Почему Numpy Native на M1 Max намного медленнее, чем на старой Intel I5? ⇐ Python

[Anonymous]

Я только что получил свой новый MacBook Pro с M1 Max Chip и настраиваю Python. Я попробовал несколько комбинационных настроек для тестирования скорости - теперь я довольно запутался. Сначала поместите мои вопросы здесь: < /p>

• Почему Python изначально работает на M1 Max значительно (~ 100%) медленнее, чем на моем старом Macbook Pro 2016 с Intel i5? < /Li>
  На M1 Max, почему не существует разница между ними (на минифорде), и начнусь, и которая не будет, и которая не будет, и которая будет более сильной (по -прежнему), и которая не будет рано ~ 20%? /> < /ul>
  Доказательства, подтверждающие мои вопросы, следующие: < /p>
  
  Вот настройки, которые я пробовал: < /p>
  1. Python, установленного < /strong> < /p>
  
  miniforge-arm64, так что Python изначально работает на M1 Max Chip. (Проверьте монитор активности, kind процесса Python - Apple ).
• anaconda. Затем Python работает через Rosseta. (Проверьте из монитора активности, kind процесса Python Is Intel ).

2. Numpy установлен в < /strong> < /p>

[*]

Код: Выделить всё

conda install numpy

: numpy из оригинального канала Conda-Forge или предварительно установленный с Anaconda. Говорят, что, установленная Numpy таким образом, оптимизирован для Apple M1 и будет быстрее. Вот команды установки: < /li>
< /ul>

Код: Выделить всё

conda install -c apple tensorflow-deps
python -m pip install tensorflow-macos
python -m pip install tensorflow-metal
< /code>
 3. Запустите < /strong> < /p>

 терминал.
[*] pycharm (версия Apple Silicon).import time
import numpy as np
np.random.seed(42)
a = np.random.uniform(size=(300, 300))
runtimes = 10

timecosts = []
for _ in range(runtimes):
s_time = time.time()
for i in range(100):
a += 1
np.linalg.svd(a)
timecosts.append(time.time() - s_time)

print(f'mean of {runtimes} runs: {np.mean(timecosts):.5f}s')
< /code>
и вот результаты: < /p>
+-----------------------------------+-----------------------+--------------------+
|   Python installed by (run on)→   | Miniforge (native M1) | Anaconda (Rosseta) |
+----------------------+------------+------------+----------+----------+---------+
| Numpy installed by ↓ | Run from → |  Terminal  |  PyCharm | Terminal | PyCharm |
+----------------------+------------+------------+----------+----------+---------+
|          Apple Tensorflow         |   4.19151  |  4.86248 |     /    |    /    |
+-----------------------------------+------------+----------+----------+---------+
|        conda install numpy        |   4.29386  |  4.98370 |  4.10029 | 4.99271 |
+-----------------------------------+------------+----------+----------+---------+
< /code>
Это довольно медленно. Для сравнения, < /p>

 Запустите тот же код на моем старом Macbook Pro 2016 с помощью I5 Chip - это стоит 2.39917s

[/b].
[*] Другой пост (но не на английском языке), которые работают с M1 Chip (не Pro или Max), miniforge+conda_installed_numpy

Код: Выделить всё

2.53214s

[/b] и miniforge+apple_tensorflow_numpy - это

Код: Выделить всё

1.00613s

[/b].
Вы также можете попробовать сами.$ sysctl -a | grep -e brand_string -e cpu.core_count
machdep.cpu.brand_string: Intel(R) Core(TM) i5-6360U CPU @ 2.00GHz
machdep.cpu.core_count: 2
< /code>

Мой новый m1 max: < /li>
< /ul>
% sysctl -a | grep -e brand_string -e cpu.core_count
machdep.cpu.brand_string: Apple M1 Max
machdep.cpu.core_count: 10
< /code>

Я следую инструкциям строго из учебных пособий - но зачем все это происходит? Это из -за моих недостатков установки или из -за M1 Max Chip? Поскольку моя работа в значительной степени зависит от местных пробежек, местная скорость очень важна для меня. Любые предложения к возможным решению или любые точки данных на вашем собственном устройстве будут очень оценены

Подробнее здесь: https://stackoverflow.com/questions/702 ... d-intel-i5