不启用。pytorch 2.0+ 虽支持 mps 后端，但默认设备为 cpu；需安装 macos 原生 wheel、确认 torch.backends.mps.is_available() 为 true，并手动将模型与数据统一移至 mps 设备，同时规避不兼容算子与混合设备操作。
PyTorch是否默认启用Apple Silicon的Metal加速？
不启用。PyTorch 2.0+ 虽已内置 torch.compile 和 mps 后端支持，但默认设备仍是 cpu，即使你调用 .to("mps")，也需满足多个前提条件，否则会直接报错或静默回退到 CPU。
常见错误现象：RuntimeError: Found no NVIDIA driver on your system（误以为只检查 CUDA）、AttributeError: module 'torch' has no attribute 'mps'（版本太低）、或训练速度无提升（实际仍在 CPU 运行）。
- 必须使用 PyTorch ≥ 2.0，且通过
pip install torch torchvision torchaudio --extra-index-url https://download.pytorch.org/whl/macos安装 macOS 原生 wheel（非通用 x86_64 版） - 确认安装正确：运行
torch.backends.mps.is_available()返回True，且torch.device("mps")不抛异常 - 注意：MPS 不支持所有算子（如
torch.nn.BatchNorm3d、某些torch.fft变体），遇到时会自动 fallback 到 CPU，但不会报错——需用torch.autograd.set_detect_anomaly(True)或手动插入.to("mps")检查设备一致性
如何安全地将模型和数据迁移到MPS设备？
不能简单把模型 .to("mps") 就完事。MPS 对张量类型、布局、甚至随机数生成器状态都有隐式要求，稍有不慎就会触发不可恢复的崩溃或 NaN 损失。
实操建议：
- 模型、输入数据、损失函数中的所有张量必须统一设备：先创建模型，再调用
model.to("mps")；所有torch.tensor(...)或dataset加载的数据都需显式.to("mps") - 避免混合设备操作：例如
loss = criterion(output, target)中 output 在 MPS、target 在 CPU，会直接 crash。可用assert output.device == target.device快速定位 - 优化器必须在模型移到 MPS 后再初始化：
optimizer = torch.optim.Adam(model.parameters())必须在model.to("mps")之后，否则其内部缓存仍驻留在 CPU - 禁用不兼容的训练技巧：
torch.cuda.amp（自动混合精度）对 MPS 无效；改用torch.autocast("mps")，且仅限 forward 阶段，backward 仍需手动处理
为什么验证集推理变慢，甚至比 CPU 还慢？
这是 MPS 最常被忽略的性能陷阱：MPS 的 kernel 启动开销高，小 batch（如 batch_size=1）或频繁切换 device（如每步都 .to("mps")）会导致大量同步等待，实际吞吐反而下降。
安全 Python 代码沙箱：在隔离的沙箱中执行任意 Python 代码，预装 requests、NumPy、pandas 库。返回 stdout、stderr。
关键参数与调整方向：
- batch_size 至少设为 8～16：低于此值，MPS 的调度开销 > 计算收益
- 避免在循环内重复调用
.to("mps")：预先把 dataloader 的输出 tensor 绑定到 MPS，或用pin_memory=True+non_blocking=True（虽对 MPS 效果有限，但可减少 host-device 拷贝阻塞） - 禁用梯度计算时务必用
torch.no_grad()：MPS 下未关闭 grad 会额外记录计算图，显著拖慢 inference - 注意 DataLoader 的 num_workers：macOS 上多进程 + MPS 易引发 fork 问题，建议设为
0（主线程加载），或改用torch.utils.data.IterableDataset手动控制
遇到 MPS 相关 RuntimeError 怎么快速定位？
MPS 错误信息通常模糊（如 Invalid device ordinal 或直接 segmentation fault），根本原因往往不在报错行，而在上游张量的 device 或 dtype 不一致。
调试步骤：
- 在 model.forward() 开头加
print(f"input device: {x.device}, dtype: {x.dtype}")，确认输入合规（dtype 推荐torch.float32，MPS 对float64或int64支持极差） - 逐层检查：用
for name, param in model.named_parameters(): print(name, param.device)确保无参数意外滞留 CPU - 临时替换为 CPU 运行一次：若 CPU 正常而 MPS 报错，基本可锁定为 MPS 不支持的算子；此时查 MPS native op 列表，或改用等效替代（如用
torch.nn.functional.interpolate替代部分Upsample） - 升级到最新 nightly 版本：
pip install --pre torch torchvision torchaudio --index-url https://download.pytorch.org/whl/nightly/cpu（注意选 cpu index，nightly 的 macOS MPS 支持更新更全）
MPS 的最大复杂点不是“怎么开”，而是“怎么稳”——它不像 CUDA 那样经过十年打磨，很多边界 case 仍依赖手动规避。哪怕模型能跑通，也要在每个 epoch 后检查 loss 是否 nan、device 是否意外漂移，这些细节没法靠框架自动兜底。
Python免费学习笔记（深入）：立即使用
在学习笔记中，你将探索 Python 的核心概念和高级技巧！
