必须安装 Apple Silicon 专用 PyTorch wheel（含 macosx_12_0_arm64），否则触发 Rosetta 导致 Metal 加速失效；验证需用 torch.backends.mps.is_available()，迁移需显式指定 device="mps" 并统一 dtype=float32。
确认是否已安装 Apple Silicon 版 PyTorch
Mac 上 PyTorch 官方 wheel 不再默认支持 M1/M2；直接 pip install torch 会装 x86_64 版本，运行时触发 Rosetta 翻译，无法启用 Metal 加速，且可能报错 Illegal instruction: 4 或 ModuleNotFoundError: No module named 'torch._C'。
必须使用官方提供的 Apple Silicon 专用预编译包：
- 访问 https://www.php.cn/link/a8edd0eb1714923dd0ad7fcb1ec305de，查找含
macosx_12_0_arm64的 wheel 文件（如torch-2.3.0-cp39-none-macosx_12_0_arm64.whl） - 用
pip install直接安装该 wheel，**不要加--force-reinstall**，否则可能覆盖掉已有的torchvision或torchaudio兼容版本 - 验证安装：运行
python -c "import torch; print(torch.__version__, torch.backends.mps.is_available())"—— 输出应为True（注意：不是torch.cuda.is_available()）
将模型和张量迁移到 MPS 设备
MPS（Metal Performance Shaders）是 PyTorch 在 macOS 上的硬件加速后端，但它的行为与 CUDA 不完全一致：不支持所有算子、不支持双精度（float64）、不支持某些 in-place 操作。
迁移代码需显式指定设备，不能依赖自动检测：
立即学习“Python免费学习笔记（深入）”；
- 创建张量时用
device="mps"：例如x = torch.randn(3, 3, device="mps") - 模型也需调用
.to("mps")：例如model = model.to("mps")，且必须在数据送入前完成 - 务必检查输入张量 dtype：MPS 只接受
float32或int32，torch.float64会静默转成 float32，但可能引发数值不一致；建议统一用torch.float32 - 避免 in-place 操作如
x.add_(y)，改用x = x + y；部分优化器（如Adadelta）在 MPS 下不支持，优先选AdamW或SGD
调试 MPS 不可用或报错的常见原因
torch.backends.mps.is_available() 返回 False 并不总意味着硬件不支持，更可能是环境或版本冲突。
- 检查 Python 是否为 arm64 架构：运行
python -c "import platform; print(platform.machine())"，输出必须是arm64；若为x86_64，说明你正在 Rosetta 终端里运行，需重装 arm64 版 Python（推荐用pyenv或官网下载 dmg） - PyTorch 与 torchvision/torchaudio 版本必须严格匹配：例如
torch==2.3.0要配torchvision==0.18.0（同样带macosx_12_0_arm64标签），混用 x86_64 wheel 会导致ImportError: dlopen(...): no suitable image found - MPS 不支持某些操作，如
torch.fft、torch.nn.functional.interpolate的某些 mode、torch.sort的稳定排序；出错时看 traceback 中是否含NotImplementedError: MPS does not support ... - 内存不足时不会像 CUDA 那样报 OOM，而是直接 crash 或卡死；建议用
torch.mps.empty_cache()手动清理缓存
性能对比与实际使用建议
MPS 在小到中等规模模型（如 ResNet-18、BERT-base 推理）上比 CPU 快 3–5 倍，但目前仍弱于同代 NVIDIA GPU，且训练稳定性不如 CUDA。
- 仅对 batch size ≤ 32、模型参数 ≤ 50M 的场景推荐开启 MPS；大模型训练建议仍用 CPU +
torch.compile（MPS 尚不支持torch.compile） - 推理时可设
with torch.no_grad():+.to("mps")，这是最稳妥的加速路径 - 不要在同一个脚本里混用
cuda和mps判断逻辑；统一用device = "mps" if torch.backends.mps.is_available() else "cpu"，避免条件分支遗漏 - PyTorch 2.2+ 开始支持 MPS 的部分 autograd 功能，但梯度检查（
torch.autograd.gradcheck）仍不可用，单元测试需跳过 MPS 设备
torchvision wheel 是否已发布，且不要跳过 is_available() 检查——它可能在某个 patch 版本里临时失效。 
