M系列芯片上TensorFlow默认仅用CPU，需同时满足macOS≥12.3、安装匹配版本的tensorflow-macos与tensorflow-metal、启用GPU内存增长，并避免PyTorch MPS兼容性陷阱。
默认安装的 tensorflow 在 M 系列芯片上根本不会用 GPU，全程跑 CPU —— 这就是速度慢的唯一原因。
macOS 版本和 Metal 支持必须同时达标
TensorFlow 的 Metal 后端不是“装了就用”，它依赖系统级 Metal 3 API 和内核驱动。低于 macOS 12.3 的系统（比如 Monterey 12.2 或更早）即使装了插件，tf.config.list_physical_devices('GPU') 也永远返回空列表。
- 运行
sw_vers -productVersion确认输出 ≥12.3；推荐直接升到 Sonoma 14.x 或 Sequoia 15.x，Metal 兼容性和稳定性提升明显 - 验证 Metal Python 绑定是否可用：
python -c "import Metal; print('OK')"，报ModuleNotFoundError就说明系统没提供该模块，必须升级系统 - 不要试图在虚拟机或 Rosetta 2 下启用 Metal 加速——MPS/GPU 设备识别会直接失败
必须分两步安装 tensorflow-macos + tensorflow-metal
tensorflow-macos 是专为 Apple Silicon 编译的主框架，但它本身不含 GPU 支持；tensorflow-metal 是独立插件，负责把算子翻译成 Metal 指令。二者版本强绑定，错一个就白装。
- 先创建干净环境：
mamba create -n tf218 python=3.11（mamba比conda解析依赖更快，且对 arm64 更友好） - 再严格按顺序执行：
pip install tensorflow-macos==2.18.0→pip install tensorflow-metal==1.1.0 - 切勿混用
pip install tensorflow（这是 x86_64 CPU 版）或tensorflow-cpu（无 MPS 支持） - 如果公司内网无法访问 PyPI，需提前下载 wheel 包：从 PyPI 页面 手动下载
tensorflow_macos-2.18.0-cp311-cp311-macosx_12_0_arm64.whl和对应tensorflow_metal包
代码里必须显式启用 GPU 并设内存增长
即使设备已识别，TensorFlow 默认仍可能因内存策略限制而 fallback 到 CPU。常见表现是训练开始几轮很快，之后突然卡住或报 OOM。
提示词大师-python版
下载
图片提示词生成器？不止如此。 马甲系统 —— 把脑海中的画面，翻译成AI能理解的专业表达。 用得越多，它越懂你：首次需要多问几句确认方向，用久了几乎一说就懂。 用得越多，它越快：缓存机制让后续对话越来越省。 RAG进化：成功案例持续入库，越跑越聪明。 输入「新手指南」查看完整功能介绍
立即学习“Python免费学习笔记（深入）”；
- 在导入
tensorflow后立即加这段初始化代码：
import tensorflow as tf
gpus = tf.config.list_physical_devices('GPU')
if gpus:
try:
for gpu in gpus:
tf.config.experimental.set_memory_growth(gpu, True)
print("GPU memory growth enabled")
except RuntimeError as e:
print(e)
- 检查是否生效：
print(tf.config.list_logical_devices('GPU'))应输出类似[LogicalDevice(name='/device:GPU:0', device_type='GPU')] - 别信
tf.test.is_gpu_available()—— 这个函数在 macOS 上早已弃用且恒返回False，以list_physical_devices('GPU')为准
PyTorch 用户注意：MPS 不是 CUDA 的平替
如果你顺手想把 PyTorch 代码迁过来做对比，torch.device('mps') 表面行为接近 cuda，但实际限制多得多：
- 不支持
torch.float64，必须用float32或bfloat16 - 某些算子（如
torch.nn.MultiheadAttention中部分配置）尚未实现，会自动 fallback 到 CPU，悄无声息拖慢整体速度 - 数据加载瓶颈更突出：
torch.utils.data.DataLoader的num_workers > 0在 MPS 下常触发死锁，建议设为0或改用torch.multiprocessing手动管理 - 验证时别只看
torch.backends.mps.is_available()，要实测张量运算：x = torch.randn(1000, 1000, device='mps'); y = x @ x，能跑通才算真可用
最易被忽略的一点：Metal 插件只加速计算密集型操作，如果模型里大量使用 Python 循环、自定义 NumPy 处理或频繁 host-device 数据搬运，GPU 加速收益会急剧衰减——这时候该优化的不是安装步骤，而是数据流水线本身。
