Будьте готовы учиться при использовании их для машинного обучения
Характеристики действительно устрашающие: до 32 ядер графического процессора и до 16 ядер процессора. Добавьте к этому 64 ГБ оперативной памяти, и вы будете готовы к любой рабочей нагрузке. И, не говоря уже о дизайне. Что ж, похоже, Apple сделала это снова.
Но так ли это на самом деле? Давайте копнем глубже. Всего год назад был представлен чип M1, первая специализированная система Apple на кристалле (SoC). В то время вы могли установить максимум 16 ГБ основной памяти. А в MacBook Pro этот чип имеет 8 ядер ЦП и 8 ядер графического процессора. По сравнению с самыми последними моделями это звучит мало, не так ли?
Ответ: это зависит от обстоятельств. Я регулярно использую MacBook Pro M1 для работы, и единственное, что мне мешает, - это небольшой объем оперативной памяти. Если бы я снова выбрал эту машину, и я бы выбрал 32 или даже 64 ГБ.
Но, несмотря на все эти впечатляющие характеристики, давайте не будем забывать, что мы должны использовать мощность на дороге. Для нас это в основном означает выполнение задач машинного обучения, таких как обучение сетей или изучение наборов данных. И здесь начинаются неприятности.
Да, чип M1 быстрый и энергоэффективный. Но часто бывает сложно установить пакеты python из pip. Установить TensorFlow не так просто, как запустить
Когда я попытался это сделать, мне потребовалось три дня, чтобы настроить и запустить систему. Несмотря на то, что Apple предоставила специальную версию TensorFlow, все равно было сложно наладить работу.
К счастью, это улучшилось, когда они объявили о поддержке механизма PluggableDevice TensorFlow, который направлен на улучшение поддержки различных ускорителей (GPU, TPU, пользовательские SoC и т. Д.). С этим выпуском все пошло гладко - по крайней мере, в отношении запуска фреймворка.
Спустя год я все еще регулярно сталкиваюсь с проблемами при попытке установить пакеты изначально из pip. Да, использование Anaconda упрощает задачу. Но когда вы собираетесь развернуть свои сценарии, вы, вероятно, захотите заморозить требования и использовать ту же настройку в удаленной среде. Затем вам нужно обработать два файла требований: один из Anaconda и один из pip.
Итак, что же делать после всех этих причитаний? Первое и самое простое решение: используйте машину Linux с проверенным временем процессором AMD или Intel и соедините его с выделенным графическим процессором.
Второе решение: примите участие в обучении. Да, я потратил три дня на то, чтобы TensorFlow заработал. И да, я долго пытался установить нужные пакеты. Но, поскольку я застрял с чипом M1, у меня не было другого выхода, кроме как пройти через это.
И я многому научился. Я сам копался в компилировании пакетов. Я углубился в использование Anaconda. Я впился в пип. Я пролистывал GitHub часами и узнал, как важно писать краткие вопросы.
Итак, могу ли я порекомендовать чип M1 для машинного обучения? Да, но вы должны быть готовы учиться. Это не так просто, как подключи и работай. Но это тоже не ракетостроение.
Редактировать: С тех пор, как я написал эту статью, у меня была возможность протестировать новые MacBook, как «маленькие» 14-дюймовые, так и «большие» 16-дюймовые модели. Что привлекло мое внимание, так это то, что большая версия значительно толще, чем 14-я и прошлогодняя 13-я модели. Кроме того, он тяжелее (что указано в официальных спецификациях). Учитывая это, я предпочитаю свою 13 версию из-за ее портативности и веса.
Если вы можете, я рекомендую получить практический опыт в местном магазине, прежде чем потопить две или более штуки. Так вы лучше поймете, о чем я говорю.
