2022年3月28日更新：请看下面@AndrejHribernik的评论。
如何在M1 Max上安装numpy，性能加速最快（苹果vecLib）？以下是截至2021年12月6日的答案。

步骤

I.安装迷你锻造
这样Python就可以在arm 64上本地运行，而不是通过Rosseta翻译。
1.下载Miniforge3-MacOSX-arm64.sh，然后
1.运行脚本，然后打开另一个shell

$ bash Miniforge3-MacOSX-arm64.sh

1.创建一个环境（这里我使用名称np_veclib）

$ conda create -n np_veclib python=3.9
$ conda activate np_veclib

II.使用指定为vecLib的BLAS接口安装Numpy

1.要编译numpy，首先需要安装cython和pybind11：

$ conda install cython pybind11

1.编译numpy（感谢@Marijn的answer）-不要使用conda install！

$ pip install --no-binary :all: --no-use-pep517 numpy

1. 2.的另一种方法是从源代码构建。

$ git clone https://github.com/numpy/numpy
$ cd numpy
$ cp site.cfg.example site.cfg
$ nano site.cfg

编辑复制的site.cfg：添加以下行：

[accelerate]
libraries = Accelerate, vecLib

然后建置并安装：

$ NPY_LAPACK_ORDER=accelerate python setup.py build
$ python setup.py install

1.在2或3之后，现在测试numpy是否正在使用vecLib：

>>> import numpy
>>> numpy.show_config()

然后，应打印/System/Library/Frameworks/vecLib.framework/Headers之类的信息。

III.使用conda进一步安装其他软件包

使conda识别pip安装的软件包

conda config --set pip_interop_enabled true

必须这样做，否则，例如conda install pandas，则numpy将在The following packages will be installed列表中并重新安装。但新安装的是来自conda-forge通道的，速度很慢。

与其他安装的比较：

1.竞争对手：

除了上面最佳的一个，我还尝试了其他几个安装

• ○ np_default：conda create -n np_default python=3.9 numpy
• B. np_openblas：x1米15英寸
• C. np_netlib：conda create -n np_netlib python=3.9 numpy blas=*=*netlib*

上述ABC选项直接从conda-forge通道安装。numpy.show_config()将显示相同的结果。要查看差异，请按conda list检查-例如，openblas软件包安装在B中。请注意，mkl或blis在arm 64上不受支持。

• D. np_openblas_source：首先通过brew install openblas安装openblas。然后将[openblas]路径/opt/homebrew/opt/openblas添加到site.cfg并从源代码构建Numpy。
• M1和i9–9880H中的一个或多个。
• 我的旧i5-6360U 2核心的MacBook Pro 2016 13英寸.

2.性能指标评测：

这里我使用两个基准：

1. mysvd.py：我的SVD分解

import time
import numpy as np
np.random.seed(42)
a = np.random.uniform(size=(300, 300))
runtimes = 10

timecosts = []
for _ in range(runtimes):
    s_time = time.time()
    for i in range(100):
        a += 1
        np.linalg.svd(a)
    timecosts.append(time.time() - s_time)

print(f'mean of {runtimes} runs: {np.mean(timecosts):.5f}s')

1. dario.py：一个由Dario Radečić编写的基准测试脚本。

3.结果：

+-------+-----------+------------+-------------+-----------+--------------------+----+----------+----------+
|  sec  | np_veclib | np_default | np_openblas | np_netlib | np_openblas_source | M1 | i9–9880H | i5-6360U |
+-------+-----------+------------+-------------+-----------+--------------------+----+----------+----------+
| mysvd |  1.02300  |   4.29386  |   4.13854   |  4.75812  |      12.57879      |  / |     /    |  2.39917 |
+-------+-----------+------------+-------------+-----------+--------------------+----+----------+----------+
| dario |     21    |     41     |      39     |    323    |         40         | 33 |    23    |    78    |
+-------+-----------+------------+-------------+-----------+--------------------+----+----------+----------+

可能原因：不同的BLAS库

由于性能指标评测运行的是线性代数例程，因此此处测试的可能是BLAS实现。osx-64平台的默认Anaconda发行版将随英特尔的MKL实现一起提供;osx-arm 64平台仅具有通用Netlib BLAS和OpenBLAS实现选项。
对于我（MacOS w/ Intel i9），我得到了以下基准测试结果：
| BLAS实施|平均时间（s）|
| - -|- -|
| mkl|0.95932单位|
| blis| 1.72059年|
| openblas|二、十七〇二三|
| netlib|五点七二七八二|
所以，我怀疑旧的MBP安装了MKL，而M1系统正在安装Netlib或OpenBLAS。也许可以试着弄清楚Netlib或OpenBLAS在M1上是否更快，并保留更快的那个。

指定BLAS实现

以下是我测试的具体不同环境：

# MKL
conda create -n np_mkl python=3.9 numpy blas=*=*mkl*

# BLIS
conda create -n np_blis python=3.9 numpy blas=*=*blis*

# OpenBLAS
conda create -n np_openblas python=3.9 numpy blas=*=*openblas*

# Netlib
conda create -n np_netlib python=3.9 numpy blas=*=*netlib*

并运行基准脚本（so-np-bench.py），其中

conda run -n np_mkl python so-np-bench.py

# etc.

有了Miniforge3-MacOSX-arm64和conda install -c conda-forge numpy "libblas=*=*accelerate"，它在我的MacBook M1 Max上运行得非常完美。

• 带libblas加速的M1 Max：1.024
• 不带libblas加速的M1最大值：2.672

谢谢你的提示。我在我刚买的新Mac M1 MAX上遵循了以下步骤：
1.我安装了Minoforge3（bash Miniforge3-MacOSX-arm64.sh）
1.使用Python 3.10初始化了一个conda基础环境（conda init）

1. numpy安装为：conda install numpy "libblas=*=*accelerate"
   然后是链接中的建议基准：
   1.上面提到的脚本mysvd.py在mean of 10 runs: 1.08088s中运行
2. https://gist.githubusercontent.com/daradecic/a2ac0a75d7e5f22c9aa07174dcbbe061/raw/a56ee217e6d3f949b1d1f719a7a134cef130cd9f/macs.py中的脚本dario.py给出：

Dotted two 4096x4096 matrices in 0.28 s.
Dotted two vectors of length 524288 in 0.11 ms.
SVD of a 2048x1024 matrix in 0.44 s.
Cholesky decomposition of a 2048x2048 matrix in 0.07 s.
Eigendecomposition of a 2048x2048 matrix in 3.83 s.

TOTAL TIME = 19 seconds