【M3 Macbook Air】MiniforgeでPython機械学習環境を構築する【2024】

# はじめに

詳細情報は、githubのリポジトリをチェック。

https://github.com/conda-forge/miniforge

該当するアーキテクチャはarm64 (Apple Silicon)なのですが、下のほうにもっと楽なコマンドが書いてあるので、ターミナルが使える方はそちらのほうが楽です。

# 早速手順を記載します

1. ターミナルを立ち上げます。

2. 以下コマンドを入力します。

wget "https://github.com/conda-forge/miniforge/releases/latest/download/Miniforge3-$(uname)-$(uname -m).sh"
bash Miniforge3-$(uname)-$(uname -m).sh

3. Enterを押下します。

4. :qで閉じます。

5. acceptしますか、というメッセージにyesと入力します。

6. このパスに入れていいか、というメッセージが出るのでそのままEnterを押下します。

7. ターミナルにログインしたときに自動で起動するようにするか、というメッセージが出るので、yesと入力します。

これでMiniforgeのインストールが完了します。 簡単だね。

# 試しに機械学習サンプルを動かしてみよう

# 環境構築

1. 新しいConda環境の作成

   TensorFlowと必要なパッケージをインストールするための新しい環境を作成します。

   # Miniforgeのインストールが完了したら、以下のコマンドを実行
   conda create -n tf_env python=3.9
   conda activate tf_env
   

2. TensorFlowのインストール

   Apple Silicon向けにビルドされたTensorFlowをインストールします。

   # TensorFlowのApple Silicon向けビルドをインストール
   conda install -c apple tensorflow-deps
   pip install tensorflow-macos
   pip install tensorflow-metal
   pip install matplotlib
   

# 簡単な機械学習のサンプルコード

ここでは、MNISTデータセットを使用して手書き数字認識を行うシンプルなニューラルネットワークを実装します。

import tensorflow as tf
from tensorflow.keras import datasets, layers, models
import matplotlib.pyplot as plt
import time

start_time = time.time()

# MNISTデータセットのロード
(train_images, train_labels), (test_images, test_labels) = datasets.mnist.load_data()

# データの正規化
train_images, test_images = train_images / 255.0, test_images / 255.0

# モデルの構築
model = models.Sequential([
    layers.Flatten(input_shape=(28, 28)),
    layers.Dense(128, activation='relu'),
    layers.Dropout(0.2),
    layers.Dense(10)
])

# モデルのコンパイル
model.compile(optimizer='adam',
              loss=tf.keras.losses.SparseCategoricalCrossentropy(from_logits=True),
              metrics=['accuracy'])

# モデルの訓練
model.fit(train_images, train_labels, epochs=5)

# モデルの評価
test_loss, test_acc = model.evaluate(test_images, test_labels, verbose=2)

print(f'\nTest accuracy: {test_acc}')

print(f'Time: {time.time()-start_time}[s]')

# 実行手順

1. 上記のコードをファイル（例：mnist_example.py）に保存します。

2. スクリプトを実行します。

   python mnist_example.py
   

これで、M3チップの力を活用してTensorFlowを使用した簡単な機械学習のサンプルを動かすことができます。

出力結果は、以下のようになりました。 M3チップ、そこそこ高速なのでは？

Epoch 1/5
1875/1875 ━━━━━━━━━━━━━━━━━━━━ 1s 453us/step - accuracy: 0.8595 - loss: 0.4835
Epoch 2/5
1875/1875 ━━━━━━━━━━━━━━━━━━━━ 1s 454us/step - accuracy: 0.9570 - loss: 0.1489
Epoch 3/5
1875/1875 ━━━━━━━━━━━━━━━━━━━━ 1s 467us/step - accuracy: 0.9689 - loss: 0.1039
Epoch 4/5
1875/1875 ━━━━━━━━━━━━━━━━━━━━ 1s 461us/step - accuracy: 0.9744 - loss: 0.0822
Epoch 5/5
1875/1875 ━━━━━━━━━━━━━━━━━━━━ 1s 456us/step - accuracy: 0.9774 - loss: 0.0710
313/313 - 0s - 316us/step - accuracy: 0.9777 - loss: 0.0720

Test accuracy: 0.9776999950408936
Time: 4.895736932754517[s]

# まとめ

今回は、【機械学習をする前提で】M3チップ Macbook AirでMiniforgeを使ってPython環境を構築する方法について紹介しました。

M1,M2チップでも同様に構築可能なので、これから機械学習を勉強したいという方は試してみてね。