新的 macbook m1 适合数据科学吗？
数据科学 python 库（如 pandas、numpy、sklearn 等）是否可以在 macbook m1（Apple Silicon）芯片上运行？与上一代基于 Intel 的 macbook 相比，速度如何？
【问题讨论】：
标签： python pandas scikit-learn data-science apple-silicon
这个 GitHub 存储库包含大量有关 Apple M1 芯片和 Python https://github.com/neurolabusc/AppleSiliconForNeuroimaging 数据科学的有用信息。我在下面包含了代表性的报价。此存储库专注于脑成像分析软件，但内容广泛。
于 2021 年 9 月 27 日更新。
TL;DR
除非您是开发人员，否则我强烈建议科学家不要在短期内购买 Apple Silicon 计算机。生产性工作将需要移植核心工具。从长远来看，这种架构可能会对科学产生深远的影响。特别是如果 Apple 开发的服务器能够利用其 CPU 的卓越能效（与 AWS Graviton 竞争）并利用 Metal 语言和 GPU 执行计算任务（与 NVidia 的 Tesla 产品和 CUDA 语言竞争）。
Apple Silicon 面临的限制
科学家所依赖的基础架构尚不适用于此架构。以下是一些短期限制：
- Native R 可以使用不稳定的 R-devel 4.1。但是，RStudio 将需要 gdb。
- Julia 尚未原生支持 Apple Silicon。
- Python 原生支持 Apple Silicon。但是，某些模块有问题或速度很慢。请参阅下面的 NiBabel 部分。
- Python、R 和 Julia 的科学模块需要 Fortran 编译器，该编译器目前仅以实验形式提供。
- 虽然 Apple 的 C Clang 编译器生成快速的本机代码，但许多科学工具需要等到 gcc 和 gFortran 编译器可用。
- VirtualBox、VMware Fusion、Boot Camp 和 Parallels 等工具尚不支持 Apple Silicon。许多用户依靠这些工具在他们的 macOS 计算机上使用 Windows 和 Linux 程序。
- Docker 可以支持 Apple Silicon。但是，尝试在 Apple Silicon 机器上运行基于 Intel 的容器可能会崩溃，因为 QEMU 有时无法运行容器。这些容器很受许多神经影像学工具的欢迎。
- Homebrew 3.0 支持 Apple Silicon。但是，许多自制组件不支持 Apple Silicon。 许多科学工具都使用 MATLAB，包括 SPM。虽然 Matlab 可以在翻译中使用，但它本身还不可用（并且需要重新编译 mex 文件）。
- FSL 和 AFNI 尚不原生支持此架构。虽然代码可能在翻译中起作用，但创建一些本机工具必须等待编译器和库更新。这可能需要几个月的时间。
- 当前一代M1只有四个高性能核心。大多数神经成像管道结合了只需要一个核心（M1 擅长）的顺序任务以及并行任务。这些并行任务可以利用具有更多内核的 CPU（如下面的 pigz 和 niimath 测试所示）。请记住，这种串行和并行代码的混合面临阿姆达尔定律，额外内核的回报会递减。
- 当前一代 M1 具有最大 16 Gb 的 RAM。神经影像数据集通常需要大量内存（尤其是多波段加速功能、静息状态和扩散数据集）。
- 一般而言，M1 和基于 Intel 的 Mac 具有相同的 OpenGL 兼容性，其中 M1 提供比以前的集成解决方案更好的性能。但是，有些极端情况可能会破坏 OpenGL 工具。在这里，我描述了四个限制。首先，不支持 OpenGL 几何着色器（没有等效的 Metal）。其次，新的 Retina 显示器支持 16 bitsPerSample 的宽颜色，这可能会导致假定 32 位 RGBA 纹理的代码出现问题（例如此 Apple 示例代码中的文本）。第三，可以不同地处理纹理。第四，使用 GL_INT_2_10_10_10_REV 数据类型会削弱性能（在 macOS 11.2 上测试）。这是不幸的，因为 Apple 曾一度提倡这种数据类型。在这种情况下，必须更改代码以使用 M1 GPU 原生支持的不太紧凑的 GL_HALF_FLOAT。这会影响神经影像科学家在 GPU 资源可能不堪重负的情况下可视化 DTI 纤维束成像。