1.Apple M1的编编译AI环境搭建
2.在Apple Silicon(ARM) Mac上使用 x86 conda 环境
3.MacBook Pro （M1 Pro芯片）使用安卓USB共享上网
4.kafka源码阅读之MacBook Pro M1搭建Kafka2.7版本源码运行环境
5.M1 源码安装fastText的坎坷之路
6.MacBook(m1)源码编译opencv

Apple M1的AI环境搭建

       首先，搭建Apple M1的译安AI环境，Python3.9作为基础，卓源考虑到M1的软件ARM架构，Anaconda不再适用，编编译转而选择Miniforge3。译安ssc源码代理必需的卓源库有Tensorflow、xgboost、软件Lightgbm、编编译Numpy、译安Pandas、卓源Matplotlib和NGBoost等。软件由于是编编译Python3.9，部分库可能无法正常使用。译安

       Homebrew，卓源作为Mac的包管理工具，对于ARM架构的支持已经到位。如果有X版本的Homebrew，需先卸载，然后通过Homebrew的ARM版本进行安装。安装后，Homebrew会提示设置环境变量，推荐执行相应操作以确保环境配置。

       在bash shell下，记得source ~/.zprofile。对于X版本的dnf召唤源码Homebrew，虽然安装后未提示添加环境变量，但同样需要手动管理。

       为了优化软件源，可以考虑设置中科大源或清华大学源，如果需要更多选择，可以查看Homebrew的其他设置。对于cask，由于GitHub API访问限制，可能需要申请Api Token。

       接下来，下载并安装Miniforge3的arm版本，安装过程中会询问是否添加conda init到~/.zshrc。安装完成后，可以创建一个专为Tensorflow学习的虚拟环境。

       Tensorflow的安装方式有两种，一是默认安装，Apple已优化支持；二是通过environment.yml预先配置。在tf环境内，可以测试安装是否成功。

       对于Lightgbm，编译安装是较为可靠的方法，通过brew安装并设置编译环境。至于Numpy，通常会在Tensorflow安装时自动安装，其他库如Pandas、hishop源码分析Matplotlib和NGBoost，可以通过conda或pip进行安装。

       注意，可能遇到的库问题，如OpenCV、Dlib等，需自行下载源码编译。在整个过程中，遇到问题时，Google搜索和官方文档是不可或缺的参考资源。

       最后，值得注意的是相关教程和指南，如TensorFlow-macos、Run xgboost on Mac、加速Mac上的TensorFlow性能等，这些都能提供具体步骤和帮助，确保在M1芯片Mac上顺利搭建AI环境。

在Apple Silicon(ARM) Mac上使用 x conda 环境

       在Apple Silicon Mac上使用x conda环境的教程。

       新推出的Apple Silicon Mac配备了自家的M1芯片，与传统的Intel芯片版本相比，新款Mac在续航、散热和性能方面实现了显著提升。然而，由于M系列芯片采用ARM架构而非x架构，导致基于Intel芯片生态的calico源码分析程序在Mac上面临兼容性问题。苹果推出了Rosetta 2转译器，虽然在一定程度上牺牲了性能，但仍确保了先前的应用程序在新一代M系列芯片Mac上运行。对于科研用户来说，尽管面临性能损失，但Mac的卓越表现还是吸引了他们。近期，Python 3.9及更新版本以及常用库如numpy加入了对ARM原生支持，conda也推出了ARM版本，这使得用户可以方便地安装和管理各种基于ARM的库，并享受原生运行带来的极高效率。

       然而，对于许多第三方库，由于维护更新和适配原因，它们并未加入对原生ARM的支持。例如，宇宙学领域常用的数据分析库nbodykit，就可能遇到找不到所需库或安装失败的问题。对于熟悉Python编程但不懂编译原理的用户来说，直接从源码编译这些库可能显得束手无策。

       为了解决这一问题，可以通过以下步骤在ARM芯片的Mac上运行x的conda环境。首先，安装miniconda，可以使用官方文档提供的分时168源码ARM/x的miniconda安装文件。接下来，通过简单命令创建一个名为x_env的3.版本的Python虚拟环境，并安装必要的库，如numpy和jupyter。这样，用户可以在ARM架构下运行原生的conda环境。

       性能对比显示，ARM原生运行的numpy相较于转译版本的性能表现在2倍以上。通过比较，用户可以清楚地看到原生ARM架构的优势。

       对于已经安装了x版本miniconda的用户，可以通过反向操作在现有环境上创建ARM架构的虚拟环境。这通常适用于早期M1 Mac用户。具体操作是将miniconda安装文件名从Miniconda3-latest-MacOSX-arm.sh更改为Miniconda3-latest-MacOSX-x_.sh，然后创建ARM架构的虚拟环境。

       总结，本教程详细介绍了如何在搭载M系列芯片的Mac上搭建x和ARM架构的Python虚拟环境。对于将Python作为生产工具的科研用户，特别是那些不愿涉及编译细节，又希望同时享受ARM原生高性能和x卓越兼容性的用户，本教程提供了实用的解决方案。随着Windows on ARM领域的发展，期待针对Python及其conda环境管理器的解决方案在更多平台上得到实现，让更多用户体验到ARM原生Python带来的卓越性能和节能优势。

MacBook Pro （M1 Pro芯片）使用安卓USB共享上网

       为MacBook Pro (M1 Pro芯片) 设立安卓USB共享上网，先进行SIP设置。

       第一步，设置SIP（系统完整性保护）。确保MacOS系统允许修改内核扩展，这将允许HoRNDIS插件运行。

       第二步，安装HoRNDIS扩展插件。此插件有助于实现USB设备与MacOS的兼容性，但因其编译过程可能较复杂，可先尝试使用预先编译好的版本，以减少潜在的兼容性问题。环境为MacBook Pro (M1 Pro)运行的.2.1版本操作系统。

       如预先编译的插件无法使用，需自行进行编译。这要求具备一定的系统开发知识，包括理解如何操作构建环境和遵循相关源代码指引。自行编译过程可能较为耗时，且需要解决潜在的编译问题，如兼容性、依赖库问题等。

       完成上述步骤后，MacBook Pro (M1 Pro芯片) 将成功支持通过USB连接的安卓设备进行共享上网。这为用户提供了一种灵活的上网方式，无需依赖无线网络或有线连接，只需通过USB线缆连接安卓设备即可享受稳定的互联网接入。

kafka源码阅读之MacBook Pro M1搭建Kafka2.7版本源码运行环境

       在探索Kafka源码的过程中，决定搭建本地环境进行实际运行，以辅助理解和注释。由于日常开发中常使用Kafka 2.7版本，选择了在MacBook Pro M1笔记本上搭建此版本的源码环境。搭建过程中，记录了遇到的障碍，方便未来再次搭建时不必从头开始。

       搭建Kafka 2.7源码环境需要准备以下基础环境：

       一、Zulu JDK1.8

       在MacBook Pro M1笔记本上，基本都已安装JDK，版本不同而已。使用的是Zulu JDK1.8版本，通过下载.dmg格式的一键安装，环境自动配置，安装路径通常在 /Library/Java/JavaVirtualMachines。

       二、Scala 2..1

       并未在系统里安装Scala，而是直接利用IDEA。按照Preferences -> Plugins -> Scala安装。选择IDEA的不同Scala JDK版本。

       三、安装Gradle6.6

       通过官网gradle.org/releases/下载Gradle6.6版本。如国内下载速度较慢，可直接从百度网盘下载安装包。安装完成后，解压并放置在目录/Users/helloword/software/gradle-6.6，通过mac终端执行指令配置环境。

       四、Zookeeper3.4.6安装

       直接从百度网盘下载zookeeper-3.4.6.tar.gz包，解压后放置在三台机器的/app目录下。在每个目录中创建data子目录，并建立myid文件，按照特定数字填写。在zoo.cfg文件中进行配置并复制至其他机器。

       五、Kafka2.7源码部署

       从官网下载Kafka 2.7源码，或从百度网盘获取。解压至目录/Users/helloword/software/kafka/kafka-2.7.0-src，并通过Gradle构建环境。在mac终端执行指令，生成gradle-wrapper.jar，配置依赖。将源码导入IDEA，加载Gradle构建的项目。

       六、源码运行

       确保源码运行打印日志，需将log4j.properties复制到core的 resources目录，并在build.gradle中添加log4配置。修改config/server.properties配置，包括zookeeper路径和broker的ip。配置server、consumer、producer三个进程，确保Kafka服务、消费者和生产者能够正常工作。

       整个Kafka 2.7版本源码的本地搭建步骤完成。后续计划撰写系列文章总结阅读源码的经验。关注公众号写代码的朱季谦，获取更多分类归纳的博客。

M1 源码安装fastText的坎坷之路

       在尝试在M1芯片上安装fastText时，用户可能会遇到一些报错。首先，遇到与'-'march=native'相关的错误时，解决方案是将该参数改为'-'mcpu=apple-m1'。这是因为M1芯片的clang编译器支持的CPU类型有限，不适用原生参数。

       第二个挑战是版本问题。确保你的fastText版本已针对M1芯片进行了适当的调整，具体版本信息如图所示，这对于顺利安装至关重要。

       权限问题也可能阻碍安装过程。解决方法是通过长按电源键启动命令行工具，然后输入特定命令以获取必要的权限。具体步骤如下：

       长按电源键，打开命令行工具

       执行相应的命令后，重启设备

       重启完毕后，打开终端并输入必要的安装命令

       按照这些步骤操作后，你应该能够成功编译fastText，完成在M1芯片上的安装过程。

MacBook(m1)源码编译opencv

       首先，从GitHub上获取OpenCV的源代码是实现MacBook (m1)本地编译的关键步骤。你可以通过运行以下命令来拉取最新版本:

       bash

       git clone /opencvopencv.git

       如果你想锁定特定的版本，比如2.1分支，可以使用如下命令替换`[tag_name]`为实际的版本号:

       bash

       git clone --branch [tag_name] /opencvopencv.git

       接下来，为了进行编译，你需要准备一个专门的构建目录，这可以通过以下命令创建:

       bash

       mkdir opencv_build

       cd opencv_build

       然后，运行CMake来配置编译环境:

       bash

       cmake ..

       配置完成后，开始编译安装过程:

       bash

       make

       sudo make install

       整个过程涉及到了从GitHub获取源代码、创建编译目录、配置CMake并执行编译和安装。最后，务必确认你的目录结构包括了源代码、构建目录以及安装后的文件。