M1机器学习性能测试项目

M1机器学习性能测试项目

m1-machine-learning-test Code for testing various M1 Chip benchmarks with TensorFlow. 项目地址: https://gitcode.com/gh_mirrors/m1/m1-machine-learning-test

1. 项目介绍

本项目是一个开源项目，旨在通过在Apple Silicon（如M1、M1 Pro、M1 Max、M1 Ultra和M2）上运行的机器学习模型，来测试和比较其性能。项目包含了使用TensorFlow在M1系列芯片上进行的三个机器学习实验的代码，以及一个用于比较结果的notebook。

2. 项目快速启动

环境搭建

1. 安装Homebrew：访问Homebrew官网并按照指示安装。
2. 安装Miniforge3：下载并安装适用于macOS arm64芯片的Miniforge3（Conda安装程序）。
3. 创建并激活conda环境：

   conda create --prefix ./env python=3.8
   conda activate ./env
   

4. 安装TensorFlow依赖：

   conda install -c apple tensorflow-deps
   

5. 安装TensorFlow（Apple的TensorFlow分支）：

   python -m pip install tensorflow-macos
   

6. 安装Apple的tensorflow-metal以利用GPU加速：

   python -m pip install tensorflow-metal
   

7. 安装TensorFlow Datasets（可选）：

   python -m pip install tensorflow-datasets
   

8. 安装常用数据科学包：

   conda install jupyter pandas numpy matplotlib scikit-learn
   

9. 启动Jupyter Notebook：

   jupyter notebook
   

运行代码

1. 克隆项目到本地：

   git clone https://github.com/mrdbourke/m1-machine-learning-test.git
   

2. 在Jupyter Notebook中运行以下notebooks：
   • 00_cifar10_tinyvgg_benchmark.ipynb
   • 01_food101_effnet_benchmark.ipynb
   • 02_random_forest_benchmark.ipynb
   • 03_results_comparison.ipynb

3. 应用案例和最佳实践

• 案例1：使用TensorFlow在M1芯片上训练TinyVGG模型，并在CIFAR10数据集上进行测试。
• 案例2：使用EfficientNetB0特征提取器在Food101数据集上进行实验。
• 案例3：使用Scikit-Learn的RandomForestClassifier在California Housing数据集上进行随机搜索交叉验证。

这些案例提供了如何在不同数据集上使用不同模型进行性能测试的实践。

4. 典型生态项目

本项目使用了以下典型的开源生态项目：

• TensorFlow：Google的开源机器学习框架，用于构建和训练各种复杂的机器学习模型。
• Jupyter Notebook：一个开源的Web应用，允许你创建和共享包含实时代码、方程、可视化和解释性文本的文档。
• Scikit-Learn：一个用于数据挖掘和数据分析的Python模块，提供了一组简单的和有效的算法。
• Pandas、NumPy、Matplotlib：Python的数据分析和绘图库，用于数据处理和可视化。

通过这些项目的结合使用，可以更好地理解和测试M1芯片的机器学习性能。

m1-machine-learning-test Code for testing various M1 Chip benchmarks with TensorFlow. 项目地址: https://gitcode.com/gh_mirrors/m1/m1-machine-learning-test