1. 安装torch
在官网上可以查看安装教程，Start Locally | PyTorch
作者安装了目前最新的torch版本2.5.1，需要提前安装python3.9及以上版本，作者python版本是python3.11最新版本
使用conda安装torch，在终端进入要安装的环境，执行如下命令即可，值得一提的是，安装torch的前提条件是需要事先安装对应版本的python，以及annoconda
bash
conda install pytorch torchvision -c pytorch执行完如上命令后就会出现如下画面，需要等待几分钟，直到安装完毕
2. 安装MPS
使用conda安装mps
bash
conda install torch torchvision torchaudio
3 安装是否成功测试
python
import torch
# 查看 torch安装是否成功 并查看其版本
print(torch.__version__)
# 查看 mps是否安装成功 是否可用
print(torch.backends.mps.is_available())
# 检查 GPU 是否可用
print(torch.cuda.is_available()) # 对于 MPS，返回 False 是正常的
print(torch.backends.mps.is_available()) # 应该返回 True
# 获取 MPS 设备
mps_device = torch.device("mps")
print(mps_device) # 输出 "mps"执行如上代码，能够成功打印出torch版本，证明第一章节的torch安装成功，如果能打印出True证明MPS可用，至于其中的一个False是cuda是否可用，因为作者是Mac电脑，没有安装显卡所以并无法安装cuda加速，固然为false
4 加速对比
总的来说，模型越复杂，其MPS加速越明显，如果模型太简单，只需要几秒钟就能跑完的话，MPS加速反而不如CPU，因为MPS要有一些准备工作，把数据放入图显核心里去，如果算法太简单或者数据量太少，结果运行加速节约的时间还不如数据准备的时间长，看起来就会觉得MPS反而需要更多时间来运行。
如下是作者的测试代码
python
import torch
import torch.nn as nn
import torch.optim as optim
import time
# 设置训练参数
input_size = 4096 # 输入特征数
hidden_size = 1024 # 隐藏层神经元数
output_size = 10 # 输出类别数（例如 10 类）
num_epochs = 50 # 训练轮数
batch_size = 64 # 批量大小
learning_rate = 0.01 # 学习率
# 定义一个简单的全连接神经网络
class SimpleNN(nn.Module):
def __init__(self, input_size, hidden_size, output_size):
super(SimpleNN, self).__init__()
self.fc1 = nn.Linear(input_size, hidden_size)
self.relu = nn.ReLU()
self.fc2 = nn.Linear(hidden_size, output_size)
def forward(self, x):
x = self.fc1(x)
x = self.relu(x)
x = self.fc2(x)
return x
# 函数：训练模型并记录训练时间
def train_model(device, num_epochs):
# 创建数据集
num_samples = 100000 # 数据集样本数量
x_train = torch.randn(num_samples, input_size).to(device)
y_train = torch.randint(0, output_size, (num_samples,)).to(device)
# 模型、损失函数和优化器
model = SimpleNN(input_size, hidden_size, output_size).to(device)
criterion = nn.CrossEntropyLoss()
optimizer = optim.SGD(model.parameters(), lr=learning_rate)
# 开始计时
start_time = time.time()
# 训练循环
for epoch in range(num_epochs):
for i in range(0, num_samples, batch_size):
# 获取当前批量数据
inputs = x_train[i:i+batch_size]
labels = y_train[i:i+batch_size]
# 前向传播
outputs = model(inputs)
loss = criterion(outputs, labels)
# 反向传播和优化
optimizer.zero_grad()
loss.backward()
optimizer.step()
# 结束计时
end_time = time.time()
# 返回训练时间
return end_time - start_time
# 主程序
if __name__ == "__main__":
# 设备列表
devices = {
"CPU": torch.device("cpu"),
"MPS": torch.device("mps") if torch.backends.mps.is_available() else None,
}
# 分别测试 CPU 和 MPS
results = {}
for device_name, device in devices.items():
if device is None:
print(f"\nSkipping {device_name} as it is not available.")
continue
print(f"\nTraining on {device_name}...")
training_time = train_model(device, num_epochs)
results[device_name] = training_time
print(f"Training time on {device_name}: {training_time:.2f} seconds")
# 打印对比结果
print("\n--- Training Time Comparison ---")
for device_name, time_taken in results.items():
print(f"{device_name}: {time_taken:.2f} seconds")本人运行的机器是Mac Mini M2（8+10）16G+1T ，
3.1 CPU和GPU占用
在使用CPU运行时， 明显看到8核心的CPU，程序几乎占用了4核心一半，GPU没有使用
在使用MPS运行时，CPU占比下降到较低水平，开始启用GPU运行，10核心的图显也仅仅使用了1颗，感觉加速不是特别明显
3.2 温度对比
使用CPU运行时，常年保持40度以下的CPU温度也飙升到了65度左右，及时如此也仅是window电脑静默状态的温度了
使用MPS运行时，温度稍有回落，在50度左右
3.3 运行时间
如图所示，MPS加速仅仅比CPU花费时间减少一半左右，说实话不是特别满意，和cuda的加速还是有一定差距
