2022年Apple M1芯片正确安装TensorFlow的方法是什么

安装环境选择：Conda 还是 Miniforge #

• 2022年5月之前，官方Conda没有推出适配Apple Silicon（arm64）架构的正式版本，Miniforge是当时唯一稳定提供arm64架构Conda包的发行版，因此早于该时间点发布的教程普遍推荐使用Miniforge。
• 目前官方Conda已经原生支持M1系列芯片，Miniforge不再是必选项，二者都可以正常搭建适配M1的Python数据科学环境，不存在功能上的本质差异。

安装标准tensorflow包报「No matching distribution found」错误的原因 #

• PyPI上的标准tensorflow包在2.13版本之前，没有提供arm64架构macOS的预编译安装包，仅支持x86_64架构的设备。
• 在M1芯片的arm64原生Python环境中执行pip install tensorflow时，pip找不到对应架构的安装包，就会抛出该错误。如果通过Rosetta 2转译运行x86版本的Python，虽然可以安装标准tensorflow包，但转译层会带来明显的性能损耗，不推荐使用。

关于tensorflow-macos包的说明 #

• tensorflow-macos是Apple与TensorFlow官方团队联合维护的、适配Apple Silicon架构的TensorFlow发行版，是arm64架构macOS上安装TensorFlow的标准包，已经在PyPI正式上线。
• 部分用户安装tensorflow-macos时报错，通常由两类原因导致：一是当前运行的Python是x86_64架构（通过Rosetta转译启动，或安装了x86版本的Python/Conda）；二是Python版本与tensorflow-macos的支持范围不匹配，例如过高或过低的Python版本没有对应的预构建包。

tensorflow-deps与tensorflow-metal的作用及安装必要性 #

两个包均为Apple官方维护的TensorFlow适配组件，具体作用和安装要求如下：

• tensorflow-deps：打包了TensorFlow在Apple Silicon上运行所需的全部底层系统依赖，包括适配arm64架构的数值计算库、相关系统组件。如果使用Conda管理Python环境，推荐安装该包，可以自动处理底层依赖版本，避免手动安装出现的冲突问题；如果使用官方Python+venv管理环境，则不需要安装该包，通过系统包管理器安装对应底层依赖即可。
• tensorflow-metal：基于Apple Metal图形API开发的TensorFlow GPU加速插件。安装该插件后，TensorFlow才能调用M1芯片的GPU完成并行计算，相比纯CPU运行，模型训练、推理速度可以提升数倍到十余倍。如果仅需要用CPU运行TensorFlow任务，可以不安装该包；如果需要GPU加速，则必须安装，且插件版本需要和已安装的tensorflow-macos版本严格对应。

内容的提问来源于stack exchange，提问作者Qiulang