文件，这就是我们需要的安装脚本。下载它，通常它会保存在你的“下载”文件夹里。

接下来，打开Mac自带的“终端”应用。我们将通过命令行来完成安装。

# 首先，进入下载目录
cd ~/Downloads

# 查看一下文件是否存在
ls -la Miniforge3*.sh

# 执行安装脚本
bash Miniforge3-MacOSX-arm64.sh

执行安装命令后，终端会显示软件许可协议。一路按回车键往下翻，直到最后它会问你是否接受许可，输入 yes 并回车。接着，它会提示你安装路径，通常直接按回车使用默认路径（/Users/你的用户名/miniforge3）就好。安装过程很快，完成后，它会问你是否要运行 conda init 来初始化，这里也输入 yes。

这个操作会把Miniforge3的启动命令添加到你的shell配置文件（比如 .zshrc）中。完成后，关闭当前终端窗口，再重新打开一个新的。你应该能看到命令行提示符的最前面出现了 (base) 字样，这表示你已经自动进入了Miniforge的base基础环境。

我们可以验证一下安装是否成功：

conda --version

如果正确显示了conda的版本号（比如 conda 24.x.x），那么恭喜你，第一步已经稳稳地完成了。这里有个小贴士，如果你不希望每次打开终端都自动激活base环境（为了更干净），可以运行 conda config --set auto_activate_base false 来关闭它。需要用时再手动 conda activate base 即可。

2.2 配置国内镜像源（加速下载）

默认的conda和pip源服务器在国外，下载Python包的速度可能会非常慢，甚至经常超