来源：网络
编辑：好困 小咸鱼
【新智元导读】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。
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。
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！
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。
| M1 | M1 Pro | M1 Pro | M1 Max | M1 Max | |
| GPU核心数 | 8 | 14 | 16 | 24 | 32 |
| Teraflops | 2.6 | 4.5 | 5.2 | 7.8 | 10.4 |
| AMD GPU | RX 560(2.6TF) | RX 5500M(4.6TF) | RX 5500(5.2TF) | RX 5700M(7.9TF) | RX Vega 56(10.5TF) |
| Nvidia GPU | GTX 1650(2.9TF) | GTX 1650 Super(4.4TF)RTX3050-75W（4.4TF | GTX 1660 Ti(5.4TF) | RTX 2070(7.4TF) | RTX 2080(10TF)RTX3060-80W（10.94TF） |
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。
「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。」
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。
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。
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。
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。
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。
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。
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）。
友情提示，先看看TensorFlow_macOS GitHub仓库的issue的数量，劝退不。。。
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」。
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？
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。」
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」。
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」。
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。
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。
参考资料：
文中引用了青空，Hate Letter等人的回答，具体参见：
