m1-machine-learning-test
m1-machine-learning-test 是一套专为苹果 Silicon 芯片（包括 M1、M2 及 Pro/Max/Ultra 系列）设计的机器学习性能基准测试代码库。它旨在帮助开发者快速验证新设备在运行 TensorFlow 和 Scikit-Learn 等主流框架时的实际算力表现，解决用户在升级硬件后难以直观评估机器学习任务加速效果的痛点。
该项目预置了多个标准化的实验场景，涵盖图像分类（如 CIFAR10、Food101 数据集）与传统机器学习任务（如随机森林回归），通过统一的代码在不同硬件间进行公平的速度对比。其核心技术亮点在于提供了详尽的指南，指导用户利用 Miniforge 配置原生支持 ARM 架构的 Python 环境，并正确安装 tensorflow-macos 与 tensorflow-metal 插件，从而充分调用苹果自研 GPU 的 Metal 加速能力。
m1-machine-learning-test 非常适合刚入手苹果新款 Mac 的数据科学家、AI 工程师以及机器学习爱好者。如果你希望在设备上顺利搭建开发环境，或想了解自己的设备在处理深度学习模型时的具体性能水平，这套工具能提供从环境配置到结果输出的完整流程参考，助你高效开启本地机器学习探索之旅。
使用场景
一位数据科学家刚入手 M1 Max MacBook Pro，急需验证其能否替代原有工作站进行高效的深度学习模型训练与调优。
没有 m1-machine-learning-test 时
- 环境配置迷茫：面对 Apple Silicon 架构，开发者不清楚如何正确安装支持 GPU 加速的 TensorFlow，常因误装 Intel 版本导致无法调用 M1 芯片性能。
- 性能基准缺失：缺乏针对 M1 系列芯片的标准测试代码，无法量化对比新设备与旧硬件在 CIFAR10 或 Food101 等经典数据集上的训练速度差异。
- 调试成本高昂：需手动编写繁琐的基准测试脚本（如 TinyVGG 或 EfficientNetB0），耗费大量时间在环境排查而非核心算法验证上。
- 硬件潜力未知：不确定
tensorflow-metal是否成功启用，难以判断模型训练是运行在 CPU 还是利用了 M1 强大的 GPU 加速能力。
使用 m1-machine-learning-test 后
- 一键标准化部署：直接复用仓库中经过验证的 Miniforge 和 TensorFlow 安装步骤，快速构建出原生支持 M1 GPU 加速的稳定开发环境。
- 即时性能对标：运行内置的 Jupyter Notebook（如随机森林或图像分类实验），立即获得与历史硬件对比的直观跑分数据，明确性能提升幅度。
- 开箱即用的实验模板：直接调用预置的 TinyVGG 和 EfficientNetB0 测试代码，将原本数天的环境搭建与脚本编写工作缩短至几小时甚至几分钟。
- 明确的硬件状态反馈：通过脚本自动检测并打印 TensorFlow 可访问的物理设备列表，确凿证实 M1 GPU 已介入计算，消除性能疑虑。
m1-machine-learning-test 将 M1 系列芯片的机器学习环境搭建从“盲目摸索”转变为“标准化流程”，让开发者能即刻释放苹果硅芯的算力潜能。
运行环境要求
- macOS
需要 Apple Silicon GPU (M1, M1 Pro, M1 Max, M1 Ultra, M2)，通过 tensorflow-metal 插件利用 Metal 框架加速，无需 NVIDIA CUDA
未说明
快速开始
M1、M1 Pro、M1 Max 机器学习速度测试对比
此仓库包含一些示例代码，用于将新款 M1 MacBook（M1 Pro 和 M1 Max）与其他多种硬件进行基准测试。
此外，还提供了在 M1、M1 Pro、M1 Max、M1 Ultra 或 M2 Mac 上运行这些代码的设置步骤。
此仓库适合哪些人？
您： 拥有一台新的 M1、M1 Pro、M1 Max、M1 Ultra 或 M2 Mac，并希望在其上开始进行机器学习和数据科学工作。
此仓库： 将教您如何在您的设备上安装最常见的机器学习和数据科学软件包，并通过示例代码确保它们能够正常运行。
进行的机器学习实验
所有实验均使用相同的代码运行。对于 Apple 设备，TensorFlow 环境是按照以下步骤创建的。
| 笔记本编号 | 实验 |
|---|---|
| 00 | 使用 TensorFlow 代码在 CIFAR10 数据集上训练 TinyVGG 模型。 |
| 01 | 使用 TensorFlow 代码在 Food101 数据集上应用 EfficientNetB0 特征提取器。 |
| 02 | 使用 Scikit-Learn 中的 RandomForestClassifier，结合随机搜索交叉验证，在加州住房数据集上进行训练。 |
结果
请参阅 results 目录。
步骤（如何测试您的 Apple Silicon 设备）
- 创建环境并安装依赖项（见下文）
- 克隆此仓库
- 运行各个笔记本（结果位于笔记本末尾）
使用 Miniforge 在 M1、M1 Pro、M1 Max、M1 Ultra、M2 上设置 TensorFlow 环境（简版）
如果您熟悉环境搭建和命令行操作，请按照此版本操作。如果不熟悉，请参阅下方的完整版。
- 从 https://brew.sh 下载并安装 Homebrew。安装完成后，按照提示完成后续步骤。
- 下载 Miniforge3（Conda 安装程序），适用于 macOS arm64 芯片（M1、M1 Pro、M1 Max）。
- 将 Miniforge3 安装到主目录。
chmod +x ~/Downloads/Miniforge3-MacOSX-arm64.sh
sh ~/Downloads/Miniforge3-MacOSX-arm64.sh
source ~/miniforge3/bin/activate
- 重启终端。
- 创建一个目录来设置 TensorFlow 环境。
mkdir tensorflow-test
cd tensorflow-test
- 创建并激活 Conda 环境。注意： Python 3.8 是使用以下设置时最稳定的版本。
conda create --prefix ./env python=3.8
conda activate ./env
- 从 Apple Conda 通道安装 TensorFlow 依赖项。
conda install -c apple tensorflow-deps
- 安装基础 TensorFlow（Apple 的 TensorFlow 分支称为
tensorflow-macos）。
python -m pip install tensorflow-macos
- 安装 Apple 的
tensorflow-metal，以利用 Apple Metal（Apple 的 GPU 框架）实现 M1、M1 Pro、M1 Max 的 GPU 加速。
python -m pip install tensorflow-metal
- （可选）安装 TensorFlow Datasets，以便运行本仓库中包含的基准测试。
python -m pip install tensorflow-datasets
- 安装常用的数据科学软件包。
conda install jupyter pandas numpy matplotlib scikit-learn
- 启动 Jupyter Notebook。
jupyter notebook
- 导入依赖项并检查 TensorFlow 版本及 GPU 访问权限。
import numpy as np
import pandas as pd
import sklearn
import tensorflow as tf
import matplotlib.pyplot as plt
# 检查 TensorFlow 是否可以访问 GPU
print(f"TensorFlow 可以访问以下设备:\n{tf.config.list_physical_devices()}")
# 查看 TensorFlow 版本
print(f"TensorFlow 版本: {tf.__version__}")
如果一切顺利，您应该会看到类似以下内容：
TensorFlow 可以访问以下设备：
[PhysicalDevice(name='/physical_device:CPU:0', device_type='CPU'),
PhysicalDevice(name='/physical_device:GPU:0', device_type='GPU')]
TensorFlow 版本: 2.8.0
使用 Miniforge 在 M1、M1 Pro、M1 Max、M1 Ultra、M2 上设置 TensorFlow 环境（详版）
如果您是环境创建的新手，正在使用新的 M1、M1 Pro、M1 Max 设备，并希望开始运行 TensorFlow 和其他数据科学库，请按照以下步骤操作。
注意： 您将在下面频繁看到“包管理器”一词。您可以这样理解：包管理器是一种帮助您安装其他软件包的工具。
安装包管理器（Homebrew 和 Miniforge）
- 从 https://brew.sh 下载并安装 Homebrew。Homebrew 是一个包管理器，可在您的设备上设置许多有用的东西，包括 Xcode 的命令行工具，您需要它来运行诸如
git之类的工具。安装 Homebrew 的命令可能如下所示：
/bin/bash -c "$(curl -fsSL https://raw.githubusercontent.com/Homebrew/install/HEAD/install.sh)"
安装过程中会逐步解释其作用以及您需要执行的操作。
- 从 GitHub 下载与您的设备最兼容的 Miniforge 版本（Miniforge3-MacOSX-arm64）——这是针对 conda-forge 的 Conda 极简安装程序，而 Conda 是另一种包管理器，conda-forge 则是一个 Conda 频道。
如果您使用的是 M1 系列 Mac，则应选择 “Miniforge3-MacOSX-arm64”——点击即可直接下载。
点击上述链接后，名为 Miniforge3-MacOSX-arm64.sh 的 Shell 文件将被下载到您的“下载”文件夹中（除非另有指定）。
打开终端。
我们现在有一个可以安装 Miniforge 的 Shell 文件，但要执行安装，我们需要修改其权限使其可执行（参考 Ubuntu 论坛关于 chmod 的说明）。
为此，我们将运行命令 chmod +x FILE_NAME，意思是“将 FILE_NAME 的模式更改为可执行”。
然后我们使用 sh 命令来执行该程序。
chmod +x ~/Downloads/Miniforge3-MacOSX-arm64.sh
sh ~/Downloads/Miniforge3-MacOSX-arm64.sh
- 这应该会将 Miniforge3 安装到您的主目录（
~/在 Mac 上代表“Home”）。
为了确认这一点，我们可以尝试激活 (base) 环境，这可以通过 source 命令完成。
source ~/miniforge3/bin/activate
如果成功，您应该会在终端窗口中看到类似以下的内容：
(base) daniel@Daniels-MBP ~ %
- 我们刚刚安装了一些新软件，为了让它们完全生效，我们需要重启终端。
创建 TensorFlow 环境
现在我们已经安装了所需的包管理器，接下来就可以安装 TensorFlow 了。
让我们创建一个名为 tensorflow-test 的文件夹（你可以随意命名），并将所有内容都安装到这个文件夹中，以确保一切正常工作。
注意: 环境 就像你电脑上的一个虚拟空间。例如，你会在家里用厨房来做饭，因为那里有你需要的所有工具。如果把烤箱放在卧室里就不太合适了。你的电脑也是如此。如果你要处理特定的软件，最好将它们集中在一个地方，而不是分散在其他位置。
- 创建一个名为
tensorflow-test的目录。这个目录将用于存放我们的环境，而环境中会包含运行 TensorFlow 所需的软件工具。
我们可以使用 mkdir 命令来完成这一操作，该命令是“make directory”的缩写。
mkdir tensorflow-test
- 进入
tensorflow-test目录。接下来我们将在这个目录中执行所有命令，因此需要先进入该目录。
我们可以使用 cd 命令来完成这一操作，该命令是“change directory”的缩写。
cd tensorflow-test
- 现在我们已经进入了
tensorflow-test目录，接下来使用conda命令创建一个新的 Conda 环境（该命令是在我们上面安装 Miniforge 时一并安装的）。
我们使用 conda create --prefix ./env 命令来创建环境，意思是“创建一个名为 file/path/to/this/folder/env 的环境”。其中的 . 表示当前路径。
例如，如果不使用 ./env，我的文件路径将会是：/Users/daniel/tensorflow-test/env
conda create --prefix ./env
- 激活环境。如果
conda成功创建了环境，你应该能够使用conda activate path/to/environment来激活它。
简写形式：
conda activate ./env
完整形式：
conda activate /Users/daniel/tensorflow-test/env
注意: 每当你想要处理使用该环境中所安装软件的项目时，务必先激活该环境。例如，你可能会为每个不同的项目创建一个独立的环境，而该项目所需的各种工具都会存储在其对应的环境中。
如果环境激活成功，你的终端提示符应该会显示类似以下内容：
(/Users/daniel/tensorflow-test/env) daniel@Daniels-MBP tensorflow-test %
- 现在我们已经设置好了 Conda 环境，接下来就要安装所需的软件了。
首先，我们来安装 TensorFlow 的各种依赖项（TensorFlow 是一个庞大的软件，依赖于许多其他软件）。
为了避免逐一列出这些依赖项，Apple 提供了一个便捷的命令，只需一行即可安装 TensorFlow 所需的几乎所有依赖项。
conda install -c apple tensorflow-deps
上述命令的意思是：“嘿，conda，请从 Apple 的 Conda 通道安装所有的 TensorFlow 依赖项”（-c 表示通道）。
如果一切顺利，你应该会看到大量软件被下载并自动安装。
- 现在 TensorFlow 的所有依赖项都已经安装完毕，接下来我们要安装 TensorFlow 的基础库。
Apple 专门为 Apple Macs 创建了一个 TensorFlow 的分支版本。它不仅具备 TensorFlow 的全部功能，还增加了一些额外的功能，使其能够在 Apple 硬件上运行。
这个 Apple 分支版本的 TensorFlow 被称为 tensorflow-macos，我们将要安装的就是这个版本：
python -m pip install tensorflow-macos
根据你的网络连接情况，上述操作可能需要几分钟的时间，因为 TensorFlow 是一个相当庞大的软件。
- 现在 TensorFlow 的基础库已经安装完毕，接下来我们要安装
tensorflow-metal。
为什么呢？
机器学习模型通常受益于 GPU 加速。而 M1、M1 Pro 和 M1 Max 芯片都配备了非常强大的 GPU。
如果安装了正确的软件，TensorFlow 可以实现自动 GPU 加速。而 Metal 是 Apple 提供的 GPU 计算框架。
因此，Apple 为 TensorFlow 开发了一个插件（也称为 TensorFlow PluggableDevice），名为 tensorflow-metal，用于在 Mac 的 GPU 上运行 TensorFlow。
我们可以通过以下命令进行安装：
python -m pip install tensorflow-metal
如果安装成功，我们现在就能够利用 Mac 的 GPU 核心来加速 TensorFlow 模型的训练。
- （可选）安装 TensorFlow 数据集。完成上述步骤后，你已经可以在本地运行 TensorFlow 了。但如果你想运行本仓库中包含的基准测试，就需要安装 TensorFlow 数据集。
TensorFlow 数据集提供了一系列常见的机器学习数据集，可用于测试各种机器学习代码。
python -m pip install tensorflow-datasets
- 安装常用的数据科学工具包。如果你想运行上述基准测试，或者从事其他数据科学和机器学习项目，那么你很可能会用到 Jupyter Notebook、用于数据处理的 pandas、用于数值计算的 NumPy、用于绘图的 matplotlib，以及用于传统机器学习算法和数据处理函数的 Scikit-Learn。
要在当前环境中安装这些工具包，可以运行以下命令：
conda install jupyter pandas numpy matplotlib scikit-learn
- 测试一下。为了确认一切是否正常工作，尝试启动一个 Jupyter Notebook，并导入已安装的包。
# 启动 Jupyter Notebook
jupyter notebook
Notebook 启动后，在第一个单元格中输入以下代码：
import numpy as np
import pandas as pd
import sklearn
import tensorflow as tf
import matplotlib.pyplot as plt
# 检查 TensorFlow 是否可以访问 GPU
print(tf.config.list_physical_devices())
# 查看 TensorFlow 版本
print(tf.__version__)
如果一切正常，你应该会看到类似以下的输出：
TensorFlow 可以访问以下设备：
[PhysicalDevice(name='/physical_device:CPU:0', device_type='CPU'),
PhysicalDevice(name='/physical_device:GPU:0', device_type='GPU')]
TensorFlow 版本：2.5.0
- 为了进一步验证是否真的成功，不妨从头到尾运行其中一个笔记本！然后将自己的结果与上述基准测试结果进行比较。
相似工具推荐
stable-diffusion-webui
stable-diffusion-webui 是一个基于 Gradio 构建的网页版操作界面，旨在让用户能够轻松地在本地运行和使用强大的 Stable Diffusion 图像生成模型。它解决了原始模型依赖命令行、操作门槛高且功能分散的痛点，将复杂的 AI 绘图流程整合进一个直观易用的图形化平台。 无论是希望快速上手的普通创作者、需要精细控制画面细节的设计师，还是想要深入探索模型潜力的开发者与研究人员，都能从中获益。其核心亮点在于极高的功能丰富度：不仅支持文生图、图生图、局部重绘（Inpainting）和外绘（Outpainting）等基础模式，还独创了注意力机制调整、提示词矩阵、负向提示词以及“高清修复”等高级功能。此外，它内置了 GFPGAN 和 CodeFormer 等人脸修复工具，支持多种神经网络放大算法，并允许用户通过插件系统无限扩展能力。即使是显存有限的设备，stable-diffusion-webui 也提供了相应的优化选项，让高质量的 AI 艺术创作变得触手可及。
everything-claude-code
everything-claude-code 是一套专为 AI 编程助手（如 Claude Code、Codex、Cursor 等）打造的高性能优化系统。它不仅仅是一组配置文件，而是一个经过长期实战打磨的完整框架，旨在解决 AI 代理在实际开发中面临的效率低下、记忆丢失、安全隐患及缺乏持续学习能力等核心痛点。 通过引入技能模块化、直觉增强、记忆持久化机制以及内置的安全扫描功能，everything-claude-code 能显著提升 AI 在复杂任务中的表现，帮助开发者构建更稳定、更智能的生产级 AI 代理。其独特的“研究优先”开发理念和针对 Token 消耗的优化策略，使得模型响应更快、成本更低，同时有效防御潜在的攻击向量。 这套工具特别适合软件开发者、AI 研究人员以及希望深度定制 AI 工作流的技术团队使用。无论您是在构建大型代码库，还是需要 AI 协助进行安全审计与自动化测试，everything-claude-code 都能提供强大的底层支持。作为一个曾荣获 Anthropic 黑客大奖的开源项目，它融合了多语言支持与丰富的实战钩子（hooks），让 AI 真正成长为懂上
ComfyUI
ComfyUI 是一款功能强大且高度模块化的视觉 AI 引擎，专为设计和执行复杂的 Stable Diffusion 图像生成流程而打造。它摒弃了传统的代码编写模式，采用直观的节点式流程图界面，让用户通过连接不同的功能模块即可构建个性化的生成管线。 这一设计巧妙解决了高级 AI 绘图工作流配置复杂、灵活性不足的痛点。用户无需具备编程背景，也能自由组合模型、调整参数并实时预览效果，轻松实现从基础文生图到多步骤高清修复等各类复杂任务。ComfyUI 拥有极佳的兼容性，不仅支持 Windows、macOS 和 Linux 全平台，还广泛适配 NVIDIA、AMD、Intel 及苹果 Silicon 等多种硬件架构，并率先支持 SDXL、Flux、SD3 等前沿模型。 无论是希望深入探索算法潜力的研究人员和开发者，还是追求极致创作自由度的设计师与资深 AI 绘画爱好者，ComfyUI 都能提供强大的支持。其独特的模块化架构允许社区不断扩展新功能，使其成为当前最灵活、生态最丰富的开源扩散模型工具之一，帮助用户将创意高效转化为现实。
NextChat
NextChat 是一款轻量且极速的 AI 助手，旨在为用户提供流畅、跨平台的大模型交互体验。它完美解决了用户在多设备间切换时难以保持对话连续性，以及面对众多 AI 模型不知如何统一管理的痛点。无论是日常办公、学习辅助还是创意激发，NextChat 都能让用户随时随地通过网页、iOS、Android、Windows、MacOS 或 Linux 端无缝接入智能服务。 这款工具非常适合普通用户、学生、职场人士以及需要私有化部署的企业团队使用。对于开发者而言，它也提供了便捷的自托管方案，支持一键部署到 Vercel 或 Zeabur 等平台。 NextChat 的核心亮点在于其广泛的模型兼容性，原生支持 Claude、DeepSeek、GPT-4 及 Gemini Pro 等主流大模型，让用户在一个界面即可自由切换不同 AI 能力。此外，它还率先支持 MCP（Model Context Protocol）协议，增强了上下文处理能力。针对企业用户，NextChat 提供专业版解决方案，具备品牌定制、细粒度权限控制、内部知识库整合及安全审计等功能，满足公司对数据隐私和个性化管理的高标准要求。
ML-For-Beginners
ML-For-Beginners 是由微软推出的一套系统化机器学习入门课程，旨在帮助零基础用户轻松掌握经典机器学习知识。这套课程将学习路径规划为 12 周，包含 26 节精炼课程和 52 道配套测验，内容涵盖从基础概念到实际应用的完整流程，有效解决了初学者面对庞大知识体系时无从下手、缺乏结构化指导的痛点。 无论是希望转型的开发者、需要补充算法背景的研究人员，还是对人工智能充满好奇的普通爱好者，都能从中受益。课程不仅提供了清晰的理论讲解，还强调动手实践，让用户在循序渐进中建立扎实的技能基础。其独特的亮点在于强大的多语言支持，通过自动化机制提供了包括简体中文在内的 50 多种语言版本，极大地降低了全球不同背景用户的学习门槛。此外，项目采用开源协作模式，社区活跃且内容持续更新，确保学习者能获取前沿且准确的技术资讯。如果你正寻找一条清晰、友好且专业的机器学习入门之路，ML-For-Beginners 将是理想的起点。
ragflow
RAGFlow 是一款领先的开源检索增强生成（RAG）引擎，旨在为大语言模型构建更精准、可靠的上下文层。它巧妙地将前沿的 RAG 技术与智能体（Agent）能力相结合，不仅支持从各类文档中高效提取知识，还能让模型基于这些知识进行逻辑推理和任务执行。 在大模型应用中，幻觉问题和知识滞后是常见痛点。RAGFlow 通过深度解析复杂文档结构（如表格、图表及混合排版），显著提升了信息检索的准确度，从而有效减少模型“胡编乱造”的现象，确保回答既有据可依又具备时效性。其内置的智能体机制更进一步，使系统不仅能回答问题，还能自主规划步骤解决复杂问题。 这款工具特别适合开发者、企业技术团队以及 AI 研究人员使用。无论是希望快速搭建私有知识库问答系统，还是致力于探索大模型在垂直领域落地的创新者，都能从中受益。RAGFlow 提供了可视化的工作流编排界面和灵活的 API 接口，既降低了非算法背景用户的上手门槛，也满足了专业开发者对系统深度定制的需求。作为基于 Apache 2.0 协议开源的项目，它正成为连接通用大模型与行业专有知识之间的重要桥梁。