Mac M1芯片上TensorFlow运行异常及安装疑问求助

问题1：为何tensorflow会被自动安装？ #

• 你的tf.yml文件里大概率包含了依赖标准tensorflow的包，比如部分数据科学工具库，conda解析依赖关系时会自动拉取它作为依赖项。
• 另一种可能是你在yml里指定的包（非Apple Silicon适配版本）间接依赖了通用版tensorflow，导致conda自动完成安装。

问题2：这是否是测试脚本运行失败的原因？ #

• 是的，这几乎就是问题根源。标准tensorflow没有针对M1的ARM64架构做优化，和M1环境里的底层库（比如libprotobuf）版本不兼容，直接引发致命错误。

问题3：该问题的解决方案是什么？ #

1. 重建适配M1的专属环境
   • 删除当前有问题的环境：conda remove --name your_env_name --all
   • 重新编写tf.yml，明确指定Apple Silicon专属包：

     name: tf-m1
     channels:
       - conda-forge
       - defaults
     dependencies:
       - python=3.10  # 推荐3.9-3.11区间，适配最新tensorflow-macos
       - tensorflow-macos>=2.15
       - tensorflow-metal>=0.11
       - numpy
       - pandas
       # 按需添加其他依赖包
     

   • 用Miniforge创建环境：conda env create -f tf.yml
2. 验证环境正确性
   • 激活环境：conda activate tf-m1
   • 执行conda list，确认只安装了tensorflow-macos和tensorflow-metal，没有标准tensorflow包
3. 修复libprotobuf冲突（如果仍报错）
   • 手动安装兼容版本：conda install libprotobuf=3.20.3，这个版本和tensorflow-macos 2.16.x完全适配
4. 测试运行
   • 跑个简单脚本验证：

     import tensorflow as tf
     print(tf.__version__)
     print(tf.config.list_physical_devices('GPU'))
     

问题4：Miniforge为何至关重要？使用Conda并指定conda-forge通道是否能达到同样效果？ #

• Miniforge的核心作用：它是专为ARM64架构（M1/M2系列）打造的conda发行版，默认绑定conda-forge通道，直接提供原生ARM64包，不需要通过Rosetta模拟x86环境，从根源减少架构不兼容问题，而且体积更轻量化。
• 标准Conda+conda-forge的效果：如果你安装的是ARM64版本的标准Conda（现在Anaconda官方也推出了ARM版），指定conda-forge通道可以达到类似效果，但需要手动确保所有依赖都是ARM64原生包。相比之下，Miniforge的默认配置更省心，不会混入x86包，适配M1的成功率更高。

内容的提问来源于stack exchange，提问作者user37292