携手创作，共同成长！这是我参与「掘金日新计划 · 8 月更文挑战」的第30天， 简单的文本分类任务：不借助Trainer实现）中所使用的Transformer文本分类的例子，对比的baseline也是M1芯片自己的CPU。所有的实验使用jupyterlab在一个单元格中使用魔法命令%%time统计得到运行时间。

实验配置

• MacBook Pro(14英寸，2021年)
• 芯片Apple M1Pro
• 内存32GB

mps实验

%%time

model=AutoModelForSequenceClassification.from_pretrained("bert-base-uncased",num_labels=2)

optimizer = AdamW(model.parameters(), lr=2e-5)

num_epochs = 1
num_training_steps = num_epochs * len(train_dataloader)
lr_scheduler = get_scheduler(
    name="linear", optimizer=optimizer, num_warmup_steps=0, num_training_steps=num_training_steps
)

device = 'mps'
model.to(device)

model.train()
for epoch in range(num_epochs):
    for i, batch in enumerate(train_dataloader):
        batch = {k: v.to(device) for k, v in batch.items()}
        outputs = model(**batch)
        loss = outputs.loss
        loss.backward()

        optimizer.step()
        lr_scheduler.step()
        optimizer.zero_grad()
        progress_bar.update(1)
        
        if i>10:
            break

得到输出如下：

CPU times: user 11.2 s, sys: 8.57 s, total: 19.8 s
Wall time: 23.7 s

cpu实验

cpu实验只需要将上面的代码中的mps改为cpu即可，相关代码如下：

%%time

model=AutoModelForSequenceClassification.from_pretrained("bert-base-uncased",num_labels=2)

optimizer = AdamW(model.parameters(), lr=2e-5)

num_epochs = 1
num_training_steps = num_epochs * len(train_dataloader)
lr_scheduler = get_scheduler(
    name="linear", optimizer=optimizer, num_warmup_steps=0, num_training_steps=num_training_steps
)

device = 'cpu'
model.to(device)

model.train()
for epoch in range(num_epochs):
    for i, batch in enumerate(train_dataloader):
        batch = {k: v.to(device) for k, v in batch.items()}
        outputs = model(**batch)
        loss = outputs.loss
        loss.backward()

        optimizer.step()
        lr_scheduler.step()
        optimizer.zero_grad()
        progress_bar.update(1)
        
        if i>10:
            break

得到实验输出如下：

CPU times: user 10min 42s, sys: 11.7 s, total: 10min 53s
Wall time: 10min 56s

上面的实验都是训练了10个step，从以上实验可以看到，同样的一个文本分类的BERT模型，在mps上的速度是cpu上速度的二十多倍，这个速度已经基本可以满足日常小模型测试和调试的需求了，极大方便了科研学习。

总结

本文介绍了如何在MacBook Pro M1上使用Pytorch进行深度学习开发，而整个过程也非常简单，只需要将device显式的指定为’mps’。