雑魚のためのPyTorchでM1 MacのGPU使う環境構築

あとで読み返したらめっちゃ間違っていたので修正しましたm(_ _)m
（2022年5月23日）

はじめに

この記事によると，PyTorch(pytorch==1.12.0)でM1 MacでGPUが使えるようになったらしい．
ということで環境構築して使ってみた記事です．
※2022年5月19日現在の内容です．

誰かが同じ轍を踏んでなければいいな，と思い書くことにしました．
環境構築をするたびに無力感を感じるので，タイトルに『雑魚のための』とつけました．

0から構築する人はこちらの手順でおkです

1. Miniforge3-MacOSX-arm64をクリックしてminiforgeのインストーラーをダウンロード
2. 下のコマンドでインストールから環境構築まで一気に実行

bash Miniforge3-MacOSX-arm64.sh
conda create -n pytorch python=3.8
conda activate pytorch
pip3 install --pre torch torchvision torchaudio --extra-index-url https://download.pytorch.org/whl/nightly/cpu

気をつけること

このあたりに気をつけて進めていきましょう．

1. miniforgeでpython環境を構築←超大事
2. python3.8の環境構築する
3. pip3でtorchとtorchvisionのNightlyを入れる←まぁ大事（というかこれができればおk）
4. 動かすときはtorch.device("mps")を使う

やったこと

最終的に環境構築がうまくいったのはこの手順でした．

1. anacondaを消してminiforgeをいれる
2. python3.8の環境構築
3. torchインストール
4. 動かす

順番に見ていきましょう

anacondaを消してminiforgeを入れる

情弱雑魚な自分はなんの考えもなしにanacondaを入れていました．
PyTorch公式ブログにも書いてありますが，pythonのアーキテクチャがarm64じゃないと動きません．（私は当初x86運用でちゃんと動きませんでした．）
そしてanacondaで入れるとx86アーキテクチャのpythonがインストールされるようです．

To get started, just install the latest Preview (Nightly) build on your Apple silicon Mac running macOS 12.3 or later with a native version (arm64) of Python.

なんなら．．．M1Macはanacondaではなくminifogeをいれるべき，といたるとこでみかけます（これだから情弱は←）．
いたるとこの一例．

自分のpythonのアーキテクチャがなんなのかはpythonでこのコードを実行するとわかります．

import platform
print(platform.platform())

面倒ならコマンドでこうです．

python
import platform
platform.platform()

armならarm64と出ますが，x86ならx86が含まれたそれなりの文字列が出ます．

私のようにx86が含まれたそれなりの文字列が出てしまった残念な方は，まずはanacondaを消しましょう（きっとanacondaをインストールしているはずです）．

この記事とか参考になります．

とりあえず，conda install anaconda-cleanしてanaconda-cleanしてフォルダ消せば大丈夫でした．

いったんここでPCごと再起動しておきましょう．

さて，続いてminiforgeのgithubにあるMiniforge3-MacOSX-arm64を落としましょう（一応ハイパーリンクにしておきます）．
シェルスクリプトがダウンロードされるので，迷わす実行しましょう．（雑魚は迷わないのです．）

bash Miniforge3-MacOSX-arm64.sh

ここで，pythonのアーキテクチャを確認しておきましょう．

python
import platform
platform.platform()

arm64と出ればオッケーです！

python3.8の環境構築

miniforgeもanacondaと同じように環境を構築したりアクティベートしたりできます．

conda create -n hoge python=3.8
conda activate hoge

3.9と3.7は試してないのでわかりません．
ただし，3.10.0は失敗しました．
どこぞの雑魚ライブラリ(雑魚は私だ)ライブラリで3.10.0を勘違いして3.1を呼び出してエラーを吐いてました．

公式githubでは3.7.6か3.8.1以上が推奨されていますね.

torchインストール

これも公式に従ってインストールしましょう．
Preview(Nightly)->Mac->Pip->Python->CPUの組み合わせで出るコードを使いましょう．

pip3でインストールしましょう．condaでのインストールもソースからビルドするのもうまくいきませんでした．おそらく雑魚には向いていなかったのです．
※condaに関しては，現時点でconda-forge内でtorchvisionに対応するpytorchのバージョンが1.11.0だった模様．

pip3 install --pre torch torchvision torchaudio --extra-index-url https://download.pytorch.org/whl/nightly/cpu

一度ここでバージョンを確認しておきましょう．
目指すはpytorch==1.12.0です．

python
import torch
torch.__version__

'1.12.0.dev20220519'的な感じで1.12.0以上であることを示すものが出ればオッケーです．

ここでいったん打ち上げをしましょう．

動かす

ここまで大人しくついてきていれば動くはずです．
こんな感じで，torch.device()に引数としてmpsを与えてやります．
※Metal Performance Shaders (MPS)だそうです．

a = torch.tensor([3])
device = torch.device("mps")
a.to(device)

ちなみに私が試したコードはこちらです．FashionMNISTを解いています．
公式のチュートリアルQuickStartのコードです．
自分では書きません雑魚だからです．

サンプルコード

import torch
from torch import nn
from torch.utils.data import DataLoader
from torchvision import datasets
from torchvision.transforms import ToTensor
import time

# Download training data from open datasets.
training_data = datasets.FashionMNIST(
    root="data",
    train=True,
    download=True,
    transform=ToTensor(),
)

# Download test data from open datasets.
test_data = datasets.FashionMNIST(
    root="data",
    train=False,
    download=True,
    transform=ToTensor(),
)


batch_size = 64

# Create data loaders.
train_dataloader = DataLoader(training_data, batch_size=batch_size)
test_dataloader = DataLoader(test_data, batch_size=batch_size)

# Get cpu or gpu device for training.
# device = "cpu"
device = "mps"
# device = "cuda" if torch.cuda.is_available() else "cpu"
print(f"Using {device} device")

# Define model
class NeuralNetwork(nn.Module):
    def __init__(self):
        super(NeuralNetwork, self).__init__()
        self.flatten = nn.Flatten()
        self.linear_relu_stack = nn.Sequential(
            nn.Linear(28*28, 512),
            nn.ReLU(),
            nn.Linear(512, 512),
            nn.ReLU(),
            nn.Linear(512, 10)
        )

    def forward(self, x):
        x = self.flatten(x)
        logits = self.linear_relu_stack(x)
        return logits

model = NeuralNetwork().to(device)
print(model)

loss_fn = nn.CrossEntropyLoss()
optimizer = torch.optim.SGD(model.parameters(), lr=1e-3)

def train(dataloader, model, loss_fn, optimizer):
    size = len(dataloader.dataset)
    model.train()
    for batch, (X, y) in enumerate(dataloader):
        X, y = X.to(device), y.to(device)

        # Compute prediction error
        pred = model(X)
        loss = loss_fn(pred, y)

        # Backpropagation
        optimizer.zero_grad()
        loss.backward()
        optimizer.step()

        if batch % 100 == 0:
            loss, current = loss.item(), batch * len(X)
            # print(f"loss: {loss:>7f}  [{current:>5d}/{size:>5d}]")

def test(dataloader, model, loss_fn):
    size = len(dataloader.dataset)
    num_batches = len(dataloader)
    model.eval()
    test_loss, correct = 0, 0
    with torch.no_grad():
        for X, y in dataloader:
            X, y = X.to(device), y.to(device)
            pred = model(X)
            test_loss += loss_fn(pred, y).item()
            correct += (pred.argmax(1) == y).type(torch.float).sum().item()
    test_loss /= num_batches
    correct /= size
    # print(f"Test Error: \n Accuracy: {(100*correct):>0.1f}%, Avg loss: {test_loss:>8f} \n")


start = time.time()
epochs = 50
for t in range(epochs):
    # print(f"Epoch {t+1}\n-------------------------------")
    train(train_dataloader, model, loss_fn, optimizer)
    test(test_dataloader, model, loss_fn)
print("Done!")
end = time.time()
print(end-start)

結論から申しますと，転送速度がボトルネックになったようでcpuのまま走らせた方が速かったです．
50エポック学習させた結果こんな感じでした．

デバイス	学習時間
cpu	133.8357961177826
mps	208.2523648738861

まぁ，MNISTですからね．．．

おわりに

なにはともあれ無事に環境構築できてよかったです．ありがとうPyTorch．
終わりよければ全てよし．
（というか，M1 Macのpytorchのインストール記事になってしまった．）
もっと重いモデルとデータセットで試してきちんと効能を得たいところ．
何か変な部分があればご指摘いただければと思います（何せ雑魚なので．．．）