PyTorch日前支持苹果M1芯片GPU加速：训练快6倍，推理提升21倍

AlexNet 的来得快对比为 0.126 秒 vs0.005 秒，来得快大幅提高了几十倍：

尝试一下感官 transformer 建模，在 M1 CPU 上的来得快是 1.855 秒，在 M1 GPU 上则运转崩溃了……

EfficientNetB0 解决问题了 2.5 倍的较快：

EfficientNetB4 解决问题了 3.5 倍较快：

ConvMixer 运转良好，从 11 秒提速到 2.8 秒：

Dmytro Mishkin 也声称，用作 M1 定制电路定制的 GPU 较快只须要吸热一下建模，没有同步命令。和 CUDA 不同，无需异步执行。

威斯康星大学麦迪逊分校助理讲师 Sebastian Raschka 也对 M1 定制电路的 GPU 人工智能潜能同步进行了一番飞行测试，他用作的定制电路是 M1 和 M1 Pro。

看上去，M1 CPU 看来比 M1 GPU 来得快。但 LeNet-5 是一个极为小的网络，而 MNIST 是一个极为小的数据集集。如果用 rescaled CIFAR-10 图片再试一次，结果如下：

与 M1 Pro CPU（正数第二行）和 M1 Pro GPU（倒数第二行）相比，M1 Pro GPU 军事训练网络的来得快提高了一倍。

可见，M1 第四部定制电路的 GPU 较快结果极为可观，在其余部分才会已能满足Ubuntu的需求。不过我们知道在 M1 Ultra 这样的定制电路当中也有 32 氢的数学模型汽缸，现有却只有苹果公司自己的 Core ML 基本默许用作该其余部分获得较快。

不知停用了 Neural Engine 之后，M1 定制电路的 AI 解谜来得快还能大幅提高多少？

参见具体内容：