Miniforge是macOS M3上搭建Python 3.11深度学习环境最可靠的选择,因其原生支持arm64架构,可规避pip安装时的编译失败、ABI不匹配及CUDA兼容问题;它预编译了PyTorch、NumPy等osx-arm64版本,并支持MPS后端与CPU-only模式,确保环境稳定高效。

conda 是你在 macOS M3 上搭建 Python 3.11 深度学习环境最可靠的选择,不是因为它是唯一方案,而是因为 Apple Silicon 的 arm64 架构对包兼容性极其敏感,而 conda(尤其是通过 miniforge)已原生支持 M-series 芯片,能绕过大量 pip 安装时的编译失败、ABI 不匹配或 CUDA 兼容问题。
为什么不用 Homebrew 或系统 Python?
macOS 系统自带的 Python 已被 Apple 弃用,且版本老旧;Homebrew 安装的 Python 默认是 x86_64 架构(即使在 M3 上也常走 Rosetta),会导致后续安装 PyTorch、NumPy 等二进制包时出现 Illegal instruction: 4 或 mach-o, but wrong architecture 错误。你不需要“兼容”,你需要“原生”。
- 不要运行
brew install python—— 它大概率给你一个非arm64的 Python - 不要用
pyenv编译 Python 3.11 —— M3 上编译依赖多、耗时长,且容易因 Xcode 工具链版本错配失败 - MacPorts 虽然支持
arm64,但其科学计算生态更新滞后,PyTorch 官方不提供 MacPorts 包,需手动构建,风险高
用 miniforge 创建 arm64 原生环境
miniforge 是 Miniconda 的 ARM 原生分支,由社区维护,专为 Apple Silicon 和 Linux ARM 设备优化。它预编译了所有主流深度学习库的 osx-arm64 版本,包括 PyTorch、TensorFlow(M系列支持有限)、JAX、NumPy、SciPy 等。
- 下载地址:https://www.php.cn/link/76215e036806b44d61b3ef0e2a66a2b1,找最新版的
Miniforge3-MacOS-arm64.sh - 终端执行:
bash Miniforge3-MacOS-arm64.sh -b -p $HOME/miniforge3 - 初始化 shell:
$HOME/miniforge3/bin/conda init zsh,然后重启终端 - 验证架构:
python -c "import platform; print(platform.machine())"→ 输出必须是arm64
安装 PyTorch:认准 conda-forge + cpu-only 或 mps
M3 芯片没有 NVIDIA GPU,CUDA 不可用;但 Apple 提供了 Metal Performance Shaders(mps)后端,PyTorch 自 2.0 起已支持。不过目前(2026年9月)mps 仍有若干算子未实现,训练大模型仍建议用 CPU 模式做调试,推理可尝试 mps 加速。
Camoufox 是一个基于 Firefox 构建的开源反检测浏览器,为 Python 自动化工作流程提供强大的指纹注入和反机器人检测规避功能。它与 Playwright 集成,以提供能够绕过现代机器人检测系统的隐身浏览能力。
立即学习“Python免费学习笔记(深入)”;
- CPU 版本(最稳):
conda install pytorch torchvision torchaudio cpuonly -c pytorch -c conda-forge - MPS 版本(需确认模型兼容):
conda install pytorch torchvision torchaudio -c pytorch-nightly -c conda-forge(注意:nightly 才含最新 MPS 修复) - 务必避免
pip install torch—— 官方 pip wheel 仅提供x86_64,在 M3 上会静默降级或报ImportError: dlopen(...): no suitable image found - 验证 MPS 是否可用:
import torch; print(torch.backends.mps.is_available())→ 返回True才表示 Metal 后端就绪
关键陷阱:Jupyter、Matplotlib 和 OpenMP 冲突
在 M3 上跑 Jupyter Notebook 时,常见两个隐藏问题:一是 Matplotlib 渲染卡死(因默认 backend 尝试调用旧版 Tk),二是某些 NumPy 运算慢(因 OpenMP 多线程在 Apple Silicon 上调度异常)。
- 修复绘图卡顿:
echo "backend: Agg" > ~/.matplotlib/matplotlibrc(先禁用 GUI backend,确保命令行下也能出图) - 启用 Metal 加速绘图(可选):
conda install -c conda-forge matplotlib-base+conda install -c apple python-matplotlib - 规避 OpenMP 问题:
conda install nomkl(禁用 Intel MKL,改用 OpenBLAS;M3 上 MKL 反而拖慢线性代数运算) - 检查 NumPy 性能:
python -c "import numpy as np; a = np.random.randn(5000,5000); %timeit np.dot(a,a)"—— 若耗时 >10s,说明 BLAS 后端未生效,需重装openblas
M3 上真正的难点不在“装得上”,而在“跑得对”:架构感知、Metal 后端边界、以及那些不报错但悄悄变慢的底层调度问题。每一步都建议用 python -c "import ..." 显式验证,而不是只看安装命令是否返回成功。

















