M2 MacBook Pro 深度学习避坑指南：还是老实上云吧

作为一名习惯用 Mac 写code的 牛马，本来其实对 M2 芯片的性能一直很满意，在低功耗下依然拥有很强的计算能力，运行大型数据分析和数值计算时稳定又安静。统一内存架构让数据处理更高效，系统流畅不卡顿。同时 macOS 稳定可靠，科研和编程环境成熟，日常使用和专业工作都特被省心。

——直到我开始跑这个新的深度学习模型。

本来想着模型不算特别巨大，本地跑跑 Demo 应该没问题。结果现实狠狠打脸：风扇起飞就不说了，看一眼 tqdm 的进度条，训练一个 Epoch 竟然需要 4 分钟。

算了一下，跑完一次实验得等到一天，忽然要一整天。而且这期间电脑基本处于“生活不能自理”的状态，啥也干不了。

实在受不了这个龟速，还是决定找个云 GPU 跑一下，万一可以提升点速度呢。随手搜索了个平台 优云智算， （内心os: 看的不仔细容易认成优云智障），云计算注册链接：https://passport.compshare.cn/register?referral_code=L2JbXJLGmhBEjrufO8OFB&ytag=GPU_YY_YX_csdn_persus

先看了下价格， RTX 4090 (24G) 一小时 2.08 元，主要是注册认证后就可以白嫖 10 元的，教育邮箱edu 邮箱可以有20 大洋，想着20块 跑10个小时左右，差不多就可以训练完模型了，白嫖真香，真香真香。

完成注册后，在部署GPU实例 中，选择需要用到的镜像，我选的是PyTorch ，部署完成后，上传图片和code, 开始训练模型。

境配置比预想的顺手，镜像选PyTorch 镜像。为了验证性能差异，特意记录了一下数据：

• 本地环境：MacBook Pro (M2 芯片)
• 云端环境：RTX 4090 / 24G显存，
• 任务：同一套代码，Standard Training Loop

结果对比非常离谱：

看到 3.3s/it 的时候，感觉我的生命被巨大的节省了。之前本地跑一天的量，云端不到一小时搞定。

体验：关于部署和传输

除了速度，顺便提两嘴大家关心的“云平台痛点”：

1. 数据上传：这是最担心的环节（怕上传太慢），但实测这个平台还行，传数据集并没有卡很久，带宽给得比较足。
2. 环境部署：基本没怎么折腾，PyTorch 环境是现成的，连上去把代码一拖就能跑。这种“开箱即用”的感觉确实比自己维护本地 CUDA 版本舒服。

成本：比预想的便宜

跑完模型结账的时候看了一眼价格表，因为跑了调整参数多次模型，因为有4个小时，赠送的20大洋，还剩下11.16，确实有点惊讶。现在的算力市场已经卷到这个地步了吗？

整理了一下他们家目前的价格（似乎在做活动），给学生党或者个人开发者做个参考：

• 主力性价比（推荐）：
  • 3090 (24G)：¥ 1.13/小时。这个价格真的没谁了，只要显存够用，3090 绝对是目前性价比最高的卡，一杯蜜雪冰城能跑一下午。
  • 4090 (24G)：¥ 1.98/小时。如果追求速度（像我这次），加几毛钱上 4090 很值。
• 高端/尝鲜：
  • 5090 (32G)：¥ 3.00/小时。竟然已经有 5090 了，改天打算租一个小时跑个分过过瘾。
  • A100/H20：这些偏企业级（¥7-10/小时），做大模型微调的可以考虑。

也有更便宜的 2080 (8G) 只要 ¥ 0.32/小时，不过觉得现在跑深度学习，至少还是 3090 起步比较舒服。

值得注意的是，数据盘的挂载，是一直收费的，关机后也会收费，对于数据量没超过150GB 的任务，还是不挂载的好，比较节省money ， 毕竟弹药有限。花小钱办大事（最好不花钱就办事） 是主要的宗旨。

白嫖党还是适合冲一下的，如果有教育邮箱的话，那就更香了，白嫖注册的链接为：云计算注册链接：https://passport.compshare.cn/register?referral_code=L2JbXJLGmhBEjrufO8OFB&ytag=GPU_YY_YX_csdn_persus

总结

这波折腾下来的结论是：专业的事还是交给专业的硬件。 虽然 M 系列芯片在推理和日常开发上很强，但真要“炼丹”，还是别为难笔记本了，还是要靠更强的生产力工具。