Mac M1芯片安装miniAnaconda、Jupyter、TensorFlow环境

Anaconda已发布原生支持M1的安装包，可去Anaconda官网下载安装、

电脑环境

Miniforge

Anaconda 无法在 M1 上运行, Miniforge 是用来替代它的。

从 https://github.com/conda-forge/miniforge下载 Miniforge3-MacOSX-arm64。如下图:

回到终端，用ls -a命令检查是否已有.zshrc文件，如果没有，使用命令touch ~/.zshrc建立文件:

在终端执行以下命令，使用刚刚下载的 文件，安装Miniforge:

bash Miniforge3-MacOSX-arm64.sh

重启终端并检查 Python 安装情况:

先配置环境变量

conda安装的Python、Jupyter都在这个目录下/Users/waldo/miniforge3/bin，将它添加进环境变量

步骤:

1. 终端执行: touch ~/.bash_profile
2. 终端执行: open ~/.bash_profile
3. 添加环境变量，如下图:
   
4. 终端执行: source ~/.bash_profile
5. 终端执行: open ~/.zshrc
6. 在首行添加: source ~/.bash_profile，如下图:
   
7. 终端执行: source ~/.bash_profile
8. 终端执行: source ~/.zshrc

给anaconda添加国内镜像源

若在本文以后的配置中，有些地方网速还是慢，开启“全局模式”可解决

1. 查看镜像源: conda config --show channels
2. 添加(两条命令):
conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/free/
conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/main/
3. 再次查看镜像源: conda config --show channels

macOS中PyCharm配置conda环境的方法

我们的目的是在PyCharm使用Anaconda自带的python以及它丰富的第三方库，所以这一步才是最重要的。

选择Python解释器，这一步最为关键，也是最容易出错的。当我们看到上图所示的内容之后，第一反应就是点击 Conda Environment，这是不正确的，也是很多人都会遇到的困惑。正确的选择应该是 System Interpreter。

再按照下图中路径选择python解释器，则可以在pycharm中使用conda的包:

安装JupyterLab、JupyterNotebook

命令

安装jupyter notebook命令：
pip3 install jupyter或者conda install jupyter，按enter等待安装完成
终端输入jupyter notebook，按enter键就会用默认浏览器打开

安装jupyter lab命令：
pip3 install jupyterlab或者conda install jupyterlab
终端输入jupyter lab，按enter键就会用默认浏览器打开

配置JupyterLab的默认工作路径

目的: 自己创建一个文件夹专门放JupyterLab中的文件

创建一个py文件，命令: jupyter notebook --generate-config

打开这个py文件: open /Users/waldo/.jupyter/jupyter_notebook_config.py
找到下图对应位置修改notebook默认工作目录(去掉注释符)，保存:

注意一下，工作目录文件夹要自己先新建好

重新打开后，是空的(处于默认的wpforJupyter文件夹里面)：

安装TensorFlow2.8

Apple Silicon Mac M1 原生支持 TensorFlow 2.8 GPU 加速（tensorflow-metal PluggableDevice）

创建虚拟环境

虚拟环境相当于沙盒，避免不能框架的互相影响，这样甚至可以安装多个不同版本的tensorflow。也方便卸载，直接把虚拟环境删除就行

创建一个 conda 创建虚拟环境，这里使用 python 3.9.7 (TensorFlow 需要)。

创建名为“tf2_8”的虚拟环境:
conda create -n tf2_8 python=3.9.7
激活虚拟环境:
conda activate tf2_8

补充一个知识点，删除上述虚拟环境的命令为:
conda remove -n tf2_8 --all

安装 Tensorflow dependencies(虚拟环境中执行)

首次安装(这里装tf2.8版本)

conda install -c apple tensorflow-deps==2.8.0


注：tensorflow-deps 的版本是基于 TensorFlow 的，因此可以根据自己的需求指定版本安装。如下:
安装指定2.6版本:
conda install -c apple tensorflow-deps==2.6.0
安装指定2.8版本:
conda install -c apple tensorflow-deps==2.8.0

升级安装

如果之前已经安装了 v2.6，想要更新 v2.8 的，可以执行以下命令安装。

# 卸载已安装的 tensorflow-macos 和 tensorflow-metal
python -m pip uninstall tensorflow-macos
python -m pip uninstall tensorflow-metal
# 升级 tensorflow-deps
conda install -c apple tensorflow-deps --force-reinstall
# 后者指向特定的 conda 环境
conda install -c apple tensorflow-deps --force-reinstall -n tf2_8 

安装 Tensorflow(虚拟环境中执行)

python -m pip install tensorflow-macos

注: 若这一步出现报错，执行pip3 install torch，再重新执行上面的命令

安装tensorflow-metal(虚拟环境中执行)

python -m pip install tensorflow-metal

安装必须的包(虚拟环境中执行)

conda install libjpeg 或者 pip3 install libjpeg
conda install -y matplotlib jupyterlab
注意: libjpeg 是 matplotlib 需要依赖的库。

执行以下命令:

pip install -U --force-reinstall charset-normalizer 

jupyter虚拟环境的配置

此时打开jupyter notebook，执行import tensorflow as tf是不成功的，需要如下配置

打开系统终端，执行以下命令:

1. conda activate tf2_8 //注意替换成自己的虚拟环境名

2. conda install ipykernel //安装ipykernel

3. sudo python -m ipykernel install --name tf2_8 //在ipykernel中安装当前环境

4. conda deactivate

打开jupyter，切换kernel:

测试代码

输出Hello,TensorFlow

import tensorflow as tf
import os
os.environ["CUDA_VISIBLE_DEVICES"]="0"
tf.compat.v1.disable_eager_execution()
hello=tf.constant('Hello,TensorFlow')
config=tf.compat.v1.ConfigProto()
config.gpu_options.per_process_gpu_memory_fraction = 0.9
sess=tf.compat.v1.Session(config=config)
print(sess.run(hello))

测试GPU加速功能是否正常

import tensorflow as tf
tf.test.is_gpu_available()

测试GPU性能

from tensorflow.keras import layers
from tensorflow.keras import models
import tensorflow as tf
import time 

begin_time = time.time()

print(f"Running TensorFlow {tf.__version__} with {len(tf.config.list_physical_devices('GPU'))} GPUs recognized")

model = models.Sequential()
model.add(layers.Conv2D(32, (3, 3), activation='relu', input_shape=(28, 28, 1)))
model.add(layers.MaxPooling2D((2, 2)))
model.add(layers.Conv2D(64, (3, 3), activation='relu'))
model.add(layers.MaxPooling2D((2, 2)))
model.add(layers.Conv2D(64, (3, 3), activation='relu'))
model.add(layers.Flatten())
model.add(layers.Dense(64, activation='relu'))
model.add(layers.Dense(10, activation='softmax'))
model.summary()

from tensorflow.keras.datasets import mnist
from tensorflow.keras.utils import to_categorical
(train_images, train_labels), (test_images, test_labels) = mnist.load_data()
train_images = train_images.reshape((60000, 28, 28, 1))
train_images = train_images.astype('float32') / 255
test_images = test_images.reshape((10000, 28, 28, 1))
test_images = test_images.astype('float32') / 255
train_labels = to_categorical(train_labels)
test_labels = to_categorical(test_labels)
model.compile(optimizer='rmsprop',
              loss='categorical_crossentropy',
              metrics=['accuracy'])
model.fit(train_images, train_labels, epochs=5, batch_size=64)
test_loss, test_acc = model.evaluate(test_images, test_labels)
test_acc
end_time = time.time()

print('Total time: {} s'.format(int(end_time-begin_time)))