苹果地表最强芯只能剪视频？

川长思鸟来 2022-09-17 03:08 42阅读 0赞

点上方**人工智能算法与Python大数据**获取更多干货

在右上方 **···**设为星标 ★，第一时间获取资源

仅做学术分享，如有侵权，联系删除

转载于 ：新智元

##### 5nm工艺，570亿晶体管，70%CPU性能提升，4倍GPU性能提升。号称史上最强芯片的M1 Max，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，M1 Pro和M1 Max两款芯片确实太顶了！

M1 Pro，晶体管面积达到245mm²，内置337亿个晶体管，是M1的2倍多。

![67f5588e9667a858809fe3d77c9974f9.gif][]

而M1 Max更夸张，搭载570亿个晶体管，比Pro还要大70%，芯片面积达到432mm²。

![af3c52eb52c1f2cc3257da2d03c77192.gif][]

M1 Pro和M1 Max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，M1 Pro采用最多16个核心，性能比M1芯片的GPU高出两倍。

而M1 Max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！

![b53226b162fce9e3ecf4531caec6c8ab.gif][]

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RTX 2080给出的GPU参考性能也是这个数字。

<table> 
 <tbody> 
 <tr> 
 <td align="center"> </td> 
 <td align="center">M1</td> 
 <td align="center">M1 Pro</td> 
 <td align="center">M1 Pro</td> 
 <td align="center">M1 Max</td> 
 <td align="center">M1 Max</td> 
 </tr> 
 <tr> 
 <td align="center">GPU核心数</td> 
 <td align="center">8</td> 
 <td align="center">14</td> 
 <td align="center">16</td> 
 <td align="center">24</td> 
 <td align="center">32</td> 
 </tr> 
 <tr> 
 <td align="center">Teraflops</td> 
 <td align="center">2.6</td> 
 <td align="center">4.5</td> 
 <td align="center">5.2</td> 
 <td align="center">7.8</td> 
 <td align="center">10.4</td> 
 </tr> 
 <tr> 
 <td align="center">AMD GPU</td> 
 <td align="center">RX 560&nbsp;(2.6TF)</td> 
 <td align="center">RX 5500M&nbsp;(4.6TF)</td> 
 <td align="center">RX 5500&nbsp;(5.2TF)</td> 
 <td align="center">RX 5700M&nbsp;(7.9TF)</td> 
 <td align="center">RX Vega 56&nbsp;(10.5TF)</td> 
 </tr> 
 <tr> 
 <td align="center">Nvidia GPU</td> 
 <td align="center">GTX 1650(2.9TF)</td> 
 <td align="center">GTX 1650 Super&nbsp;(4.4TF)RTX3050-75W（4.4TF</td> 
 <td align="center">GTX 1660 Ti&nbsp;(5.4TF)</td> 
 <td align="center">RTX 2070(7.4TF)</td> 
 <td align="center">RTX 2080&nbsp;(10TF)RTX3060-80W（10.94TF）</td> 
 </tr> 
 </tbody> 
</table>

现在深度学习这么火，要不让M1系列的芯片和RTX 2080比试比试？

#  #

M1 VS 2080Ti

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。

![4f7c8516ab0b62f0ca2d55f445ca344e.png][]

https://machinelearning.apple.com/updates/ml-compute-training-on-mac

「TensorFlow 2.4的tensorflow\_macos利用ML Compute，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。」

![05b0eba8534b6051aaa1e73c075a065b.png][]

说得这么nice，到底怎么样，还是要实践才知道。

鉴于搭载M1 Pro和M1 Max的最新款Macbook Pro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Nvidia RTX 2080独显的四分之一。

先在fashion-MNIST数据集上，训练一个小的三层全连接网络试试。

#import libraries
    import tensorflow as tf
    import time
    
    
    #download fashion mnist dataset
    fashion_mnist = tf.keras.datasets.fashion_mnist
    (train_images, train_labels), (test_images, test_labels) = fashion_mnist.load_data()
    
    
    train_set_count = len(train_labels)
    test_set_count = len(test_labels)
    
    
    #setup start time
    t0 = time.time()
    
    
    #normalize images
    train_images = train_images / 255.0
    test_images = test_images / 255.0
    
    
    #create ML model
    model = tf.keras.Sequential([
        tf.keras.layers.Flatten(input_shape=(28, 28)),
        tf.keras.layers.Dense(128, activation='relu'),
        tf.keras.layers.Dense(10)
    ])
    
    
    #compile ML model
    model.compile(optimizer='adam',
                  loss=tf.keras.losses.SparseCategoricalCrossentropy(from_logits=True),
                  metrics=['accuracy'])
    
    
    #train ML model
    model.fit(train_images, train_labels, epochs=10)
    
    
    #evaluate ML model on test set
    test_loss, test_acc = model.evaluate(test_images,  test_labels, verbose=2)
    
    
    #setup stop time
    t1 = time.time()
    total_time = t1-t0
    
    
    #print results
    print('\n')
    print(f'Training set contained {train_set_count} images')
    print(f'Testing set contained {test_set_count} images')
    print(f'Model achieved {test_acc:.2f} testing accuracy')
    print(f'Training and testing took {total_time:.2f} seconds')

测试开始，先在一台搭载Intel i7-9700K，拥有32GB内存，以及一张Nvidia RTX 2080Ti独立显卡的Linux系统电脑上运行上面的代码。

![436ae374c0f582904dcf8b0edc2229ba.png][]

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Mac Mini训练模型。

![3028834e8a70998269a5a5466727e333.png][]

结果非常amazing啊！

训练和测试仅仅耗时6.70秒，比RTX 2080Ti的GPU还要快14%！这就有点厉害了。

但说实话，fashion-MNIST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RTX 2080Ti在Cifar10数据集上训练一个常用的ResNet50分类模型如何？

#import libraries
    import tensorflow as tf
    from time import perf_counter
    
    
    #download cifar10 dataset
    cifar10 = tf.keras.datasets.cifar10
    (train_images, train_labels), (test_images, test_labels) = cifar10.load_data()
    
    
    train_set_count = len(train_labels)
    test_set_count = len(test_labels)
    
    
    #setup start time
    t1_start = perf_counter()
    
    
    #normalize images
    train_images = train_images / 255.0
    test_images = test_images / 255.0
    
    
    #create ML model using tensorflow provided ResNet50 model, note the [32, 32, 3] shape because that's the shape of cifar
    model = tf.keras.applications.ResNet50(
        include_top=True, weights=None, input_tensor=None,
        input_shape=(32, 32, 3), pooling=None, classes=10
    )
    
    
    # CIFAR 10 labels have one integer for each image (between 0 and 10)
    # We want to perform a cross entropy which requires a one hot encoded version e.g: [0.0, 0.0, 1.0, 0.0, 0.0...]
    train_labels = tf.one_hot(train_labels.reshape(-1), depth=10, axis=-1)
    
    
    # Do the same thing for the test labels
    test_labels = tf.one_hot(test_labels.reshape(-1), depth=10, axis=-1)
    
    
    #compile ML model, use non sparse version here because there is no sparse data.
    model.compile(optimizer='adam',
                  loss=tf.keras.losses.CategoricalCrossentropy(),
                  metrics=['accuracy'])
    
    
    #train ML model
    model.fit(train_images,  train_labels, epochs=10)
    
    
    #evaluate ML model on test set
    test_loss, test_acc = model.evaluate(test_images,  test_labels, verbose=2)
    
    
    #setup stop time
    t1_stop = perf_counter()
    total_time = t1_stop-t1_start
    
    
    #print results
    print('\n')
    print(f'Training set contained {train_set_count} images')
    print(f'Testing set contained {test_set_count} images')
    print(f'Model achieved {test_acc:.2f} testing accuracy')
    print(f'Training and testing took {total_time:.2f} seconds')

测试再次开始，在RTX 2080Ti运行新代码，表现非常不错。

![23c898e219cc9f5c3d0f58ed52cdcac6.png][]

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M1 Mac Mini上运行新代码。

![d905153e8e8686e498e313d45df16250.png][]

看上去有点拉胯啊，M1 Mac Mini训练和测试总耗时2286.16秒，是RTX 2080Ti GPU耗时的5.46倍。

理论上讲，M1的GPU性能是RTX 2080Ti GPU的3.84分之一，这么看，其实际性能还是略有欠缺。

![0dc372d01c2c42a70f127e14884bcec2.png][]

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M1 Metal GPU插件支持。

![c0cb5072416afd6abacffa9cd728d7c8.png][]

https://developer.apple.com/metal/tensorflow-plugin/

还给出了安装指导教程，感兴趣的朋友可以尝尝鲜（需安装TensorFlow v2.5或v2.6）。

![d63beeef3d9b6bbd82a96a62592419a8.png][]

友情提示，先看看TensorFlow\_macOS GitHub仓库的issue的数量，劝退不。。。

![ce044c82be93d7d2fd624d6cee21ee03.png][]

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M1 Max没准还真能和RTX 2080Ti GPU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」。

![0ae06474bb31de4da554fca777dde052.png][]

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？

![e7aa11b6d07d5ec228ca3ecd32bf6cb0.png][]

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。」

![a334b243e7f4053c559ea905a0bd61a2.png][]

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」。

![043f8698147ca6a7e575de0e08a0195d.png][]

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」。

![b98c4371c7f418504afa09e66210dd71.png][]

挖矿这事吧，不提倡，而且就M1的表现来说，非常拉垮。不知道M1 Max能不能一雪前耻。

![99277926c20439afd1724149117d4043.png][]

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。

![ee2f40f41e5808dfd4128cd39ef29c47.png][]

参考资料：

文中引用了青空，Hate Letter等人的回答，具体参见：

https://www.zhihu.com/question/460373656

https://www.zhihu.com/question/493188474

https://www.zhihu.com/question/493188575

https://appleinsider.com/articles/21/10/19/m1-pro-and-m1-max-gpu-performance-versus-nvidia-and-amd

https://developer.apple.com/metal/tensorflow-plugin/

https://medium.com/analytics-vidhya/m1-mac-mini-scores-higher-than-my-nvidia-rtx-2080ti-in-tensorflow-speed-test-9f3db2b02d74

https://twitter.com/theshawwn/status/1449930512630525956?s=21

\---------♥---------

声明：本内容来源网络，版权属于原作者

图片来源网络，不代表本公众号立场。如有侵权，联系删除

AI博士私人微信，还有少量空位

![9474bd13fe65161b20e5e5fb6de66ecc.png][]

![cc0c4f1be3241ab3734ddbfae155f23d.gif][]

[如何画出漂亮的深度学习模型图？][Link 1]

[如何画出漂亮的神经网络图？][Link 2]

[一文读懂深度学习中的各种卷积][Link 3]

点个在看支持一下吧![bc8f7871370b745f588a8a03243f6fda.png][]![76ba2b11dbc7de7deb20d265423980f5.png][]

[67f5588e9667a858809fe3d77c9974f9.gif]: /images/20220828/365dc868017848ebac71b650ec8f011f.png
[af3c52eb52c1f2cc3257da2d03c77192.gif]: /images/20220828/6b0c150ce3d3413fb407b9468a07c9b6.png
[b53226b162fce9e3ecf4531caec6c8ab.gif]: /images/20220828/98a4d80dc1fb4f5ebf821090b814fafe.png
[4f7c8516ab0b62f0ca2d55f445ca344e.png]: /images/20220828/cf32e9832b974afda64bf1eca41a323c.png
[05b0eba8534b6051aaa1e73c075a065b.png]: /images/20220828/9e3231c571b945289bae75257432f78a.png
[436ae374c0f582904dcf8b0edc2229ba.png]: /images/20220828/48b1b8bdae8644a6a8b2fc0e94409f45.png
[3028834e8a70998269a5a5466727e333.png]: /images/20220828/5cd5aab771ca405bb4f57f485b142c06.png
[23c898e219cc9f5c3d0f58ed52cdcac6.png]: /images/20220828/872aba9cab9040edb138a134f46f487c.png
[d905153e8e8686e498e313d45df16250.png]: /images/20220828/3fafc79cb0144b8bab6f2a55da3aad0c.png
[0dc372d01c2c42a70f127e14884bcec2.png]: /images/20220828/8fa16e771f4d4d2aa8753e71655ae603.png
[c0cb5072416afd6abacffa9cd728d7c8.png]: /images/20220828/18cec11cb78e493083dd0286848ef916.png
[d63beeef3d9b6bbd82a96a62592419a8.png]: /images/20220828/703696c261664527831b43630c9ced26.png
[ce044c82be93d7d2fd624d6cee21ee03.png]: /images/20220828/010b9925bdb34844ab0dc026d9241600.png
[0ae06474bb31de4da554fca777dde052.png]: /images/20220828/38fbcb4bd32c4a7fb556331efc12d025.png
[e7aa11b6d07d5ec228ca3ecd32bf6cb0.png]: /images/20220828/387874ae46a24700b16bc1ca7db197c0.png
[a334b243e7f4053c559ea905a0bd61a2.png]: /images/20220828/fe03cb3801ee4906944649a2438e486b.png
[043f8698147ca6a7e575de0e08a0195d.png]: /images/20220828/c32ef8c4d57741f59063dde988e31131.png
[b98c4371c7f418504afa09e66210dd71.png]: /images/20220828/e0c095150b884adfa0c183506418eebe.png
[99277926c20439afd1724149117d4043.png]: /images/20220828/ec2b7139c65f4d7081948a23b1cb2be1.png
[ee2f40f41e5808dfd4128cd39ef29c47.png]: /images/20220828/96f364b0212a4b80b9d037fde708fc5c.png
[9474bd13fe65161b20e5e5fb6de66ecc.png]: /images/20220828/a3c3c5a1d7644c3b97a2d2e5b2124805.png
[cc0c4f1be3241ab3734ddbfae155f23d.gif]: /images/20220828/f038cdc3f4db47fbb094625bf1762688.png
[Link 1]: https://blog.csdn.net/weixin_36896856/article/details/106880438
[Link 2]: https://blog.csdn.net/dQCFKyQDXYm3F8rB0/article/details/100918826
[Link 3]: https://blog.csdn.net/algorithmPro/article/details/108138471
[bc8f7871370b745f588a8a03243f6fda.png]: https://img-blog.csdnimg.cn/img_convert/bc8f7871370b745f588a8a03243f6fda.png
[76ba2b11dbc7de7deb20d265423980f5.png]: /images/20220828/a41dd985a36a407292d4473fe0418824.png