苹果m1显卡怎么样（有人又拿苹果M1去挑战英伟达V100了）

苹果m1显卡怎么样（有人又拿苹果M1去挑战英伟达V100了）测评方法注意：本文中的图均为交互图，可以根据文末的参考链接查找原图。Nvidia V100 则是专业的 AI 训练卡，单精度浮点性能达到 15 TFLOPS，双精度浮点 7.5 TFLOPS，显存带宽 900GB/s，售价高达五位数。当然，你可以选择在 Colab 上租用。评测者是「Weights and Biases」公司的联合创始人 Chris Van Pelt。Weights and Biases 简称 W&B，是一家致力于机器学习工具开发的公司。为了进行这次测试，作者设计了 8 种不同的训练设置。结果显示，对于较小的架构和数据集，苹果 M1 的性能与 Nvidia V100 的差距并没有想象中那么大，而且在能效等方面表现要更为出色。

有工程师用 M1 版 Mac Mini 训练小架构深度学习模型，结果好像还可以。

众所周知，大多数 Mac 产品都是生产力工具，你甚至可以用它们训练神经网络。去年 11 月推出的，搭载 M1 芯片的 Mac 更是将这种生产力水平提到了一个新的高度。

那么，如果拎出来和专业的比一下，M1 版的 Mac 在训练模型方面是个什么水平？为了解答这个疑问，最近有人将 M1 版的 Mac Mini 与 Nvidia V100 放到一起比了一下。

M1 版 Mac Mini 的售价最低是 5000 元左右。此前，国外知名硬件评测网站 anandtech 发布了对这款产品的详细测试，结果显示，在 CPU 性能测试中，M1 版 Mac Mini 的单线程和多线程都很优秀。在 GPU 性能测试中，它在多个基准测试中超越了之前的 Mac 系列产品，在某些情况下还能超越独显产品。

Nvidia V100 则是专业的 AI 训练卡，单精度浮点性能达到 15 TFLOPS，双精度浮点 7.5 TFLOPS，显存带宽 900GB/s，售价高达五位数。当然，你可以选择在 Colab 上租用。

评测者是「Weights and Biases」公司的联合创始人 Chris Van Pelt。Weights and Biases 简称 W&B，是一家致力于机器学习工具开发的公司。

为了进行这次测试，作者设计了 8 种不同的训练设置。结果显示，对于较小的架构和数据集，苹果 M1 的性能与 Nvidia V100 的差距并没有想象中那么大，而且在能效等方面表现要更为出色。

注意：本文中的图均为交互图，可以根据文末的参考链接查找原图。

测评方法

在测评中，作者用 Cifar 10 数据集训练了一个 MobileNetV2 架构的计算机视觉模型。V 100 的测评是在 colab 上进行的，16GB M1 Mac Mini 的训练所用框架来自苹果的 Tensorflow_macos 库。他们使用 W&B Sweeps（一款超参数搜索和模型优化工具）来设置以下超参数：

当「trainable」为「false」时，他们只训练网络中的最后一层。当「trainable」为「true」时，他们会更新 MobileNetV2 中的所有权重。

可以看到，当要训练的权重减少时，M1 的性能提升更为明显，这可能是因为 M1 的内存架构比较好。

能耗

本次测评所使用的 M1 Mac Mini 是 16GB 版本。在测试期间，作者表示没有听到风扇的声音，机箱也很凉。值得注意的是，要达到相同的计算量，M1 的能耗要小得多。不过两款芯片不是一个年代的产品：M1 是 5nm 制程的，2017 年推出的 V100 采用 12nm，虽然存在制程上的差距，但即使考虑到这点，后者的能耗也非常惊人，几乎达到了前者的 6 倍。

说明

设置 Mac Mini 来运行新的加速 Tensorflow 包并不容易。作者发现，获得各种需要编译的包最简单的方法是从 Miniconda 的 arm64 分支（https://conda-forge.org/blog/posts/2020-10-29-macos-arm64/）。默认情况下，这个 TensorFlow 库应该选择最佳加速路径，但作者却发现了一些段错误，除非利用以下代码明确告诉这个库使用 GPU。

from tensorflow.python.compiler.mlcompute import mlcompute mlcompute.set_mlc_device(device_name="gpu")

作者表示，他选择 MobileNetV2 是为了迭代更快。当尝试 ResNet50 或其他更大的模型时，M1 和 V100 的差距逐渐拉大。当输入大于 196x196 维时，他在 M1 上也经历了段错误。

总的来说，这些入门级的 Mac 还只适合较小的架构。

在训练过程中，作者还观察到，在只训练网络最后一层时，M1 上的模型没有收敛，而 V100 上就不会出现这种情况。在进一步的实验中，作者通过降低学习率解决了这个问题。但是，目前仍不清楚 M1 Mac Mini 为何对学习率如此敏感。

M1 Mac Mini 的情况。

Nvidia V100 的情况。

结论

目前，苹果自研的 M 系列芯片还处在早期阶段，但初步评测看起来很有希望。当苹果发布拥有更多内核和 RAM 的 Pro 系列产品时，在苹果设备上训练机器学习模型会变得更加日常。

既然不少程序员都在使用 MacBook 写代码，那么在未来用苹果来跑深度学习是不是也应该变得流行起来呢？希望这是一个好的开始。

参考链接：https://wandb.ai/vanpelt/m1-benchmark/reports/Can-Apple-s-M1-help-you-train-models-faster-cheaper-than-NVIDIA-s-V100---VmlldzozNTkyMzg