保姆级教程：在Mac M1/M2芯片上手动安装PyTorch全家桶（附版本对照表）

深度适配M1/M2芯片：PyTorch全家桶手动安装与版本管理完全指南

苹果M系列芯片的问世彻底改变了移动计算的性能边界，但对于深度学习开发者而言，从Intel架构迁移到arm64架构并非无缝衔接。许多开发者发现，直接通过pip install torch安装的PyTorch实际上是x86版本，不仅无法发挥M1/M2芯片的神经网络引擎优势，甚至会导致程序崩溃。本文将彻底解决这个痛点，带你完成从原理认知到完美部署的全过程。

1. 为什么M系列芯片需要特殊安装方式？

当你在终端输入pip install torch时，pip默认会从PyTorch官方源下载x86_64架构的预编译包。这是因为PyTorch官方维护的主要二进制版本仍以x86架构为主流。虽然通过Rosetta 2转译可以勉强运行，但会带来两个致命问题：

1. 性能损失：转译过程会导致30-40%的计算性能损耗，完全抵消了M系列芯片的能效优势
2. 功能缺失：无法调用苹果的Metal Performance Shaders（MPS）后端，这是专为arm64架构优化的神经网络加速引擎

验证当前安装是否正确的方法：

import torch print(torch.__version__) # 查看版本 print(torch.backends.mps.is_available()) # 检查MPS支持

如果第二行输出为False，说明你安装的是x86版本。正确的arm64版本应该显示类似1.13.0的版本号和True的MPS可用状态。

2. 手动安装PyTorch核心组件

2.1 准备工作：创建专属虚拟环境

强烈建议使用conda创建独立环境，避免与系统Python产生冲突：

conda create -n torch-arm python=3.9 -y conda activate torch-arm

提示：Miniforge是专为M系列芯片优化的conda发行版，比Anaconda有更好的arm64支持

2.2 分步安装PyTorch组件

PyTorch本体安装：

1. 访问PyPI的torch页面：https://pypi.org/project/torch/#files
2. 查找包含aarch64或arm64的whl文件（如torch-2.0.1-cp39-cp39-macosx_11_0_arm64.whl）
3. 下载后执行：

pip install torch-2.0.1-cp39-cp39-macosx_11_0_arm64.whl

torchvision安装： 必须选择与PyTorch版本严格匹配的torchvision：

1. 确认PyTorch版本：python -c "import torch; print(torch.__version__)"
2. 根据下方版本对照表选择对应的torchvision版本
3. 从https://pypi.org/project/torchvision/下载arm64版本
4. 安装命令示例：

pip install torchvision-0.15.2-cp39-cp39-macosx_11_0_arm64.whl

3. 关键组件版本对照表

以下是经过验证的稳定版本组合（2023年最新）：

重要提示：上表仅包含macOS arm64官方构建版本，Linux arm64版本可能有差异

4. 验证安装与性能调优

4.1 基础功能验证

创建test.py文件：

import torch print(f"PyTorch版本: {torch.__version__}") print(f"MPS可用: {torch.backends.mps.is_available()}") print(f"MPS设备: {torch.backends.mps.is_built()}") # 简单张量计算测试 x = torch.rand(1000, 1000, device='mps') y = torch.rand(1000, 1000, device='mps') z = x @ y print(f"计算完成: {z.shape}")

预期输出应显示版本号、MPS可用状态以及成功完成矩阵乘法。

4.2 性能优化技巧

1. 启用MPS后端：

device = torch.device("mps" if torch.backends.mps.is_available() else "cpu") model = YourModel().to(device)

2. 批量处理优化：

# 不推荐 for data in dataset: data = data.to('mps') # 推荐 batch = torch.stack(dataset).to('mps')

3. 内存管理：

torch.mps.empty_cache() # 手动释放缓存，类似CUDA的empty_cache

5. 常见问题与解决方案

问题1：安装时出现"not a supported wheel on this platform"

• 原因：Python版本与whl文件不匹配
• 解决：检查Python版本与whl文件中的cpXX标记（如cp39对应Python 3.9）

问题2：运行时出现"Unknown builtin op: torchvision::nms"

• 原因：torchvision版本不匹配
• 解决：根据版本对照表重新安装对应版本

问题3：MPS设备显示不可用

• 检查步骤：
  1. 确认macOS版本≥12.3
  2. 确认安装的是arm64版本
  3. 尝试重启Python内核

性能对比数据（ResNet50推理，M1 Max vs x86转译）：

6. 高级应用：自定义编译与性能剖析

对于需要极致性能的开发者，可以考虑从源码编译PyTorch：

编译准备：

git clone --recursive https://github.com/pytorch/pytorch cd pytorch export CMAKE_PREFIX_PATH=${CONDA_PREFIX:-"$(dirname $(which conda))/../"} MACOSX_DEPLOYMENT_TARGET=12.0 python setup.py install

性能剖析工具：

with torch.profiler.profile( activities=[torch.profiler.ProfilerActivity.CPU, torch.profiler.ProfilerActivity.MPS]) as prof: # 你的代码 print(prof.key_averages().table(sort_by="mps_time_total"))

这个工具可以清晰显示每个操作在MPS上的执行时间，帮助定位性能瓶颈。