[Bug已解决] torch.linalg.cross 在 MPS（Apple Silicon）上对 bool 输入报 RuntimeError 解决方案

[Bug已解决] torch.linalg.cross 在 MPS（Apple Silicon）上对 bool 输入报 RuntimeError 解决方案

一、现象长什么样

你在 Apple Silicon（M1/M2/M3/M4） Mac 上，用 PyTorch 的 MPS（Metal Performance Shaders）后端跑torch.linalg.cross（叉积）时，如果输入是bool（布尔）张量，可能遇到：

RuntimeError: ... (MPS backend) ... for bool input

也就是官方描述的：

torch.linalg.cross - MPS RuntimeError for bool input

torch.linalg.cross计算两个三维向量的叉积（cross product）。数学上叉积定义在实数向量上。但你如果「不小心」把一个 bool 张量喂进去，CPU / CUDA 上可能悄悄转成数值算（或给个清晰错误），而MPS 后端直接 RuntimeError，因为它对 bool 的 kernel 路径没实现 / 不支持。本文讲清楚 MPS 后端的特点、为什么 bool 输入会炸、以及如何规避。

二、MPS 后端是什么

MPS（Metal Performance Shaders）是 PyTorch 在 Apple Silicon（及部分 Intel Mac 配 AMD）上的 GPU 加速后端。它把 PyTorch 算子映射到 Apple 的 Metal GPU 框架。

import torch device = "mps" if torch.backends.mps.is_available() else "cpu" x = torch.randn(3, device=device)

MPS 不是「CUDA 的完全平替」——它支持的算子集合、dtype 支持度和 CUDA 有差异。某些算子在 MPS 上对**冷门 dtype（如 bool、complex 的某些组合）**支持不完整，于是直接 RuntimeError，而不是默默算。

三、为什么 bool 输入会让 cross 在 MPS 上炸

叉积的数学定义（以三维为例）：

c = a × b c_x = a_y*b_z - a_z*b_y c_y = a_z*b_x - a_x*b_z c_z = a_x*b_y - a_y*b_x

它本质是「乘加运算」。bool 张量（True/False）严格说没有「叉积」定义。在 CPU / CUDA 上，PyTorch 可能把 bool 提升为数值（True=1, False=0）然后算；但 MPS 的 cross kernel 没实现 bool 路径，遇到 bool 直接报错。

这其实是「MPS 对 bool 支持不完整」的具体表现。报错虽恼人，但比「悄悄算错」好——它至少让你知道 dtype 不对。

四、可运行：复现与对比

下面脚本对比 cross 在 CPU / MPS 上对 bool 输入的行为（纯 CPU 部分可跑）：

import torch def demo_cross(): a = torch.tensor([True, False, True]) b = torch.tensor([False, True, True]) # CPU：可能把 bool 当 0/1 算，或报错 try: c_cpu = torch.linalg.cross(a, b) print("CPU cross(bool) 结果：", c_cpu, c_cpu.dtype) except Exception as e: print("CPU 也报错：", e) # MPS if torch.backends.mps.is_available(): a_m = a.to("mps") b_m = b.to("mps") try: c_m = torch.linalg.cross(a_m, b_m) print("MPS cross(bool) 结果：", c_m) except Exception as e: print("MPS 报错（符合预期，bool 不支持）：", type(e).__name__) else: print("无 MPS 设备，跳过") if __name__ == "__main__": demo_cross()

如果你在 MPS 上看到 RuntimeError，就复现了该问题。

五、解决方案一：把 bool 转成数值 dtype 再算

最稳的修复：cross 之前把 bool 提升为 float / long，叉积就有定义了：

import torch def safe_cross(a, b, device): # 确保是数值 dtype（bool -> float） if a.dtype == torch.bool: a = a.float() if b.dtype == torch.bool: b = b.float() return torch.linalg.cross(a.to(device), b.to(device)) # 使用 a = torch.tensor([True, False, True]) b = torch.tensor([False, True, True]) device = "mps" if torch.backends.mps.is_available() else "cpu" out = safe_cross(a, b, device) print("正确的叉积：", out)

bool提升到float后，MPS 的 cross kernel 正常工作（True=1.0, False=0.0）。

六、解决方案二：如果本意是「逻辑操作」，别用 cross

有时你用 bool 是想做「逻辑与 / 或 / 异或」，而不是真的叉积。那根本不该用torch.linalg.cross：

import torch a = torch.tensor([True, False, True]) b = torch.tensor([False, True, True]) # 逻辑操作应该用对应算子 and_ = a & b # 按位与 or_ = a | b # 按位或 xor_ = a ^ b # 按位异或 print("AND:", and_, "OR:", or_, "XOR:", xor_)

确认你的真实意图：要「叉积」就用数值 dtype；要「逻辑运算」就用& | ^，别混用。

七、解决方案三：统一设备前统一 dtype（避免 CPU 能跑 MPS 不能）

一个常见坑：你在 CPU 上用 bool 测过 cross 能跑（或报别的错），到了 MPS 就 RuntimeError。为保持一致，应该在「进设备前」就规整 dtype：

import torch def prepare_for_device(x, device): # 进 MPS 前，bool 一律转 float，规避 MPS 对 bool 不支持 if device == "mps" and x.dtype == torch.bool: x = x.float() return x.to(device) device = "mps" if torch.backends.mps.is_available() else "cpu" a = prepare_for_device(torch.tensor([True, False, True]), device) b = prepare_for_device(torch.tensor([False, True, True]), device) out = torch.linalg.cross(a, b)

这样 CPU / MPS 行为一致，不会出现「换个设备就崩」。

八、解决方案四：用 try/except 优雅降级到 CPU

如果你的程序要在「支持 bool cross 的环境」和「MPS」之间移植，可以降级：

import torch def cross_robust(a, b): device = a.device try: return torch.linalg.cross(a, b) except RuntimeError: # MPS 不支持时，退回 CPU 算（bool 也行），再搬回原设备 a_cpu, b_cpu = a.cpu(), b.cpu() if a_cpu.dtype == torch.bool: a_cpu, b_cpu = a_cpu.float(), b_cpu.float() c = torch.linalg.cross(a_cpu, b_cpu) return c.to(device) a = torch.tensor([True, False, True], device="mps") if torch.backends.mps.is_available() else torch.tensor([True, False, True]) b = torch.tensor([False, True, True], device="mps") if torch.backends.mps.is_available() else torch.tensor([False, True, True]) out = cross_robust(a, b) print("稳健叉积结果：", out)

九、解决方案五：升级 PyTorch（MPS 支持持续补全）

MPS 后端是 PyTorch 较新、持续完善的。新版本可能已补全 cross 对 bool 的支持（或给出更清晰错误）。查看版本：

import torch print("PyTorch：", torch.__version__) print("MPS 可用：", torch.backends.mps.is_available())

十、如何判断你踩的是同一条

• 设备是 Apple Silicon（MPS 后端）；
• 调用torch.linalg.cross（或torch.cross）；
• 输入是 bool 张量；
• 报错是 RuntimeError，且提到 MPS / bool；
• 把 bool 转 float 后正常。

命中即说明是 MPS 对 bool 的 cross 不支持。

十一、小结

torch.linalg.cross在 MPS 上对 bool 输入报 RuntimeError，是MPS 后端对 bool dtype 支持不完整的具体表现。应对：

1. cross 之前把 bool.float()/.long()提升为数值 dtype（第五节）；
2. 本意是逻辑运算就用& | ^，别用 cross（第六节）；
3. 「进设备前」统一 dtype，避免 CPU 能跑 MPS 不能（第七节）；
4. 必要时 try/except 降级到 CPU 算（第八节）；
5. 升级到补全 MPS bool 支持的 PyTorch（第九节）。

MPS 是 Apple Silicon 上宝贵的 GPU 加速，但它不是 CUDA 的完全镜像——尤其对冷门 dtype（bool / 某些 complex）支持有缺口。写「跨设备可移植」的代码时，把 dtype 在进设备前规整好，是最省心的习惯。