Mac M1芯片深度学习环境搭建：从零到一的实战避坑与效率优化

最近几年，身边用MacBook Pro M1/M2系列芯片的朋友越来越多了。大家从Intel芯片换过来，最头疼的往往不是日常办公，而是开发环境的搭建，尤其是深度学习这块。PyTorch和Hugging Face Transformers几乎是当下AI项目的标配，但在Apple Silicon上，安装过程时不时就会给你来个“惊喜”——比如卡在某个依赖上，或者编译报错让人一头雾水。

这篇文章，就是为你准备的。我们不只解决“怎么装上去”的问题，更想聊聊背后的原因，以及如何搭建一个干净、高效、易于维护的深度学习环境。无论你是刚拿到新机器的学生，还是需要在M1上复现实验的研究者，下面的内容都能帮你少走弯路。

1. 理解M1芯片环境的核心差异：不仅仅是ARM

在Intel Mac上，很多软件包都有预编译的x86_64版本，pip install通常很顺利。但M1/M2芯片采用的是ARM架构（具体是ARMv8.4-A），这带来了根本性的变化。

首先，你需要明确两种运行模式：

• 原生模式 (ARM64)：软件为ARM架构编译，直接在M1芯片上运行，性能最佳，能效比最高。
• 转译模式 (Rosetta 2)：软件为Intel架构编译，通过Rosetta 2动态二进制转译在M1上运行。这会有性能损耗（通常10%-20%），并且可能遇到兼容性问题。

我们的目标很明确：让PyTorch、Transformers及其关键依赖（如Tokenizers）都以原生ARM64模式运行。这不仅是追求速度，更是为了稳定性。很多奇怪的报错，根源就在于混合架构下的兼容性冲突。

提示：你可以打开“终端”（Terminal），输入 arch 命令。如果返回 arm64，说明终端正在原生模式下运行。如果返回 i386，则说明它正通过Rosetta 2运行。为了一致性，建议所有开发都在原生arm64终端中进行。

那么，第一个关键决策来了：包管理工具选哪个？pip 还是 conda？

对于M1环境，我强烈推荐使用 conda，特别是 miniforge 或 mambaforge 发行版。原因如下表所示：

特性	原生 pip (venv)	Miniforge (Conda)	说明
架构支持	主要依赖上游仓库	专为ARM64优化	Miniforge由Conda-Forge社区维护，提供了大量预编译的ARM64原生包。
依赖解决	相对基础	极其强大	Conda能同时管理Python包和非Python依赖（如编译器、系统库），避免“DLL Hell”。
环境隔离	良好	优秀	Conda环境是彻底隔离的，包括Python解释器本身，非常适合管理多个项目不同版本的需求。
安装速度	快（如果轮子存在）	快（预编译轮子）	两者在预编译包的情况下都很快，但Conda在解决复杂依赖时更稳健。

简单说，conda（尤其是conda-forge频道）为你屏蔽了大量底层架构的复杂性。接下来，我们就从安装conda开始。

2. 基石搭建：安装Miniforge与创建专属环境

别再用Anaconda官方的Intel版本了。我们直接从Miniforge开始。

步骤1：下载并安装Miniforge 打开原生的ARM64终端（确保arch命令输出arm64），执行以下命令下载安装脚本并运行：

# 下载Miniforge3安装脚本（通常选择最新版）
curl -L -O "https://github.com/conda-forge/miniforge/releases/latest/download/Miniforge3-MacOSX-arm64.sh"

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

安装过程中，按照提示操作即可。建议将Conda初始化到你的shell（如zsh）中，这样每次打开终端环境都会自动激活。

安装完成后，关闭并重新打开终端，输入 conda --version 验证安装。同时，用 conda info 命令检查，你应该能看到 platform : osx-arm64，这确认了你的Conda是原生ARM64版本。

步骤2：为PyTorch项目创建独立环境 永远不要在base环境里直接安装项目依赖。创建一个独立的环境是专业开发的第一步。

# 创建一个名为‘pt_transformers’的新环境，并指定Python版本（推荐3.9或3.10）
conda create -n pt_transformers python=3.10 -y

# 激活环境
conda activate pt_transformers

现在，你的命令行提示符前应该会出现 (pt_transformers)，表示你正在这个独立的环境中工作。所有后续的安装操作都请确保在此环境下进行。

3. 安装PyTorch：获取原生ARM64版本的正确姿势

这是最关键的一步。PyTorch官方从v1.12开始就提供了对Apple Silicon GPU（MPS后端）的稳定支持。我们必须从官方渠道获取正确的安装命令。

不要直接使用 pip install torch！ 这很可能会下载到转译的x86版本。

正确的方法是访问 PyTorch官网，在配置选择器中进行如下选择：

• PyTorch Build: Stable (1.13.1)
• Your OS: Mac
• Package: Conda (或者Pip也可以，但Conda更省心)
• Language: Python
• Compute Platform: MPS (这代表Metal Performance Shaders，即Apple Silicon GPU支持)

选择后，网站会给出对应的安装命令。以Conda为例，命令通常类似于：

conda install pytorch torchvision torchaudio -c pytorch

但请注意，为了确保所有依赖都来自兼容性最好的conda-forge，我通常采用以下“混合”命令，它优先从conda-forge获取依赖，核心包从PyTorch官方频道获取：

conda install pytorch torchvision torchaudio -c pytorch -c conda-forge

安装完成后，进行验证。创建一个Python交互窗口来测试PyTorch是否正常工作，并且是否支持MPS后端：

import torch
print(f"PyTorch版本: {torch.__version__}")
print(f"是否可用MPS (Apple Silicon GPU): {torch.backends.mps.is_available()}")
print(f"当前设备: {torch.device('mps')}")

如果一切顺利，你会看到MPS可用，并且设备显示为mps。这意味着你的PyTorch已经成功以原生ARM64模式安装，并且可以调用GPU进行加速。

4. 攻克核心难点：Transformers与Tokenizers的顺畅安装

现在来到最容易出问题的环节。transformers库本身不复杂，但它重度依赖 tokenizers 这个库，而 tokenizers 是一个用 Rust 编写的高性能组件。在安装时，pip 会尝试从源码编译 tokenizers，这就需要本机有可用的Rust编译工具链。如果缺少，就会报出令人困惑的错误。

解决方案不是绕过，而是正面解决：安装Rust。

同样，我们需要ARM64原生的Rust。最推荐的方式是使用 rustup 这个Rust版本管理工具。

在你的 pt_transformers Conda环境下，执行：

# 下载并安装rustup
curl --proto '=https' --tlsv1.2 -sSf https://sh.rustup.rs | sh

安装过程中，选择默认选项（1）即可。安装完成后，按照提示执行source命令或重启终端，以使Cargo（Rust的包管理器）和Rust编译器生效。

验证Rust安装：

rustc --version
cargo --version

有了Rust之后，安装 tokenizers 和 transformers 就变得轻而易举。我们继续使用 conda-forge 频道，因为它提供了预编译好的包，无需再从源码编译，速度更快也更稳定。

# 安装tokenizers和transformers
conda install tokenizers transformers -c conda-forge -y

如果你想安装Hugging Face生态的其他工具，比如 datasets 库，也可以一并安装，它依赖 pyarrow：

conda install pyarrow datasets -c conda-forge -y

至此，核心环境已经搭建完毕。让我们进行一个经典的“情感分析”测试，来验证整个流水线是否通畅：

from transformers import pipeline

# 创建一个情感分析管道
classifier = pipeline('sentiment-analysis')

# 分析一句话
result = classifier("I'm really impressed with how smooth the setup process is now!")
print(result)

如果输出类似 [{'label': 'POSITIVE', 'score': 0.9998...}]，那么恭喜你，从PyTorch到Transformers的整个环境已经完美运行在M1芯片之上了。

5. 进阶配置与效能调优

环境能跑起来只是第一步，如何让它跑得更快、更稳，才是体现经验的地方。

利用MPS GPU加速 在PyTorch代码中，记得将你的模型和数据显式地移动到MPS设备上，才能享受GPU加速。

import torch
from transformers import AutoModelForSequenceClassification

device = torch.device("mps" if torch.backends.mps.is_available() else "cpu")
model = AutoModelForSequenceClassification.from_pretrained("bert-base-uncased").to(device)

# 你的数据也需要移动到device上
# input_ids = input_ids.to(device)
# attention_mask = attention_mask.to(device)

管理环境与依赖 随着项目进行，你可能会安装更多包。建议定期使用 conda list 查看环境中的包，并使用 conda env export > environment.yml 导出环境的精确配置。这样可以在其他机器上通过 conda env create -f environment.yml 一键复现完全相同环境。

遇到编译问题怎么办？ 如果未来某个包需要从源码编译，确保你的环境中安装了基础编译工具：

conda install clang_osx-arm64 clangxx_osx-arm64 -c conda-forge -y

这个命令会安装ARM64版本的原生Clang编译器，避免使用系统自带的Xcode工具链可能带来的架构混淆。

最后，分享一个我自己的习惯：我会为不同类型的项目创建不同的Conda环境，比如 nlp_pt、cv_pt、stable_diffusion 等。环境名尽量见名知义，并且每个环境的environment.yml文件都会保存在项目根目录。这样，即使半年后回过头来看这个项目，也能在几分钟内完全恢复当时的开发环境，避免“在我机器上是好的”这类问题。M1芯片的强大性能值得一个同样清晰、健壮的环境来匹配，花一点时间做好这些基础设置，后续的开发效率会成倍提升。