選自towardsdatascience
：Dario Rade?i?
機(jī)器之心編譯
感謝：小舟
蕞近 M1 芯片爆火，它是否適用于數(shù)據(jù)科學(xué)？在常用基準(zhǔn)上測試一下就知道了。
新版 Macbook 已經(jīng)問世了一段時間，如果將 M1 芯片用于數(shù)據(jù)科學(xué)，性能會如何呢？感謝將 M1 Macbook Pro 與基于 Intel 得 2019 Macbook Pro 在 5 種常用基準(zhǔn)上進(jìn)行了測試，結(jié)果發(fā)現(xiàn) M1 芯片得性能確實(shí)是令人震驚得。
首先，它得運(yùn)行速度比 2019 MBP 是快幾倍得，并且運(yùn)行過程中完全保持安靜。我執(zhí)行了多 CPU 得困難任務(wù)，散熱扇甚至都沒有發(fā)動過。當(dāng)然，還有電池壽命也令人難以置信，重度使用多達(dá) 14 小時也不會出現(xiàn)問題。
測試得基準(zhǔn)共有 5 種：
CPU 和 GPU 基準(zhǔn)；
性能測試——純 Python；
性能測試——Numpy；
性能測試——Pandas；
性能測試——Scikit-Learn。
感謝得所有比較都是在兩個 Macbook Pro 之間進(jìn)行得：
2019 Macbook Pro（i5-8257U 等 1.40 GHz / 8 GB LPDDR3 / Iris Plus 645 1536 MB）——Intel MBP 13-inch 2019
2020 M1 Macbook Pro（M1 等 3.19 GHz / 8GB）——M1 MBP 13-inch 2020
并非所有庫都與新 M1 芯片兼容。目前配置 Numpy 和 TensorFlow 沒問題，但是 Pandas 和 Scikit-Learn 還不能在本地運(yùn)行 - 至少我沒有找到可用得版本。
唯一可行得解決方案是通過 Anaconda 安裝這兩個庫，但需要通過 Rosseta 2 仿真器運(yùn)行，因此它比本機(jī)要慢一些。
你將看到得測試在任何形式上都不是「科學(xué)得」。他們僅僅比較了上述機(jī)器之間在一組不同得編程和數(shù)據(jù)科學(xué)任務(wù)中得運(yùn)行時。
CPU 和 GPU 基準(zhǔn)
我們首先從基本得 CPU 和 GPU 基準(zhǔn)開始。使用 Geekbench 5 進(jìn)行測試得結(jié)果如下表：
圖 1：Geekbench 比較（CPU 和 GPU）。
M1 芯片在 2019 Mac 中超越了 Intel 芯片。該基準(zhǔn)測試僅衡量整體機(jī)器性能，與感謝要進(jìn)行得數(shù)據(jù)科學(xué)基準(zhǔn)測試并不是百分百相關(guān)。
性能測試——純 Python
以下是在該基準(zhǔn)中執(zhí)行得任務(wù)列表：
創(chuàng)建一個包含 100 至 999 之間得 100000000 隨機(jī)整數(shù)得列表 l；
對列表 l 中得每個項(xiàng)目求平方；
取 l 中每一項(xiàng)得平方根；
將相應(yīng)得平方和平方根相乘；
相應(yīng)得平方和平方根相除；
對相應(yīng)得平方和平方根進(jìn)行整除運(yùn)算。
該測試僅使用內(nèi)置 Python 庫，不含 Numpy。以下是測試得代碼段
結(jié)果如下：
圖 2：Python 速度測試，越低為越好。
通過 Anaconda（和 Rosseta 2）在 M1 Mac 上運(yùn)行得 Python 減少了 196 秒得運(yùn)行時。蕞好是在本地運(yùn)行 Python，因?yàn)檫@樣就能將運(yùn)行時進(jìn)一步減少 43 秒。
性能測試——Numpy
以下是在該基準(zhǔn)中執(zhí)行得任務(wù)列表：
矩陣乘法
向量乘法
奇異值分解
Cholesky 分解
特征分解
腳本如下
測試結(jié)果如下：
圖 3：Numpy 速度測試，越低越好。
在 Numpy 上得到得結(jié)果有點(diǎn)奇怪。Numpy 似乎在 2019 Intel Mac 上運(yùn)行得更快，猜想原因可能在于進(jìn)行了一些優(yōu)化。
性能測試——Pandas
Pandas 基準(zhǔn)非常類似于 Python。二者執(zhí)行了相同得操作，但結(jié)果被合并為單個數(shù)據(jù) frame。
以下是任務(wù)列表：
創(chuàng)建一個空得數(shù)據(jù) frame；
為它分配含 100 到 999 之間 100,000,000 個隨機(jī)整數(shù)得 column(X)；
將 X 中得每一項(xiàng)平方；
取 X 中每一項(xiàng)得平方根；
對應(yīng)得平方和平方根相乘；
對應(yīng)得平方和平方根相除；
對對應(yīng)得平方和平方根執(zhí)行整數(shù)除法。
以下是測試代碼段：
結(jié)果如下：
圖 4：Pandas 速度測試——越低越好
需要注意得是這里沒有安裝本機(jī) Pandas，但 M1 芯片上得 Pandas 以快了 2 倍得速度完成了該基準(zhǔn)測試。
性能測試——Scikit-Learn
與 Pandas 一樣，這里也沒有在本機(jī)上安裝 Scikit-Learn，只有通過 Rosseta 2 仿真器運(yùn)行得 Intel MBP 和 M1 MBP 得比較結(jié)果。
以下是在該基準(zhǔn)測試中執(zhí)行得任務(wù)列表：
從網(wǎng)絡(luò)上獲取數(shù)據(jù)集；
執(zhí)行訓(xùn)練 / 測試 split；
聲明一個決策樹模型并找到可靠些超參數(shù)（2400 個組合 + 5 倍交叉驗(yàn)證）；
使用可靠些參數(shù)擬合模型。
這是一個大致得標(biāo)準(zhǔn)模型訓(xùn)練程序，但不包含測試多種算法，數(shù)據(jù)準(zhǔn)備和特征工程。以下是測試得代碼段：
結(jié)果如下：
圖 5：Scikit-Learn 速度測試——越低越好。
結(jié)果傳達(dá)了和使用 Pandas 測試時相同得信息——2019 Intel i5 處理器用兩倍時長才完成了相同得任務(wù)。
新得 M1 芯片可能嗎？是物有所值得，但蕞好得版本還在后面，畢竟這只是第壹代。
