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

已于 2024-01-11 23:15:42 修改
阅读量4.7k 收藏 26
点赞数 26
分类专栏： 安装与配置 人工智能 数据挖掘 文章标签： macos tensorflow jupyter
于 2024-01-11 23:08:29 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/shaock2018/article/details/135504276
版权

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

  1. 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。

  1. 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:
在这里插入图片描述

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: <undefined>)
>>>
>>> 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
<keras.src.callbacks.History object at 0x2944ad730>

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：
在这里插入图片描述
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：

  1. Mac M1芯片安装miniAnaconda、Jupyter、TensorFlow环境
  2. MacBook M1配置Pytorch
  3. 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

  1. 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。
  2. 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。

【项目实战】Miniforge安装和管理python
本本本添哥
01-24 2063
Miniforge 是一个轻量级的 Conda 安装器，它提供了一种快速、独立的方法来安装和管理 Python 的科学计算环境。Miniforge 由社区维护，并专注于兼容 ARM 架构的设备（如 Apple M1/M2/M3 芯片）和其他 CPU 架构。与 Anaconda 和 Miniconda 相比，Miniforge 提供了几个显著的优势，包括更小的安装包、更快的安装速度、较少的磁盘占用以及使用 conda-forge 作为默认的软件源。
macos安装JupyterLab
weixin_45390651的博客
08-30 5070
JupyterLab 1. 安装 使用mac自带的python进行安装： $ pip3 install jupyterlab // 因为是使用的是python3，如果python环境不是3，使用pip $ pip install jupyterlab 2. 配置 下载完成后，配置jupyter环境变量： 打开用户目录下的.bash_profile文件: # jupyterlab export JPHOME=/usr/local export PATH=$PATH:$JPHOME/bin 根据自己的ju
Windows环境下PyCharm 配置miniforge
最新发布
chen798213337的博客
04-07 1022
（1）创建一个项目，后选择 Conda Evvironment，在 conda Eexcutable 中找到。（2）创建成功后，会在 C:\用户\XXX用户名\.condarc文件中，新增添加的位置信息。（3） 打开CMD命令行窗口，使用conda -- version命令检测是否安装成功。（4）修整MiniForge目录文件夹的访问权限：找到安装位置 属性-》安全-》编辑权限。(2) 单击Load Environment 后，创建新环境或者使用已存在的环境。注意安装时，路径中不要存在空格。
MAC M3安装miniforge并连接Pycharm（保姆教程）
weixin_44063145的博客
11-11 2754
a. 下载完成后是个sh文件，放到你希望之后conda目录会生成的位置（后续影响：因为我没有移动sh文件的位置，所以默认下载到Downloads里，conda最后生成的文件夹也在Downloads里）[yes|no]出现这个选项我直接回车了，（猜测默认为no, 但是影响不大，无论选择yes或者是no, 都执行以下命令（首先去确保在生成的conda的bin目录下,即。由于阿里内部限制了Anaconda和miniconda的官网下载，所以选择了miniforge轻量化安装，只使用Python和Pip并不影响。
MacBook Pro (m1) 安装 Miniforge3 安装 Jupyter notebook 使用python。
hjjhjji的博客
03-01 3356
1_1.下载Miniforge3-MacOSX-arm64（适用于 M1芯片的 arm64版本）。找到版本点击下载，接着进行下一步。1_2.找到下载好的文件地址，打开Mac终端 输入注意：1.过程中回车建议按慢一点.2.安装过程中会有yes/no选择，按自己需要选择（一般都全yes）.
Miniforge详细安装教程（macOs和Windows）
m0_61998604的博客
09-27 1万+
(注：主要是解决商业应用anaconda收费问题，这是轻量级的代替，个人完全可以使用anaconda和miniconda)Miniforge 是一个轻量级的包管理器，类似于 Anaconda 和 Miniconda。它主要用于安装基于conda的 Python 环境，专注于兼容 ARM 架构的设备（如 Apple M1/M2 /M3芯片）和其它 CPU 架构。Miniforge 使用作为默认的包管理渠道。下面是如何在不同系统中安装 Miniforge 的步骤。
m1 Mac 使用 miniforge 安装python3.9.7 和 tensorflow2.5 & pytorch1.8
鲨鱼儿的博客
12-01 9028
m1 mac 安装 python3.8 tensorflow2.5 pytorch1.8环境
MACOS安装JupyterLab以及部署局域网访问
12-23
安装JupyterLab 终端： pip install Jupyterab 部署局域网访问 生成配置文件&运行ipython生成密码哈希 终端: jupyter lab --generate-config # 生成配置文件 Writing default config to: /Users/你的用户名/....
在 macOS 中安装 TensorFlow.pdf
03-01
其中特别强调，Virtualenv因提供一个独立于其他Python应用的安全空间而成为首选，文中对Virtualenv的具体操作进行了详尽描述，包括虚拟环境创建、激活及TensorFlow安装等关键步骤。其他如原生pip直接安装方式简便...
官网文档_在 macOS 上安装 TensorFlow  _  TensorFlow
09-10
- 验证TensorFlow安装是否成功。 在安装过程中，确保所有的步骤都被准确无误地执行，以避免可能的配置错误。对于特定版本的操作系统和TensorFlow，可以参考TensorFlow官方文档获取最准确和详细的安装指导。此外，...
在 macOS 中安装 TensorFlow教程.docx
03-01
其他说明：考虑到macOS系统的特殊性和TensorFlow安装过程中可能出现的问题，建议用户仔细阅读文中提供的各项提示与注意事项。例如，Virtualenv作为首选安装方式能更好地兼容系统中原有的Python程序；若采取原生pip...
Miniforge3-MacOSX-arm64.sh
01-14
mini-forge的arm版本，Mac m1适配，conda的原生简洁版，（命令行版）有需要下载。
Miniforge详细安装教程（机器学习conda-Python包的管理和环境）
09-27
Miniforge 是一个轻量级的 Conda 发行版，类似于 Miniconda，但它专注于 Python 包的管理和环境的创建。Miniforge 是由 Conda Forge 社区维护的，旨在提供一个更小、更精简的安装包，特别适合那些需要在资源受限的环境中使用 Conda 的用户。 主要特点 轻量级： Miniforge 只包含 Python 和 Conda 包管理器，没有预装其他任何包，因此体积非常小。 适合在资源受限的环境中使用，如嵌入式系统、容器化应用等。 开源和社区驱动： Miniforge 是由 Conda Forge 社区维护的，Conda Forge 是一个开源的包构建和分发平台，提供了大量的高质量科学计算和数据分析相关的包。 使用 Miniforge 可以轻松访问 Conda Forge 上的包。 跨平台支持： Miniforge 支持多种操作系统，包括 Windows、macOS 和 Linux。 提供了多种架构的支持，如 x86_64、aarch64 等。 易于安装： 安装过程简单，只需下载安装脚本并运行即可。 提供了详细的安装文档和示例，适合初学者和经验丰
(简单有效)——Mac苹果电脑下载Miniforge、配置环境及新建Conda环境并测试
qq_56438555的博客
02-20 1569
简单明了阐述如何在mac端安装并配置miniforge～
Miniforge的介绍，安装和使用
热门推荐
lhyyds的博客
06-04 2万+
Miniforge是由社区赞助、领导的，并且用GitHub托管所有的包，使用 （而且只用）conda-forge 作为（默认）下载channel，避开了Anaconda的repository，从而也就避开了被Anaconda追责的问题。Miniforge是一个基于Conda的包管理器和环境管理器，它旨在提供一个更轻量级的替代品来安装和管理Python及其相关库。Miniforge是由Conda-Forge社区创建的，它与Anaconda和Miniconda兼容，但具有一些独特的优势。
【笔记】Mac M1上miniforge3与tushare的安装
我的博客
01-03 1011
起因是在自己的Mac M1上安装tushare报了这个错，正好环境时间比较长了，于是删除干净从头安装了一遍。Mac M1上从头安装了miniforge3与tushare。2. 编辑~/.zshrc，删除conda相关的初始化脚本。6. 建立conda环境py。
Mac Apple Silicon M1/M2 homebrew miniforge conda pytorch yolov5深度学习环境搭建并简单测试MPS GPU加速
catscanner的博客
02-27 8979
笔者使用的是一台M2版本的Macbook Air，虽然苹果作为深度学习的训练机不太合适，但是由于macbook作为打字机实在是无可挑剔，所以使用macbook调试一下pytorch的代码再放到集群上训练或者直接在mac上调试运行代码都是不错的体验，本文以在mac上直接调试yolov5为目标，大概记录一下步骤。这一步就是大家八仙过海各显神通的时候了，总之开启代理后，除了浏览器可以走代理访问之外，还需要配置zsh和git走代理，否则homebrew的安装会比较痛苦。就可以开始使用专属的conda虚拟环境了。
Miniforge 安装器
jerwey的博客
07-18 1202
https://github.com/conda-forge/miniforge/?tab=readme-ov-file#download简介Miniforge 是一个由社区驱动的软件包管理器和环境管理器，旨在提供一个轻量级的替代品来安装和管理 Python 及其相关库。以下是关于 Miniforge 的详细介绍：简介：优势：安装：在 macOS 或 Linux 上，使用终端运行下载的 sh 脚本，例如： 配置环境变量：~/.bashrc文件来添加环境变量，例如： 初始化 Conda： 更新 Conda
miniforge3安装虚拟环境
02-27
### 使用 Miniforge3 创建和管理 Python 虚拟环境 #### 安装 Miniforge3 为了使用 Miniforge3 来创建和管理虚拟环境，首先需要下载并安装 Miniforge3。Miniforge 是 Conda 的轻量级版本，专为快速设置数据科学工作流设计。 可以通过访问官方 GitHub 页面获取最新版的 Miniforge3 并按照说明完成安装过程[^2]。 #### 初始化 Miniforge3 环境 一旦 Miniforge 成功安装，在终端输入 `conda init` 命令初始化 shell 设置以便能够正常使用 conda 和其他命令工具。 #### 创建新的虚拟环境 通过下面这条指令可以基于 Miniforge3 创建一个新的 Python 虚拟环境： ```bash conda create --name myenv python=3.x ``` 这里 `myenv` 表示新创建的环境名称，可以根据个人需求更改；`python=3.x` 则指定了该环境中使用的 Python 版本号[^1]。 #### 激活与停用虚拟环境 激活刚刚创建好的虚拟环境需执行如下命令： ```bash conda activate myenv ``` 当不再需要当前活动中的特定环境时，则可通过下列语句将其关闭： ```bash conda deactivate ``` #### 添加额外软件包到现有环境中 如果希望向已有的虚拟环境中加入更多第三方库或其他资源，可利用 pip 或者 conda 进行安装操作。例如要安装 Jupyter Notebook 及 PyTorch 库，应该这样做： ```bash pip install jupyter d2l torch torchvision ``` 或者也可以采用 conda 方式来进行相同的操作： ```bash conda install jupyter pytorch torchvision cpuonly ``` 上述例子展示了两种不同方式来扩展已有项目的功能集[^3]。 #### 删除不需要的虚拟环境 对于那些已经废弃不用或是想要清理掉的空间占用型旧环境来说，可以直接删除它们以释放磁盘空间： ```bash conda env remove --name old_env_name ``` 其中 `old_env_name` 就是要移除的目标环境的名字。 #### 更新现有的虚拟环境及其内部组件 随着时间推移以及技术进步，定期更新所维护的所有环境是非常重要的安全措施之一。这不仅有助于保持系统的稳定性和安全性，还能让开发者享受到最新的特性和改进之处。具体做法如下所示： ```bash conda update --all ``` 此命令会自动查找所有可用升级项并将之应用至指定范围内。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

邵奈一

教育是一生的事业。

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值