记录：
对于tensorflow环境配置，即使替换了M1适配的anaconda，使用苹果官方适配m1的tensorflow安装命令，仍旧出现各种问题，可见现在的M1版anaconda还是存在很大问题。所以在屡次不服气的碰壁下我还是改用了miniforge3…真香！
- so，建议使用miniforge3管理，miniforge3可以理解成 miniconda/annoconda 的社区版，提供了更稳定的对M1芯片的支持。
使用miniforge3可成功安装支持m1版的tensorflow及pytorch
MPS介绍
（Mac M1芯片为了追求高性能和节能，在底层设计上使用的是一种叫做arm架构的精简指令集，不同于Intel等常用CPU芯片采用的x86架构完整指令集。所以有些基于x86指令集开发的软件不能直接在Mac M1芯片电脑上使用。）
需要注意的是，使用Mac M1芯片加速 pytorch 不需要安装 cuda后端，因为cuda是适配nvidia的GPU的，Mac M1芯片中的GPU适配的加速后端是mps，在Mac对应操作系统中已经具备，无需单独安装。只需要安装适配的pytorch即可。
MPS使用
去年pytorch官方发布了支持在m1版本的Mac上进行模型加速，所以可以安装gpu版pytorch了（wuhoo~）
首先要具备arm64的Python，以及1.12版本以上的pytorch
mps用法和cuda很像，只是将“cuda”改为“mps”
import torchprint(torch.backends.mps.is_available())print(torch.backends.mps.is_built())True#表示macOS版本支持True#表示mps可用在 Mac M1的GPU 上运行pytorch 代码，要使用 torch.device("mps")来指定，或通过to(device) / to(‘mps:0’) 来把模型或变量转入MPS计算
device = torch.device("mps")model = ModelName(xxx).to(device)data = torch.Tensor(dataset.x).to(device)、、、很玄学，模型里面我使用上面的简单修改还是报错，只有改成下面这样才OK
#在parser里面这样定义parser.add_argument('--device', type=int, default=0)parser.add_argument('--use_gpu',default=False,action='store_true')use_gpu = args.use_gpudevice = torch.device("mps" if args.use_gpu else "cpu")`原代码
# torch.cuda.set_device(args.device)# device = torch.device("cuda" if args.cuda else "cpu")来源地址：https://blog.csdn.net/wangzaiyouzr/article/details/130140579
