如何在MacBook Pro M1上让Keras利用CPU多核训练神经网络

1. 切换到Apple优化的TensorFlow环境 #

M1芯片架构特殊，普通版本TensorFlow对其CPU多核支持不佳，必须使用Apple官方适配的版本：

• 卸载原有TensorFlow：pip uninstall tensorflow -y
• 安装适配版本：

  pip install tensorflow-macos
  pip install tensorflow-metal
  

  注：tensorflow-metal用于GPU加速，即使暂时不用GPU，tensorflow-macos也针对M1 CPU的多核调度做了优化。

2. 手动配置TensorFlow并行线程参数 #

TensorFlow默认线程设置不会最大化利用M1的核心，训练前添加以下代码强制启用多核并行：

import tensorflow as tf

# 获取当前CPU核心数
core_count = tf.config.threading.get_num_interop_threads()

# 设置操作内和操作间的并行线程数为核心总数
tf.config.threading.set_intra_op_parallelism_threads(core_count)
tf.config.threading.set_inter_op_parallelism_threads(core_count)

# 启用XLA编译，优化计算图并行效率
tf.config.optimizer.set_jit(True)

• intra_op_parallelism_threads：控制单个计算操作内部的并行线程数
• inter_op_parallelism_threads：控制多个计算操作之间的并行线程数
• XLA编译会将计算图转换为更高效的机器码，进一步提升多核利用率

3. 优化数据加载的并行性 #

如果数据加载是瓶颈，会导致CPU核心闲置，建议用tf.data.Dataset并配置并行预处理：

# 示例：构建并行化的训练数据集
train_dataset = tf.data.Dataset.from_tensor_slices((x_train, y_train))
train_dataset = train_dataset.shuffle(buffer_size=1024)\
                             .batch(batch_size=32)\
                             .map(
                                 lambda x, y: (your_preprocess_func(x), y),
                                 num_parallel_calls=tf.data.AUTOTUNE
                             )\
                             .prefetch(tf.data.AUTOTUNE)

• num_parallel_calls=tf.data.AUTOTUNE让TensorFlow自动根据CPU负载调整预处理的并行线程数
• prefetch实现数据加载与模型训练的并行，避免CPU等待数据

4. 验证多核利用情况 #

训练开始后，打开Mac的「活动监视器」（Launchpad → 其他 → 活动监视器），切换到「CPU」标签：

• 观察整体CPU使用率，若接近100%则说明多核已被充分利用
• 也可查看单个Python进程的CPU占用，确认是否用到了所有核心

内容的提问来源于stack exchange，提问作者Jacky