2024最新ResNet18教程：免CUDA配置，MacBook也能跑

引言

作为一名MacBook用户，你是否经常遇到这样的困扰：想学习计算机视觉，却发现所有教程都要求NVIDIA显卡，而你的M1/M2芯片Mac完全无法运行这些依赖CUDA的代码？别担心，今天我要分享的正是为苹果电脑用户量身定制的ResNet18实战教程。

ResNet18是计算机视觉领域最经典的卷积神经网络之一，广泛应用于图像分类、目标检测等任务。传统教程通常假设用户拥有NVIDIA显卡和CUDA环境，这让Mac用户望而却步。但事实上，借助PyTorch的跨平台特性和苹果的Metal加速技术，我们完全可以在MacBook上零配置运行ResNet18。

通过本教程，你将学会：

无需CUDA配置，直接在Mac上搭建PyTorch环境
使用ResNet18完成图像分类任务
利用苹果Metal加速技术提升训练速度
处理常见数据集并进行模型微调

我实测在M1 Pro芯片的MacBook Pro上，这套方案能稳定运行，训练速度也相当不错。下面我们就从最基础的环境配置开始，一步步带你掌握ResNet18的实战应用。

1. 环境准备：Mac专属PyTorch安装

首先我们需要为Mac特别优化的PyTorch版本。苹果官方与PyTorch团队合作，为M系列芯片提供了原生支持。

打开终端，执行以下命令创建并激活虚拟环境：

# 创建虚拟环境 python -m venv mac_ai source mac_ai/bin/activate # 安装Mac版PyTorch pip install torch torchvision torchaudio

安装完成后，验证是否支持Metal加速：

import torch print(torch.backends.mps.is_available()) # 应该返回True print(torch.backends.mps.is_built()) # 应该返回True

如果看到两个True，恭喜你！你的Mac已经准备好运行GPU加速的深度学习代码了。相比传统CUDA方案，这种配置方式有三大优势：

零配置：无需安装任何额外驱动
原生支持：专为Apple Silicon优化
自动切换：PyTorch会自动使用Metal加速

2. 快速上手：ResNet18图像分类

现在我们来实战一个简单的图像分类任务。以CIFAR-10数据集为例，它包含10个类别的6万张32x32小图片。

2.1 准备数据集

PyTorch内置了CIFAR-10的加载工具：

import torch from torchvision import datasets, transforms # 数据预处理 transform = transforms.Compose([ transforms.ToTensor(), transforms.Normalize((0.5, 0.5, 0.5), (0.5, 0.5, 0.5)) ]) # 下载并加载数据集 train_data = datasets.CIFAR10( root='./data', train=True, download=True, transform=transform ) test_data = datasets.CIFAR10( root='./data', train=False, download=True, transform=transform )

2.2 加载ResNet18模型

PyTorch的torchvision库提供了预训练的ResNet18：

from torchvision.models import resnet18 # 加载模型，pretrained=True会下载预训练权重 model = resnet18(pretrained=True) # 修改最后一层，适配CIFAR-10的10分类 import torch.nn as nn model.fc = nn.Linear(512, 10) # 原始是1000类(ImageNet) # 将模型转移到Metal设备 device = torch.device("mps" if torch.backends.mps.is_available() else "cpu") model = model.to(device)

关键点说明： -pretrained=True：使用ImageNet预训练权重，大幅提升小数据集表现 -model.fc：替换全连接层，适配我们的分类任务 -device="mps"：使用Mac的Metal加速

2.3 训练模型

下面是精简版的训练代码：

from torch.utils.data import DataLoader # 超参数设置 BATCH_SIZE = 128 EPOCHS = 10 LR = 0.001 # 创建数据加载器 train_loader = DataLoader(train_data, batch_size=BATCH_SIZE, shuffle=True) test_loader = DataLoader(test_data, batch_size=BATCH_SIZE) # 损失函数和优化器 criterion = nn.CrossEntropyLoss() optimizer = torch.optim.Adam(model.parameters(), lr=LR) # 训练循环 for epoch in range(EPOCHS): model.train() for images, labels in train_loader: images, labels = images.to(device), labels.to(device) optimizer.zero_grad() outputs = model(images) loss = criterion(outputs, labels) loss.backward() optimizer.step() # 每个epoch测试准确率 model.eval() correct = 0 with torch.no_grad(): for images, labels in test_loader: images, labels = images.to(device), labels.to(device) outputs = model(images) _, predicted = torch.max(outputs.data, 1) correct += (predicted == labels).sum().item() print(f'Epoch {epoch+1}, Accuracy: {100 * correct / len(test_data):.2f}%')

在我的M1 Pro上，10个epoch大约需要15分钟，最终准确率能达到85%左右。虽然不如高端GPU快，但对学习来说完全够用。

3. 进阶技巧：迁移学习实战

对于更专业的任务，我们可以使用迁移学习。以花卉分类为例，假设我们有5类花卉图片。

3.1 自定义数据集处理

首先组织你的图片文件夹结构如下：

flowers/ train/ daisy/ dandelion/ rose/ sunflower/ tulip/ val/ daisy/ dandelion/ rose/ sunflower/ tulip/

然后使用ImageFolder加载：

from torchvision.datasets import ImageFolder train_data = ImageFolder('flowers/train', transform=transform) val_data = ImageFolder('flowers/val', transform=transform)

3.2 模型微调技巧

不同于之前的方案，迁移学习通常只微调最后几层：

model = resnet18(pretrained=True) # 冻结所有层 for param in model.parameters(): param.requires_grad = False # 只解冻最后两层 for param in model.layer4.parameters(): param.requires_grad = True model.fc = nn.Linear(512, 5) # 5分类 model = model.to(device)

这样训练时只有少量参数需要更新，既节省计算资源，又能利用预训练模型的强大特征提取能力。

4. 常见问题与优化建议

4.1 Mac专属问题排查

Metal加速未启用：确保安装了arm64版的Python，使用python -c "import platform; print(platform.machine())"应输出arm64
内存不足：减小batch_size，Mac统一内存建议batch不超过256
速度慢：尝试torch.set_float32_matmul_precision('high')提升矩阵运算效率