推荐用 miniconda（新手）或 pyenv（多版本需求），配合 xcode 命令行工具，安装适配 m1/m2 或 intel 的 python 环境及 tensorflow、pytorch，并验证 mps/gpu 加速可用。
直接用系统自带的 python 不行，版本旧、缺工具、还容易动到系统文件。推荐用 pyenv + 虚拟环境 或 miniconda，两者都稳定，适配 m1/m2 和 intel 芯片，也支持最新版 tensorflow、pytorch。
先装好基础开发工具
机器学习库很多要编译 C 扩展，Xcode 命令行工具是必须的：
- 终端运行
xcode-select --install，按提示完成安装 - 装完后执行
clang --version，看到 Apple clang 版本号就说明到位了 - 如果提示许可未接受，补一句
sudo xcodebuild -license accept
选一个靠谱的 Python 管理方案
不建议直接 brew install python 或用系统 Python。两个主流选择：
-
Miniconda（推荐给新手）：轻量、预编译科学包多、M 系列芯片原生支持好
下载对应架构的安装脚本（arm64 或 x86_64），运行后执行：conda create -n ml python=3.9conda activate ml -
pyenv（适合多版本/项目隔离需求）：
用 Homebrew 安装：brew install pyenv pyenv-virtualenv
然后装个合适版本：pyenv install 3.10.6 && pyenv virtualenv 3.10.6 ml-env
激活：pyenv activate ml-env
装核心机器学习库
进虚拟环境后，按需安装：
- 基础栈：
pip install numpy pandas matplotlib scikit-learn - PyTorch（官方命令最稳）：
去 pytorch.org 复制 macOS 版本命令，通常形如：pip3 install torch torchvision torchaudio - TensorFlow（M 系列芯片注意）：
Apple 官方维护的版本更可靠：pip install tensorflow-macos tensorflow-metal（后者启用 GPU 加速）
验证环境是否可用
写个简单测试脚本，确认关键组件能跑：
- 检查 PyTorch 是否识别 Metal：
import torch; print(torch.backends.mps.is_available())→ 应输出True - 检查 TensorFlow 是否启用 Metal：
import tensorflow as tf; print(tf.config.list_physical_devices('GPU'))→ 应看到PhysicalDevice列表 - 跑个小张量运算看是否报错：
x = torch.rand(1000, 1000); y = x @ x.T; print(y.shape)
配置本身不复杂，但每一步依赖都得对上——特别是 Python 版本、芯片架构、加速后端三者要匹配。装完别急着训模型，先跑通这几个小检查，能省下后面大半天调试时间。
