MacOS安装Miniforge、Tensorflow、Jupyter Lab等（2024年最新）

大家好，我是邵奈一，一个不务正业的程序猿、正儿八经的斜杠青年。 1、世人称我为：被代码耽误的诗人、没天赋的书法家、五音不全的歌手、专业跑龙套演员、不合格的运动员… 2、这几年，我整理了很多IT技术相关的教程给大家，爱生活、爱分享。 3、如果您觉得文章有用，请收藏，转发，评论，并关注我，谢谢！ 博客导航跳转（请收藏）：邵奈一的技术博客导航 | 公众号 | 微信 | CSDN | 掘金 | 51CTO | 简书 | 微博 |

教程目录

0x00 教程内容0x01 下载安装并配置Miniforge1. 下载并安装Miniforge2. 配置Miniforge

0x02 安装Tensorflow1. 创建虚拟环境2. 安装Tensorflow3. 测试Tensorflow

0x03 安装Jupyter Lab1. 安装依赖2. 测试Jupyter Lab3. 一个尝试

0xFF 总结

0x00 教程内容

本教程配置

苹果电脑配置如下：

M1 Max系统版本13.0 (22A380)

但是我觉得问题不大，主要还是看我的教程。

安装Miniforge、Tensorflow、Jupyter Lab

我现在需要安装Anaconda，但是我这里直接使用了Miniforge替代，然后安装Tensorflow、Jupyter Lab等，除了我总结我的搭建过程，还会在文章最后附带上一些有意义的参考链接。

0x01 下载安装并配置Miniforge

1. 下载并安装Miniforge

从 https://github.com/conda-forge/miniforge下载 Miniforge3-MacOSX-arm64。如下图:

下载完后，直接在终端执行以下命令安装Miniforge:

bash Miniforge3-MacOSX-arm64.sh

其实还是比较顺利的，安装完后，Python的版本会被默认使用新安装Python版本，可以执行查看。

2. 配置Miniforge

（1）配置环境变量

接着，可以配置一下环境变量，我是配置在~/.bash_profile：

export MINIFORCE_HOME=/Users/shaonaiyi/app/miniforge3

export PATH=$MINIFORCE_HOME/bin:$PATH

（2）添加国内镜像源

配置命令如下：

conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/free/

conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/main/

查看镜像源：

conda config --show channels

如果配置正确，可以看得到刚刚配置上的镜像源。

说明：若在本文以后的配置中，有些地方网速还是慢，开启“全局模式”可解决。

conda config --set show_channel_urls yes

0x02 安装Tensorflow

1. 创建虚拟环境

# 创建名为“tf”的虚拟环境:

conda create -n tf python=3.9.7

# 激活虚拟环境:

conda activate tf

删除上述虚拟环境的命令为（此命令不需要执行）：

conda remove -n tf --all

2. 安装Tensorflow

在虚拟机中执行如下命令安装：

python -m pip install tensorflow

python -m pip install tensorflow-metal

注意：新版本里第一行是 tensorflow ，不是 tensorflow-macos ！

3. 测试Tensorflow

安装好后，运行如下代码：

import tensorflow as tf

cifar = tf.keras.datasets.cifar100

(x_train, y_train), (x_test, y_test) = cifar.load_data()

model = tf.keras.applications.ResNet50(

include_top=True,

weights=None,

input_shape=(32, 32, 3),

classes=100,)

loss_fn = tf.keras.losses.SparseCategoricalCrossentropy(from_logits=False)

model.compile(optimizer="adam", loss=loss_fn, metrics=["accuracy"])

model.fit(x_train, y_train, epochs=5, batch_size=64)

最好一行一行粘贴。

如果环境没有问题，结果如下：

Type "help", "copyright", "credits" or "license" for more information.

>>> import tensorflow as tf

>>> cifar = tf.keras.datasets.cifar100

>>> (x_train, y_train), (x_test, y_test) = cifar.load_data()

Downloading data from https://www.cs.toronto.edu/~kriz/cifar-100-python.tar.gz

169001437/169001437 [==============================] - 37s 0us/step

>>> model = tf.keras.applications.ResNet50(

... include_top=True,

... weights=None,

... input_shape=(32, 32, 3),

... classes=100,)

2024-01-10 14:54:28.725324: I metal_plugin/src/device/metal_device.cc:1154] Metal device set to: Apple M1 Max

2024-01-10 14:54:28.725346: I metal_plugin/src/device/metal_device.cc:296] systemMemory: 64.00 GB

2024-01-10 14:54:28.725351: I metal_plugin/src/device/metal_device.cc:313] maxCacheSize: 24.00 GB

2024-01-10 14:54:28.725396: I tensorflow/core/common_runtime/pluggable_device/pluggable_device_factory.cc:306] Could not identify NUMA node of platform GPU ID 0, defaulting to 0. Your kernel may not have been built with NUMA support.

2024-01-10 14:54:28.725429: I tensorflow/core/common_runtime/pluggable_device/pluggable_device_factory.cc:272] Created TensorFlow device (/job:localhost/replica:0/task:0/device:GPU:0 with 0 MB memory) -> physical PluggableDevice (device: 0, name: METAL, pci bus id: )

>>>

>>> loss_fn = tf.keras.losses.SparseCategoricalCrossentropy(from_logits=False)

>>> model.compile(optimizer="adam", loss=loss_fn, metrics=["accuracy"])

>>> model.fit(x_train, y_train, epochs=5, batch_size=64)

Epoch 1/5

2024-01-10 14:54:31.761634: I tensorflow/core/grappler/optimizers/custom_graph_optimizer_registry.cc:117] Plugin optimizer for device_type GPU is enabled.

782/782 [==============================] - 55s 57ms/step - loss: 4.7738 - accuracy: 0.0716

Epoch 2/5

782/782 [==============================] - 41s 53ms/step - loss: 4.2306 - accuracy: 0.1250

Epoch 3/5

782/782 [==============================] - 43s 55ms/step - loss: 3.7030 - accuracy: 0.1791

Epoch 4/5

782/782 [==============================] - 42s 54ms/step - loss: 3.3660 - accuracy: 0.2270

Epoch 5/5

782/782 [==============================] - 43s 55ms/step - loss: 3.1421 - accuracy: 0.2694

0x03 安装Jupyter Lab

1. 安装依赖

安装必须的包（此处，我是在虚拟环境中执行）：

conda install libjpeg

conda install -y matplotlib jupyterlab

注意: libjpeg 是 matplotlib 需要依赖的库。

执行以下命令：

pip install -U --force-reinstall charset-normalizer

使用 pip 强制重新安装charset-normalizer包，即使它已经是最新版本。 （1） --force-reinstall : 这个选项会强制重新安装包，即使该包已经是最新的。这有时在某些情况下是有用的，例如当包的安装有问题或损坏时。 （2） -charset-normalizer 是一个用于字符编码归一化的Python库，它可以将文本转换为UTF-8格式，确保在不同编码之间的一致性。

conda install ipykernel //安装ipykernel

sudo python -m ipykernel install --name tf //在ipykernel中安装当前环境

2. 测试Jupyter Lab

装好后，就可以直接执行：

jupyter lab

就可以进入notebook目录了，记得选择刚刚Kernel=> tf ，然后执行下面代码：

from tensorflow.keras import layers

from tensorflow.keras import models

import tensorflow as tf

import time

begin_time = time.time()

print(f"Running TensorFlow {tf.__version__} with {len(tf.config.list_physical_devices('GPU'))} GPUs recognized")

model = models.Sequential()

model.add(layers.Conv2D(32, (3, 3), activation='relu', input_shape=(28, 28, 1)))

model.add(layers.MaxPooling2D((2, 2)))

model.add(layers.Conv2D(64, (3, 3), activation='relu'))

model.add(layers.MaxPooling2D((2, 2)))

model.add(layers.Conv2D(64, (3, 3), activation='relu'))

model.add(layers.Flatten())

model.add(layers.Dense(64, activation='relu'))

model.add(layers.Dense(10, activation='softmax'))

model.summary()

from tensorflow.keras.datasets import mnist

from tensorflow.keras.utils import to_categorical

(train_images, train_labels), (test_images, test_labels) = mnist.load_data()

train_images = train_images.reshape((60000, 28, 28, 1))

train_images = train_images.astype('float32') / 255

test_images = test_images.reshape((10000, 28, 28, 1))

test_images = test_images.astype('float32') / 255

train_labels = to_categorical(train_labels)

test_labels = to_categorical(test_labels)

model.compile(optimizer='rmsprop',

loss='categorical_crossentropy',

metrics=['accuracy'])

model.fit(train_images, train_labels, epochs=5, batch_size=64)

test_loss, test_acc = model.evaluate(test_images, test_labels)

test_acc

end_time = time.time()

print('Total time: {} s'.format(int(end_time-begin_time)))

执行后，如果没有报错，则应该是这样： 如果弹窗报错，可能是哪一步错误了，建议重新检查或者重装。

3. 一个尝试

安装好后，发现在哪各路径执行jupyter lab，新建的项目文件就会是在哪个路径。我尝试了以下步骤，发现还是无法修改（请不要根据下面教程操作）：

修改/Users/shaonaiyi/app/miniforge3/envs/tf/lib/python3.9/site-packages/notebook_shim/tests/confs/jupyter_notebook_config.py文件，实际上是你的envs/tf/路径下的文件。 然后将c.ServerApp.notebook_dir 路径进行修改即可，我的如下：

c.ServerApp.notebook_dir = '/Users/shaonaiyi/my-workspace/jupyter'

注意：我的用户名为 shaonaiyi ：

发现不生效，说明虚拟环境是不支持这样改的，你可以直接去修改不是虚拟环境下的 jupyter_notebook_config.py 试试。会不会有惊喜呢？！

参考链接：

Mac M1芯片安装miniAnaconda、Jupyter、TensorFlow环境MacBook M1配置Pytorch可能遇到的错误：报错：Kernel Restarting The kernel for Untitled.ipynb appears to have died. It will restart automatical

0xFF 总结

我尝试过去限定TensorFlow的版本，比如设置成2.10，但是发现在装metal的时候报错了，因为找不到…所以，我最后干脆不加上版本，直接全部默认装就可以了。关注我，学习更多大数据与人工智能知识。

邵奈一 原创不易，如转载请标明出处，教育是一生的事业。

推荐阅读

 您阅读本篇文章共花了：