苹果M1徒有其表？地表最强芯只能剪视频引知乎热议

　　来源：网络
　　编辑：好困小咸鱼【新智元导读】5nm工艺，570亿晶体管，70CPU性能提升，4倍GPU性能提升。号称史上最强芯片的M1Max，只能剪剪视频？
　　最近，苹果开了一个芯片新品发布会。
　　光看参数，M1Pro和M1Max两款芯片确实太顶了！
　　M1Pro，晶体管面积达到245mm，内置337亿个晶体管，是M1的2倍多。
　　而M1Max更夸张，搭载570亿个晶体管，比Pro还要大70，芯片面积达到432mm。
　　M1Pro和M1Max均采用大小核设计，最多10个核心，包括8个高性能内核和2个高效内核，CPU的性能直接比前代M1芯片提升70。
　　GPU方面，M1Pro采用最多16个核心，性能比M1芯片的GPU高出两倍。
　　而M1Max一举将GPU的核心数量干到32个，算力可以达到恐怖的10。4TFLOPs，比M1的GPU还要再快4倍！
　　10TFLOPs，这个数字有点熟悉啊？
　　对GPU性能敏感的朋友可能联想到了，空气显卡公司Nvidia的RTX2080给出的GPU参考性能也是这个数字。
　　M1
　　M1Pro
　　M1Pro
　　M1Max
　　M1Max
　　GPU核心数
　　8hr14hr16hr24hr32hrTeraflops
　　2。6
　　4。5
　　5。2
　　7。8
　　10。4
　　AMDGPURX560
　　（2。6TF）RX5500M
　　（4。6TF）RX5500
　　（5。2TF）RX5700M
　　（7。9TF）RXVega56
　　（10。5TF）
　　NvidiaGPUGTX1650
　　（2。9TF）GTX1650Super
　　（4。4TF）
　　RTX305075W（4。4TFGTX1660Ti
　　（5。4TF）RTX2070
　　（7。4TF）RTX2080
　　（10TF）
　　RTX306080W（10。94TF）
　　现在深度学习这么火，要不让M1系列的芯片和RTX2080比试比试？
　　M1VS2080Ti
　　提到深度学习框架无非就是TensorFlow和PyTorch。
　　然而，这俩一直以来都只支持在NVIDIA的GPU上使用CUDA加速。而苹果用户只能在CPU上慢慢跑。
　　不过，苹果在2020年11月推出了采用M1芯片的Mac之后，很快，TensorFlow也出了2。4版本更新，支持在M1的GPU上训练神经网络。
　　https：machinelearning。apple。comupdatesmlcomputetrainingonmac
　　TensorFlow2。4的tensorflowmacos利用MLCompute，使机器学习库不仅能充分利用CPU，还能充分利用M1和英特尔驱动的Mac中的GPU，大幅提高训练性能。
　　说得这么nice，到底怎么样，还是要实践才知道。
　　鉴于搭载M1Pro和M1Max的最新款MacbookPro还未开售，就先用他们的小弟M1代替他们出场吧。M1的GPU最高可以跑到2。6TFLOPs，差不多是NvidiaRTX2080独显的四分之一。
　　先在fashionMNIST数据集上，训练一个小的三层全连接网络试试。
　　importlibrariesimporttensorflowastfimporttimedownloadfashionmnistdatasetfashionmnisttf。keras。datasets。fashionmnist（trainimages，trainlabels），（testimages，testlabels）fashionmnist。loaddata（）trainsetcountlen（trainlabels）testsetcountlen（testlabels）setupstarttimet0time。time（）normalizeimagestrainimagestrainimages255。0testimagestestimages255。0createMLmodelmodeltf。keras。Sequential（〔tf。keras。layers。Flatten（inputshape（28，28）），tf。keras。layers。Dense（128，activationrelu），tf。keras。layers。Dense（10）〕）compileMLmodelmodel。compile（optimizeradam，losstf。keras。losses。SparseCategoricalCrossentropy（fromlogitsTrue），metrics〔accuracy〕）trainMLmodelmodel。fit（trainimages，trainlabels，epochs10）evaluateMLmodelontestsettestloss，testaccmodel。evaluate（testimages，testlabels，verbose2）setupstoptimet1time。time（）totaltimet1t0printresultsprint（）print（fTrainingsetcontained｛trainsetcount｝images）print（fTestingsetcontained｛testsetcount｝images）print（fModelachieved｛testacc：。2f｝testingaccuracy）print（fTrainingandtestingtook｛totaltime：。2f｝seconds）
　　测试开始，先在一台搭载Inteli79700K，拥有32GB内存，以及一张NvidiaRTX2080Ti独立显卡的Linux系统电脑上运行上面的代码。
　　很快，就得到了结果：训练和测试花了7。78秒。
　　接着，用搭载M1处理器（8个CPU核心，8个GPU核心，16个神经引擎核心）和8GB内存的MacMini训练模型。
　　结果非常amazing啊！
　　训练和测试仅仅耗时6。70秒，比RTX2080Ti的GPU还要快14！这就有点厉害了。
　　但说实话，fashionMNIST分类这种任务有点过于简单了，如果想在更大的数据集上，训练更强大的模型呢？
　　所以，得给它们来点更难的任务，分别用M1和RTX2080Ti在Cifar10数据集上训练一个常用的ResNet50分类模型如何？
　　importlibrariesimporttensorflowastffromtimeimportperfcounterdownloadcifar10datasetcifar10tf。keras。datasets。cifar10（trainimages，trainlabels），（testimages，testlabels）cifar10。loaddata（）trainsetcountlen（trainlabels）testsetcountlen（testlabels）setupstarttimet1startperfcounter（）normalizeimagestrainimagestrainimages255。0testimagestestimages255。0createMLmodelusingtensorflowprovidedResNet50model，notethe〔32，32，3〕shapebecausethatstheshapeofcifarmodeltf。keras。applications。ResNet50（includetopTrue，weightsNone，inputtensorNone，inputshape（32，32，3），poolingNone，classes10）CIFAR10labelshaveoneintegerforeachimage（between0and10）Wewanttoperformacrossentropywhichrequiresaonehotencodedversione。g：〔0。0，0。0，1。0，0。0，0。0。。。〕trainlabelstf。onehot（trainlabels。reshape（1），depth10，axis1）Dothesamethingforthetestlabelstestlabelstf。onehot（testlabels。reshape（1），depth10，axis1）compileMLmodel，usenonsparseversionherebecausethereisnosparsedata。model。compile（optimizeradam，losstf。keras。losses。CategoricalCrossentropy（），metrics〔accuracy〕）trainMLmodelmodel。fit（trainimages，trainlabels，epochs10）evaluateMLmodelontestsettestloss，testaccmodel。evaluate（testimages，testlabels，verbose2）setupstoptimet1stopperfcounter（）totaltimet1stopt1startprintresultsprint（）print（fTrainingsetcontained｛trainsetcount｝images）print（fTestingsetcontained｛testsetcount｝images）print（fModelachieved｛testacc：。2f｝testingaccuracy）print（fTrainingandtestingtook｛totaltime：。2f｝seconds）
　　测试再次开始，在RTX2080Ti运行新代码，表现非常不错。
　　训练了10个epoch，训练和测试共耗时418。73秒，GPU的利用率在65和75之间波动。
　　接下来，在M1MacMini上运行新代码。
　　看上去有点拉胯啊，M1MacMini训练和测试总耗时2286。16秒，是RTX2080TiGPU耗时的5。46倍。
　　理论上讲，M1的GPU性能是RTX2080TiGPU的3。84分之一，这么看，其实际性能还是略有欠缺。
　　通过Mac的活动监视器也能看到，CPU的使用率确实较低，GPU几乎没有怎么使用，看来还是Tensorflow对M1硬件资源的调度优化得不够好。
　　不过，最近，Tensorflow放出了对M1MetalGPU插件支持。
　　https：developer。apple。commetaltensorflowplugin
　　还给出了安装指导教程，感兴趣的朋友可以尝尝鲜（需安装TensorFlowv2。5或v2。6）。
　　友情提示，先看看TensorFlowmacOSGitHub仓库的issue的数量，劝退不
　　这么来看，M1确实可以训练深度学习模型，实际性能也勉强能用。
　　要是换上那个4倍加成的M1Max没准还真能和RTX2080TiGPU碰一碰。
　　但是还是那个问题：能用不代表好用。
　　为啥评测只有剪视频
　　M1一直以来都有一个被诟病的地方：生态不行。
　　推特上有大神留言：M1确实能用于数据科学，但恐怕你得花一个通宵装配置才能用。
　　其实，不仅仅是机器学习，很多大型游戏和工业软件目前都不兼容苹果的M1系列芯片。
　　在知乎上，就有人提出了质疑：为什么在宣传苹果的M1芯片的性能时，总是以视频剪辑为例呢？
　　排第一的回答就说得很有道理：他们惊叹M1的强大的时候，自然用自己最顺手的方式来说明M1强大。看起来是清一色的用视频来验证M1的强大，其实只是他们的声音大罢了。
　　而且，看完刚才那段用M1跑机器学习的体验，这个问题其实也就不难回答了。
　　写个文：用不着；
　　编个程：不会用。
　　当然，也有非专职博主做过Spring性能的测试，在转译模式下跑Java，性能也很不错。特别是对小内存的优化，以及几乎无敌的不发热和没噪声。
　　不过对于这一点，有网友表示：软件开发在Mac上是劣势，在M1上更是劣势中的劣势。
　　那这么看来，在生产力里面，可能也就只有视频既能体现出性能强劲，又方便好做了。
　　然而，网友吐槽说：M1也就用来剪点小片子玩玩还行了。
　　除此以外也一大堆插件只支持Intel，甚至连Mac都没有。
　　游戏呢，一直都不是Mac的重点，这次苹果就更直接了，一句都没提。以前好歹还放一个狂野飙车9呢。
　　既然苹果的态度都这么明显了，何必非要用MAC去自己折磨自己呢。
　　有网友就表示：既然我有钱16199买mbp，我自然也有windows主机。
　　挖矿这事吧，不提倡，而且就M1的表现来说，非常拉垮。不知道M1Max能不能一雪前耻。
　　话说回来，最常用的生产力难道不是word、ppt、keynote这些么，买一个M1的MacBook，续航长，屏幕好，速度快还便宜，多香。
　　参考资料：
　　文中引用了青空，HateLetter等人的回答，具体参见：
　　https：www。zhihu。comquestion460373656
　　https：www。zhihu。comquestion493188474
　　https：www。zhihu。comquestion493188575
　　https：appleinsider。comarticles211019m1proandm1maxgpuperformanceversusnvidiaandamd
　　https：developer。apple。commetaltensorflowplugin
　　https：medium。comanalyticsvidhyam1macminiscoreshigherthanmynvidiartx2080tiintensorflowspeedtest9f3db2b02d74
　　https：twitter。comtheshawwnstatus1449930512630525956？s21