昨天，通过与苹果 Metal 团队工程师合作，PyTorch 官方宣布已正式支持在 M1 版本的 Mac 上进行 GPU 加速的 PyTorch 机器学习模型训练。统一内存架构还减少了数据检索延迟，提高了端到端性能。
PyTorch 2.0 通过简单一行 torch.compile() 就可以使模型训练速度提高 30%-200%，本教程将演示如何真实复现这种提速。torch.compile() 可以轻松地尝试不同的编译器后端，进而加速 PyTorch 代码的运行。它作为 torch.jit.
人工智能研究所在头条上的第一篇文章介绍的是，tensorflow是Google旗下的开源深度学习框架，我们在往期的分享中，也介绍了其相关方面的文章，从安装到基础的CNN卷积神经网络到数字识别与图片分类等等，随着科技的发展，其深度学习框架也越来越成熟，facebook旗下的pytorch便是在众多框架中脱颖而出的一个优秀的深度学习框架。
Whisper 是一个开源的语音识别库，它是由Facebook AI Research 开发的，支持多种语言的语音识别。PyTorch MPS 可以在 Apple 的设备上加速模型训练，也可以在 Mac 上使用。
PyTorch简介PyTorch是由Meta AI(Facebook)人工智能研究小组开发的一种基于Lua编写的Torch库的Python实现的深度学习库，目前被广泛应用于学术界和工业界，PyTorch在API的设计上更加简洁、优雅和易懂。
今年 3 月初，官方团队发布了 PyTorch 1.8 版本，整合了自去年 10 月 1.7 版本发布以来的 3000 多次 commit，并提供了编译、代码优化、科学计算前端 API 方面的更新和新特性。
讲师 | 邱建斌 瑞芯微Toybrick AI开发平台负责人。导读:瑞芯微Toybrick AI开发平台负责人邱建斌今年3月曾在智东西公开课进行了嵌入式AI合辑第一讲的直播讲解，主题为《AI开发平台如何帮助嵌入式开发者加速应用产品化落地》。
现而今，无论是Pytorch框架的MPS模式，还是最新的Tensorflow2框架，都已经可以在M1/M2芯片的Mac系统中毫无桎梏地使用GPU显卡设备，本次我们来分享如何在苹果MacOS系统上安装和配置Tensorflow2框架。
