在 Mac M2 上安装 PyTorch 并启用 MPS 加速的详细教程与性能对比

1. 安装torch

在官网上可以查看安装教程，Start Locally | PyTorch

作者安装了目前最新的torch版本2.5.1，需要提前安装python3.9及以上版本，作者python版本是python3.11最新版本 

使用conda安装torch，在终端进入要安装的环境，执行如下命令即可，值得一提的是，安装torch的前提条件是需要事先安装对应版本的python，以及annoconda

conda install pytorch torchvision -c pytorch

执行完如上命令后就会出现如下画面，需要等待几分钟，直到安装完毕

2. 安装MPS

使用conda安装mps

conda install torch torchvision torchaudio

3 安装是否成功测试

import torch
# 查看 torch安装是否成功 并查看其版本
print(torch.__version__)
# 查看 mps是否安装成功 是否可用
print(torch.backends.mps.is_available())
# 检查 GPU 是否可用
print(torch.cuda.is_available())  # 对于 MPS，返回 False 是正常的
print(torch.backends.mps.is_available())  # 应该返回 True
# 获取 MPS 设备
mps_device = torch.device("mps")
print(mps_device)  # 输出 "mps"

执行如上代码，能够成功打印出torch版本，证明第一章节的torch安装成功，如果能打印出True证明MPS可用，至于其中的一个False是cuda是否可用，因为作者是Mac电脑，没有安装显卡所以并无法安装cuda加速，固然为false

4 加速对比

总的来说，模型越复杂，其MPS加速越明显，如果模型太简单，只需要几秒钟就能跑完的话，MPS加速反而不如CPU，因为MPS要有一些准备工作，把数据放入图显核心里去，如果算法太简单或者数据量太少，结果运行加速节约的时间还不如数据准备的时间长，看起来就会觉得MPS反而需要更多时间来运行。

如下是作者的测试代码

import torch
import torch.nn as nn
import torch.optim as optim
import time# 设置训练参数
input_size = 4096  # 输入特征数
hidden_size = 1024  # 隐藏层神经元数
output_size = 10  # 输出类别数（例如 10 类）
num_epochs = 50  # 训练轮数
batch_size = 64  # 批量大小
learning_rate = 0.01  # 学习率# 定义一个简单的全连接神经网络
class SimpleNN(nn.Module):def __init__(self, input_size, hidden_size, output_size):super(SimpleNN, self).__init__()self.fc1 = nn.Linear(input_size, hidden_size)self.relu = nn.ReLU()self.fc2 = nn.Linear(hidden_size, output_size)def forward(self, x):x = self.fc1(x)x = self.relu(x)x = self.fc2(x)return x# 函数：训练模型并记录训练时间
def train_model(device, num_epochs):# 创建数据集num_samples = 100000  # 数据集样本数量x_train = torch.randn(num_samples, input_size).to(device)y_train = torch.randint(0, output_size, (num_samples,)).to(device)# 模型、损失函数和优化器model = SimpleNN(input_size, hidden_size, output_size).to(device)criterion = nn.CrossEntropyLoss()optimizer = optim.SGD(model.parameters(), lr=learning_rate)# 开始计时start_time = time.time()# 训练循环for epoch in range(num_epochs):for i in range(0, num_samples, batch_size):# 获取当前批量数据inputs = x_train[i:i+batch_size]labels = y_train[i:i+batch_size]# 前向传播outputs = model(inputs)loss = criterion(outputs, labels)# 反向传播和优化optimizer.zero_grad()loss.backward()optimizer.step()# 结束计时end_time = time.time()# 返回训练时间return end_time - start_time# 主程序
if __name__ == "__main__":# 设备列表devices = {"CPU": torch.device("cpu"),"MPS": torch.device("mps") if torch.backends.mps.is_available() else None,}# 分别测试 CPU 和 MPSresults = {}for device_name, device in devices.items():if device is None:print(f"\nSkipping {device_name} as it is not available.")continueprint(f"\nTraining on {device_name}...")training_time = train_model(device, num_epochs)results[device_name] = training_timeprint(f"Training time on {device_name}: {training_time:.2f} seconds")# 打印对比结果print("\n--- Training Time Comparison ---")for device_name, time_taken in results.items():print(f"{device_name}: {time_taken:.2f} seconds")

本人运行的机器是Mac Mini M2（8+10）16G+1T ，

3.1 CPU和GPU占用

在使用CPU运行时， 明显看到8核心的CPU，程序几乎占用了4核心一半，GPU没有使用

 在使用MPS运行时，CPU占比下降到较低水平，开始启用GPU运行，10核心的图显也仅仅使用了1颗，感觉加速不是特别明显

3.2 温度对比 

使用CPU运行时，常年保持40度以下的CPU温度也飙升到了65度左右，及时如此也仅是window电脑静默状态的温度了 

 使用MPS运行时，温度稍有回落，在50度左右

3.3 运行时间

如图所示，MPS加速仅仅比CPU花费时间减少一半左右，说实话不是特别满意，和cuda的加速还是有一定差距