当前位置：首页 > news >正文

Mac用户狂喜！一文带你读懂PyTorch在Apple Silicon上的MPS加速引擎

news 2026/5/6 15:37:04

随着大语言模型（LLM）和各种生成式 AI 的爆发，越来越多开发者开始用自己的 Mac 跑模型。如果你也是其中一员，你一定在代码里见过device="mps"这样的设置。

到底什么是 MPS？为什么跑 AI 模型时，Mac 用户一定要用它？M3、M4 这些新款芯片跑模型到底行不行？今天我们就来彻底讲透苹果的这个 AI 加速杀手锏。

1. MPS 到底是什么？

MPS全称是Metal Performance Shaders。简单来说，它是苹果在 macOS 和 iOS 上推出的 GPU 计算框架，建立在苹果自家的图形 API ——Metal之上。

你可以把它和 NVIDIA 的 CUDA 对标理解。它们本质上做的是同一件事：让程序把庞大的矩阵运算任务，丢给算力更强的 GPU 去跑，而不是让 CPU 苦哈哈地单干。

我们可以这样类比三大平台的深度学习 GPU 后端：

CUDA←→ NVIDIA GPU
ROCm←→ AMD GPU
MPS←→ Apple Silicon GPU (M1/M2/M3/M4 系列)

从 2022 年 5 月发布的 PyTorch 1.12 开始，官方正式内置了 MPS 后端。这意味着，PyTorch 能将张量运算直接“翻译”成 Metal Kernel，顺滑地跑在 Apple Silicon（M 系列芯片）的统一内存 GPU 上。

2. M4 支持 MPS 吗？

完全支持！

不仅是 M4，所有 Apple Silicon（包括 M1/M2/M3/M4，涵盖基础版、Pro、Max 和 Ultra 全系列）都原生支持 Metal，因此都能畅享 PyTorch 的 MPS 后端加速。

那么新款芯片有什么优势？
M4 相比前代，在 GPU 上不仅增加了硬件光追单元，整体浮点运算性能也有了肉眼可见的提升。如果你在 M4 上运行 LaMa（一种基于深度学习的图像修复/去水印卷积网络），其推理速度会明显甩开纯 CPU 几条街。

我们可以通过一段简单的代码来验证你的 Mac 环境是否已经就绪：

importtorchprint(f"PyTorch Version:{torch.__version__}")print(f"MPS available:{torch.backends.mps.is_available()}")print(f"MPS built:{torch.backends.mps.is_built()}")

如果输出都是True，恭喜你，你的 Mac 已经是一台合格的 AI 工作站了！

3. MPS 的三大核心细节与优势

为什么要在 Mac 上用 MPS？它到底强在哪？总结下来有三个关键点：

优势一：统一内存（Unified Memory）的“零拷贝”奇迹

这可能是 Apple Silicon 在 AI 推理上最独特的优势。
在传统的 PC 架构中（比如 Intel CPU + NVIDIA 显卡），CPU 和 GPU 有各自独立的内存（显存）。你要用 CUDA 计算，就必须把数据从 CPU 内存通过 PCIe 总线复制到 GPU 显存，算完再复制回来。这个传输开销非常大。

而在 Mac 的 M 系列芯片上，CPU 和 GPU 共享同一块物理内存。这就意味着，像 LaMa 模型这种做小 patch 推理（只有几十 KB 的输入），几乎是零拷贝开销，能把延迟压到极低。假设你的 Mac 是 16GB 统一内存，由于模型只有 ~200MB，对 LaMa 来说不仅内存绰绰有余，而且数据流转效率奇高！

注意事项：不是所有算子都支持

目前 PyTorch 的 MPS 后端算子覆盖率大约在95%左右。这意味着在极少数情况下，你会遇到个别不被支持的算子。
解决办法：如果遇到不支持的算子，你只需要设置一个环境变量，让它优雅地 Fallback（回退）到 CPU 计算：
export PYTORCH_ENABLE_MPS_FALLBACK=1

值得一提的是，像 LaMa 的核心网络 FFC 用到的torch.fft（快速傅里叶变换），在较新的 PyTorch（≥ 2.1）版本中已经完美支持 MPS 了。