Apple Silicon Mac 上安装 TensorFlow 与 Jupyter Notebook 的完整指南（2026-09-03）

如果你刚买了一台 M 系列芯片的 Mac（比如 M4 Pro），满心欢喜想跑机器学习，却卡在第一步——安装环境，那么这篇文章就是为你准备的。别慌，二十分钟搞定，今天就能跑起来你的第一个模型。

为什么不能直接 pip install tensorflow？

这是绝大多数新手踩的第一个坑。在 Apple Silicon 上，Intel 版的 TensorFlow 无法利用 GPU 加速，你会发现训练速度慢得离谱。正确做法是安装 tensorflow-metal 插件，它能调用 Mac 的统一内存架构（UMA），让 CPU 和 GPU 协同工作。

真实数据：在 M3 Max 上，使用 Metal 加速的 ResNet-50 训练速度比纯 CPU 快约 5-8 倍。这不是玄学，是架构红利。

第一步：准备基础环境（5 分钟）

安装 Xcode Command Line Tools

打开「终端」（Terminal），输入：

xcode-select --install

如果提示已安装，跳过即可。

安装 Miniforge（关键！）

不要用 Homebrew 的 Python，更不要用系统自带 Python。推荐 Miniforge，因为它默认支持 arm64 架构，并且自带 Conda 环境管理。

# 下载并安装（复制整行到终端）
curl -L -O https://github.com/conda-forge/miniforge/releases/latest/download/Miniforge3-MacOSX-arm64.sh
bash Miniforge3-MacOSX-arm64.sh

一路回车 + yes。安装完成后，关闭并重新打开终端。

第二步：创建专属环境（3 分钟）

# 创建环境（名字随意）
conda create -n tf_env python=3.11
# 激活环境
conda activate tf_env

为什么用 Python 3.11？ 截至 2026 年，TensorFlow 对 3.12+ 支持仍不完善，3.11 是最稳的版本。别贪新，稳定压倒一切。

第三步：安装 TensorFlow 与 Metal 插件（5 分钟）

# 核心安装命令（一条龙）
pip install tensorflow tensorflow-metal

验证是否成功：

python -c "import tensorflow as tf; print('GPU:', tf.config.list_physical_devices('GPU'))"

如果输出 GPU: [...] 且没有报错，就说明 Metal 加速已生效。

第四步：安装 Jupyter Notebook（2 分钟）

pip install jupyter matplotlib pandas
jupyter notebook

浏览器会自动弹出。如果没弹出，复制终端里显示的 http://localhost:8888 链接手动打开。

实战案例：跑通你的第一个 CNN

新建一个 Notebook，复制以下代码运行：

import tensorflow as tf
from tensorflow.keras import layers

# 用 MNIST 手写数字集测试（内置数据）
(x_train, y_train), (x_test, y_test) = tf.keras.datasets.mnist.load_data()

# 构建简单模型
model = tf.keras.Sequential([
    layers.Flatten(input_shape=(28, 28)),
    layers.Dense(128, activation='relu'),
    layers.Dense(10, activation='softmax')
])

model.compile(optimizer='adam', loss='sparse_categorical_crossentropy', metrics=['accuracy'])
model.fit(x_train, y_train, epochs=3, validation_split=0.2)

如果看到 loss 逐步下降，恭喜你，环境完全跑通了！

四个实用建议（省时避坑）

  1. 不要升级 TensorFlow 到最新版——除非你明确知道新版修复了什么问题。锁定用 pip list 查看当前版本号。
  2. 内存焦虑者：16GB 内存跑 Chatbot 微调会吃力，但跑 CNN/MLP 绰绰有余。先专注小模型。
  3. 每次重启终端后，需要重新激活环境：
    conda activate tf_env
  4. 如果遇到 Illegal instruction 报错——说明你误装了 x86 版包。运行 conda remove 后，用 pip 重新装。

你的下一步：从跑通到跑快

环境只是起点，真正的价值在于你能训练什么。建议你明天做这三件事：

  1. 用 tf.data.Dataset 加载自己的图片数据集（照片、截图均可）
  2. 尝试 model.save('my_model.keras') 保存模型
  3. 阅读 TensorFlow 官方入门教程第一课

现在，立刻打开终端，输入第一条命令。 二十分钟后，你会拥有一个可用的深度学习工作台——这件事本身就能让你超越 90% 停留在「准备安装」的人。

免责声明：本文基于 2026 年 9 月可用版本编写。软硬件更新可能导致命令变化，请以官方文档为准。安装第三方软件存在潜在风险，操作前请备份重要数据。文中提及的性能数据基于特定硬件和测试条件，实际表现因机型与负载而异，不构成性能承诺。