目录

步骤1.别担心python版本过高问题！

步骤2.miniconda 下载

步骤3.miniconda 安装 

步骤4.初始化shell

步骤5:创建名为d2l的环境，并指定python版本3.9

步骤6:安装PyTorch（GPU版）

验证方法1: 

验证方法2:

验证方法3:

步骤1.别担心python版本过高问题！

在不同的环境下可以容纳不同版本的python。例如在环境1下，python版本为3.7，在环境2下，python版本为3.9。因此建立d2l环境时，可以将指定python的版本配置到d2l环境之中，具体见步骤5。

步骤2.miniconda 下载

网址：Index of /anaconda/miniconda/ | 清华大学开源软件镜像站 | Tsinghua Open Source Mirror

        ps*要判断Mac电脑是ARM架构还是x86架构，打开终端，运行 uname -m对应python3.9- mac- arm64 地址https://mirrors.tuna.tsinghua.edu.cn/anaconda/miniconda/Miniconda3-py39_25.5.1-0-MacOSX-arm64.sh

wget https://mirrors.tuna.tsinghua.edu.cn/anaconda/miniconda/Miniconda3-py39_25.5.1-0-MacOSX-arm64.sh

        ps*如果mac提示未装wget，即   “zsh: command not found: wget”

brew install libunistring

brew install openssl@1.1

brew install wget

步骤3.miniconda 安装 

sh Miniconda3-py39_4.12.0-MacOSX-x86_64.sh -b

步骤4.初始化shell

其实就是将conda路径写入shell配置。激活环境运行成功后在shell的最前边会看到 有一个 (base)。

source ./miniconda3/bin/activate

conda init zsh

conda --version # 如果有输出对应的conda版本则安装成功

我装的是conda 25.5.1。

步骤5:创建名为d2l的环境，并指定python版本3.9

conda create --name d2l python=3.9 -y

激活 d2l环境：

conda activate d2l

成功后在shell的最前边会从 (base)变成 (d2l)

步骤6:安装PyTorch（GPU版）

PyTorch是一个流行的开源深度学习框架，由Facebook AI Research实验室开发和维护。它提供了广泛的工具和函数，用于构建和训练各种神经网络模型。GPU版本的PyTorch可以利用GPU的并行计算能力来加速训练过程，从而显著提高深度学习模型的训练速度。

pip install torch==2.7.1 torchvision==0.22.1  -f https://download.pytorch.org/whl/torch_stable.html

与您的Mac GPU兼容的CUDA Toolkithttps://developer.nvidia.com/downloads/assets/tools/secure/nsight-compute/2025_2_1/nsight-compute-mac-arm64-2025.2.1.3-35987062.dmg

import torch

print(torch.backends.mps.is_available())

打印结果是 true。

• ps*GPU加速：目前PyTorch的GPU加速主要依赖于CUDA，但Mac M3 Pro使用的是苹果自家的Apple Silicon芯片，不支持CUDA。因此，PyTorch的GPU加速在Mac M3 Pro上主要通过Metal Performance Shaders（MPS）实现。

步骤7:点击本书HTML页面顶部的“Jupyter 记事本”选项下载后解压代码，cd到解压后到目录，直接运行jupyter notebook。大功告成。

到此完结。

最后，说说验证方法。

验证方法1: 

import torch


x = torch.ones((1024 * 12, 1024 * 12), dtype=torch.float32,device='mps')


print(x)

 从活动监视器看，GPU和CPU的使用情况来看，的确是在用GPU跑。所以程序没有问题。

验证方法2:

有博主还写了mps加速代码，后续需要时用。（我这GPU也太慢了，可能会用到）

def try_gpu(i=0):
 """Return gpu(i) if exists, otherwise return cpu().

    Defined in :numref:`sec_use_gpu`"""
 if torch.cuda.device_count() >= i + 1:
 return torch.device(f'cuda:{i}')
 try:
 print('Apple silicon GPU detected')
 return torch.device('mps')
 except:
 print('No GPU detected, using CPU')
 return torch.device('cpu')
 # return torch.device('cpu')

def try_all_gpus():
 """Return all available GPUs, or [cpu(),] if no GPU exists.

    Defined in :numref:`sec_use_gpu`"""
 devices = [torch.device(f'cuda:{i}')
 for i in range(torch.cuda.device_count())]
 # return devices if devices else [torch.device('cpu')]
 try:
 device_macos = torch.device('mps')
 except:
 device_macos = torch.device('cpu')
 return devices if devices else [device_macos]

验证方法3:

李老师书中给出的是：5w5+

我(macair m3)跑的结果： 用CPU是0.4699w，用GPU是1.35w，是CPU的三倍。

某博主跑的结果： 2.6W，和CPU比提升了一倍