〔程式教學〕PyTorch 支援 Apple Silicon GPU (Mac M1)
前言
在 2022 年 5 月18 日的這一天，PyTorch 在 Official Blog 中宣布：在 PyTorch 1.12 版本中將可以使用 Apple Silicon 中的 GPU，也就是說如果你的 MacBook Air 或 MacBook Pro 的處理器是使用 M1 晶片而非 Intel 晶片，那麼你利用 PyTorch 框架所建立的 Neural Network，將可以使用 GPU 進行訓練 (過去只有 TensorFlow 可以)！
在本篇文章中，我們介紹如何安裝支援 M1 GPU 的 PyTorch，並透過一個簡單的分類問題，來測試 CPU 與 GPU 的效能。
確認 MacOS 版本
在安裝 PyTorch 之前，必須先確保 MacOS 版本大於或等於 12.3，因為最新版的 PyTorch 底層使用 Apple’s Metal Performance Shaders (MPS) 。
打開 Terminal 並輸入以下指令，查看自己的 MacOS 版本：
sw_vers
安裝 Miniconda
在進行 Python 程式的開發時，不同專案需要不同的套件，比較好的做法是替每一個專案建立一個虛擬環境，讓專案與專案之間的套件彼此不受影響。
在 Python 中，管理套件的輔助工具有很多種，我們選擇使用 Anaconda 來管理我們的套件。但是在 Anaconda 中包含太多其他的工具，我們選擇安裝簡化版的 Anaconda —— Miniconda。
Miniconda 在許多作業系統中都可以使用，我們要安裝支援 MacOS M1 的版本，也就是 Miniconda3 macOS Apple M1 ARM 64-bit bash。
下載完成之後，開啟 Terminal 找到這個 script 檔案：
透過 chmod 確保這個檔案能夠被執行：
sudo chmod +x Miniconda3-py38_4.12.0-MacOSX-arm64.sh
接著，執行這個 script：
./Miniconda3-py38_4.12.0-MacOSX-arm64.sh
跟著指令操作完成 Miniconda 的安裝。
建立 PyTorch 虛擬環境
一樣打開 Terminal，建立一個名為「pytorch-m1」的虛擬環境，並指定 Python 版本為 3.8。
conda create --name pytorch-m1 python=3.8
接著，啟用這個虛擬環境：
conda activate pytorch-m1
透過 pip 安裝所需要的套件：
pip3 install --pre torch torchvision --extra-index-url https://download.pytorch.org/whl/nightly/cpu
等待大約 1 分鐘完成所有套件的安裝後，就大功告成囉！
在 PyTorch 中使用 M1 GPU
過去我們在 PyTorch 中如果要使用 Nvidia 的 GPU 時，可以透過：
device = torch.device("cuda")
如果要使用 M1 GPU 只需要將 cuda 改為 mps，剩下的操作都和原本是一樣的 (將 Tensor 與 Model 移動到 Device 上)：
device = torch.device("mps")
M1 CPU vs M1 GPU (1)
接著，我透過一個簡單的分類問題 —— MNIST Digit Classification，來比較使用 MacBook Air 2020 上 M1 CPU 與 M1 GPU 所需要的訓練時間。
我使用 GitHub 上 pytorch/examples 所提供的程式碼，分別使用 CPU 與 GPU 對模型進行訓練。皆訓練 5 個 Epochs 且 Batch Size 設為 64。
下圖為兩者的時間差異：
M1 CPU 一個 Epoch 大約花了 28.96 秒，M1 GPU 一個 Epoch 約花了 18.26 秒，時間上減少了 36.95%。
M1 CPU vs M1 GPU (2)
上面透過一個很簡單的模型與資料集來比較 CPU 與 GPU 的效能，sebastianraschka 在其部落格上還比較了不同硬體裝置使用 CIFAR-10 資料集訓練 VGG16 模型的效能：
若單純比較 M1 Pro CPU 與 M1 Pro GPU 可以發現 GPU 的時間比 CPU 減少了 44.54%！
結語
本文說明如何在 PyTorch 中使用 M1 GPU，並比較 M1 CPU 與 M1 GPU 的效能差異。然而，儘管 PyTorch 可以支援 M1 GPU，但是使用筆電 (MacBook Air 或 MacBook Pro) 作為訓練神經網路的主要裝置，仍然是個不切實際的想法！畢竟訓練大型的神經網路，所需要的訓練時間更長，將會使得筆電長時間過熱，而造成壽命減短。
👣 👣 👣 我喜歡撰寫程式開發、資料科學領域相關的文章，希望可以透過簡單的文字解釋複雜的觀念！如果你也有興趣可以到我的其他平台逛逛哦！
👉🏻 DataSci Ocean
👉🏻 YouTube
👉🏻 Instagram