也许是一个 M 芯片上 3A 大作的原因

起因

今天逛 pytorch 帖子的时候发现

有个哥们问： 为啥 intel 的 mac 上不用显卡加速？

后面回答：intel 一直可以跟 m 系列芯片一样啊 能使用mps进行加速 mps是基于 mac 的 metal 开发的

Metal Performance Shaders 。就是不知道为什么一直没人说

实验

随后就随便搓了个 torch 模型 测试能力 (代码在最后)

不是很严谨的测试 大家看个乐呵

实验结果：

macbook air 的 M1 什么功耗 能有 3090 三分之一的速度

5600XT 又是什么功耗 跟 M1 的 cpu 一个水平😂

所以根据这个不是很严谨的实验能否说 之前的 metal 真的太烂了？如有不妥 请斧正

确实不是特别懂就是看到 5600xt 这个速度也太拉垮了 所以来问问大家🙏

import torch
import torch.nn as nn
import torch.nn.functional as F
import torch.optim as optim
from tqdm import tqdm
# 定义 CNN
class SimpleCNN(nn.Module):
    def __init__(self):
        super(SimpleCNN, self).__init__()
        self.conv1 = nn.Conv2d(3, 6, 5)
        self.pool = nn.MaxPool2d(2, 2)
        self.conv2 = nn.Conv2d(6, 16, 5)
        self.fc1 = nn.Linear(16 * 13 * 13, 120)
        self.fc2 = nn.Linear(120, 84)
        self.fc3 = nn.Linear(84, 10)

    def forward(self, x):
        x = self.pool(F.relu(self.conv1(x)))
        x = self.pool(F.relu(self.conv2(x)))
        x = x.view(-1, 16 * 13 * 13)
        x = F.relu(self.fc1(x))
        x = F.relu(self.fc2(x))
        x = self.fc3(x)
        return x

# 随机生成数据
batch_size = 64  
channels = 3
height = 64
width = 64

net = SimpleCNN()

# 在这里选择推理 类型
device =  torch.device("cpu")

net = net.to(device)
inputs = torch.randn(batch_size, channels, height, width).to(device) 
labels = torch.randint(0, 10, (batch_size,)).to(device) 


criterion = nn.CrossEntropyLoss()
optimizer = optim.SGD(net.parameters(), lr=0.001, momentum=0.9)
# 训练
for epoch in tqdm(range(100)):
    running_loss = 0.0
    for i in range(20):
        # 清零梯度缓冲区
        optimizer.zero_grad()
        # 前向传播，反向传播，优化
        outputs = net(inputs)
        loss = criterion(outputs, labels)
        loss.backward()
        optimizer.step()

print('Finished Training')