M1 Mac 上的 TensorFlow GPU 加速：从零开始的环境配置与性能调优

1. 为什么要在 M1 Mac 上折腾 TensorFlow GPU？

如果你和我一样，从一台老旧的 Intel Mac 或者 Windows 笔记本换到 M1/M2/M3 芯片的 Mac，第一感觉肯定是“快”。日常办公、剪视频那叫一个丝滑。但当你兴冲冲地想跑个深度学习模型，打开熟悉的 TensorFlow 或 PyTorch 时，很可能发现它们默认只用了 CPU，那个传说中的强大 GPU 好像跟你没啥关系。风扇是不怎么转，但训练速度也“感人”地慢了下来。

这感觉就像买了一辆跑车，结果发现它被限速在 60 公里/小时。苹果自研的 Apple Silicon 芯片，其集成的 GPU（苹果称之为“图形处理器”或更具体地，通过 Metal 框架提供支持）性能其实相当强悍，尤其是在能效比上。对于大多数中小规模的模型训练、学习实验、甚至是轻量级的模型微调，M1 Pro/Max 甚至基础款 M1 的 GPU 都完全够用，而且它安静、省电，不用背着游戏本到处跑。

所以，在 M1 Mac 上配置 TensorFlow GPU 加速，不是为了去挑战数据中心里的 A100/H100，而是为了最大化利用你手头这台强大且优雅的生产力工具。它能让你：

• 本地实验更高效：快速验证想法、调试代码，不用总依赖云端服务器或漫长的等待。
• 学习成本更低：学生和初学者可以在自己熟悉的电脑上入门深度学习，无需复杂的环境配置。
• 移动开发无缝衔接：如果你在做 iOS/macOS 端的 AI 应用，本地用 Metal 加速训练和测试，到 Core ML 转换的路径更顺滑。

我当初也是被“GPU 不可用”的提示困扰了很久，摸索了一番才搞定。下面，我就把我从零开始配置、踩坑、再到性能调优的完整经验分享出来，保证每一步你都能跟着做，最终让你的 TensorFlow 代码真正“跑”在 M1 芯片的 GPU 上。

2. 从零开始：七步搭建无痛环境

网上教程很多，但坑也不少。有的依赖关系没理清，有的步骤过时了。我结合自己的实战，总结了一个最稳妥、最清晰的七步法。请严格按照顺序操作，可以避开 99% 的奇怪报错。

2.1 第一步：基础准备与包管理器选择

首先，我们不用系统自带的 Python。为了环境的纯净和可管理性，必须使用虚拟环境。这里我强烈推荐使用 Mambaforge，它是 Conda 的一个更快、更高效的替代品，尤其对于处理 TensorFlow 这类依赖复杂的包，体验好太多。

打开你的终端（Terminal），执行以下命令来安装 Mambaforge：

# 使用 Homebrew 安装 Mambaforge（如果你没有 Homebrew，请先访问 brew.sh 安装）
brew install mambaforge

安装完成后，初始化你的 shell（我以 zsh 为例，如果你是 bash，将 zsh 替换为 bash）：

mamba init zsh

然后关闭并重新打开终端，或者执行 source ~/.zshrc 让配置生效。现在，你的命令行前应该会出现 (base) 字样，这表示你已经在 Mamba 的基础环境里了。

2.2 第二步：创建专属的虚拟环境

永远不要在 (base) 环境里直接安装项目包。我们为 TensorFlow GPU 创建一个独立的环境：

# 创建一个名为 ‘tf_gpu’ 的环境，并指定 Python 3.11（目前兼容性最好的版本）
mamba create -n tf_gpu python=3.11

创建完成后，激活这个环境：

mamba activate tf_gpu

你的命令行提示符会从 (base) 变成 (tf_gpu)，这表示后续的所有操作都只影响这个沙盒环境，不会搞乱系统。

2.3 第三步：安装 TensorFlow for macOS

这是核心步骤。苹果官方与 TensorFlow 团队合作，提供了专门的 macOS 版本。注意，不要用 pip install tensorflow，那装的是通用版本，不支持 Metal GPU。

# 安装针对 Apple Silicon 优化的 TensorFlow
pip install tensorflow-macos

这个包包含了 TensorFlow 的核心功能，但此时它还不会调用 GPU。

2.4 第四步：安装 Metal 加速插件

让 TensorFlow 能够调用 M1 GPU 的关键，就是这个 tensorflow-metal 插件。它充当了 TensorFlow 和苹果 Metal 图形 API 之间的桥梁。

# 安装 Metal 插件以启用 GPU 加速
pip install tensorf