Mac（M1）上VS Code中使用GPU的入门方法咨询

关键前提：M1不支持CUDA #

你的M1 MacBook Pro没有NVIDIA GPU，所以torch.cuda.is_available()返回False是完全正常的。PyTorch对苹果自研芯片的GPU加速是通过Metal Performance Shaders (MPS) 实现的，要改用torch.backends.mps.is_available()来检测加速是否可用。

步骤1：确认PyTorch版本支持MPS #

MPS支持从PyTorch 1.12版本开始提供，先检查你的版本：
在VS Code的Jupyter单元格中运行：

import torch
print(torch.__version__)
print(torch.backends.mps.is_available())

如果版本低于1.12或is_available()返回False，需要重新安装PyTorch。

步骤2：重新安装支持MPS的PyTorch #

打开终端，根据你的包管理器选择命令：

• Conda（推荐，环境隔离更稳定）：

  conda install pytorch torchvision torchaudio -c pytorch-nightly
  

• Pip：

  pip3 install --pre torch torchvision torchaudio --extra-index-url https://download.pytorch.org/whl/nightly/cpu
  

注意：M1的PyTorch包标注为cpu后缀，但实际包含MPS加速支持，这是苹果芯片的特殊处理方式。

步骤3：在VS Code Jupyter中配置MPS加速 #

1. 设置默认设备：
   在Notebook开头添加代码，自动优先使用MPS设备：

import torch
device = torch.device("mps" if torch.backends.mps.is_available() else "cpu")

2. 迁移模型和数据到MPS设备：
   训练或推理时，必须把模型和张量都转到MPS上才能利用GPU加速，示例代码：

# 加载模型并移到MPS
model = YourCustomModel().to(device)
# 输入数据移到MPS
inputs = torch.randn(32, 3, 224, 224).to(device)
# 执行前向传播
outputs = model(inputs)

步骤4：验证加速是否生效 #

1. 运行性能测试：
   执行以下矩阵乘法代码，对比CPU运行速度，MPS版本会明显更快：

import torch
device = torch.device("mps")
# 创建大张量
a = torch.randn(10000, 10000, device=device)
b = torch.randn(10000, 10000, device=device)
# 执行运算
c = torch.matmul(a, b)
print(f"运算完成，结果形状：{c.shape}")

2. 查看GPU利用率：
   打开Mac的「活动监视器」，切换到「GPU」标签，运行上述代码时可以看到GPU占用率上升，证明加速正在工作。

步骤5：VS Code环境优化 #

• 确保Jupyter使用正确的Python环境：点击VS Code左下角的Python环境选择器，选中你安装了MPS版PyTorch的环境（conda或venv）。
• 关闭冗余扩展：暂时禁用不需要的VS Code扩展，减少系统资源占用，提升加速效率。

内容的提问来源于stack exchange，提问作者Semayuki