Классификация макбуков apple: Список всех моделей MacBook, MacBook Pro, MacBook Air с 2009 по 2021гг.

Apple MacBook Air (MGN93RUA) — Технические характеристики

Apple MacBook Air (MGN93RUA) — Технические характеристики

Главная / Ноутбук / Apple / Apple MacBook Air (MGN93RUA)

• Классификация
• Корпус и устройства ввода
• Экран
• Процессор
• Оперативная память
• Графический ускоритель
• Накопители данных
• Встроенное дополнительное оборудование
• Интернет/передача данных
• Интерфейсы/разъемы
• Питание
• Дополнительная информация
• Габариты, вес
• Общие параметры

Диагональ экрана 13.3 »

Размер оперативной памяти 8 Гб

Общий объем твердотельных накопителей (SSD) 256 Гб

Цена на момент выхода 1339.6 $ / 99130.4 ₽ (руб)

Соотношение цена-качество 1. 9 %

Apple MacBook Air (MGN93RUA) вышел в 2020 году и к 2022 обладает хорошими характеристиками (лучше 52% всех ноутбуков).
Главными достоинствами данной модели являются: Диагональ экрана: 13.3, Размер оперативной памяти: 8, Общий объем твердотельных накопителей (SSD): 256, Цена на момент выхода: 1339.6, Соотношение цена-качество: 1.9.

Классификация

Корпус и устройства ввода

Процессор

Оперативная память

Графический ускоритель

Накопители данных

Встроенное дополнительное оборудование

Интернет/передача данных

Интерфейсы/разъемы

Питание

Дополнительная информация

Габариты, вес

Общие параметры

Популярные сравнения

vs

ASUS ZenBook Pro Duo UX581LV-h3011T vs Apple MacBook Air (MGN93RUA)

vs

Apple MacBook Air (MGN93RUA) vs ASUS ZenBook UX435EG-A5038T

vs

Apple MacBook Air (MGN93RUA) vs Lenovo Ideapad L340-15IRH

vs

Apple MacBook Air (MGN93RUA) vs ASUS TUF Gaming A15 FX506II-HN364

vs

MSI GS66 Stealth 10SE-608XRU vs Apple MacBook Air (MGN93RUA)

vs

Acer Aspire 3 A317-32-P6LQ vs Apple MacBook Air (MGN93RUA)

vs

Apple MacBook Air (MGN93RUA) vs Acer Aspire 3 A315-41G-R46S

vs

Apple MacBook Air (MGN93RUA) vs Dell Latitude 5290-1450

vs

HP Laptop 17-cp0089ur vs Apple MacBook Air (MGN93RUA)

vs

ASUS TUF Gaming A15 FX506II-HN173T vs Apple MacBook Air (MGN93RUA)

vs

Acer Nitro 5 AN517-52-56C4 vs Apple MacBook Air (MGN93RUA)

vs

ASUS ROG Strix G G512LW-HN037T vs Apple MacBook Air (MGN93RUA)

vs

Apple MacBook Air (MGN93RUA) vs HP EliteBook x360 1030 G4

vs

Lenovo ThinkPad T14s Gen 1 vs Apple MacBook Air (MGN93RUA)

vs

Apple MacBook Air (MGN93RUA) vs ASUS PRO P2540FA-DM0833

vs

Acer Predator Triton 500 PT515-52-746Z vs Apple MacBook Air (MGN93RUA)

vs

Apple MacBook Air (MGN93RUA) vs Toshiba Satellite (L630-12V)

vs

Acer Predator Helios 300 Ph415-53-74DM vs Apple MacBook Air (MGN93RUA)

vs

Apple MacBook Air (MGN93RUA) vs HP 250 G3

vs

Apple MacBook Air (MGN93RUA) vs Acer V3-571G-73618G75Makk

13,3″ Ноутбук Apple MacBook Air (MVFL2RU/A) серебристый

Характеристики 13,3″ Ноутбук Apple MacBook Air (MVFL2RU/A) серебристый

Классификация
Производитель	Apple
Тип устройства	ноутбук
Операционная система	macOS
Модельный ряд	MacBook Air 13. 3″ Mid 2019
Код производителя	MVFL2RU/A
Год релиза	2019
Игровой ноутбук	нет
Внешний вид
Цвет верхней крышки	серебристый
Корпус и устройства ввода
Материал корпуса	металл
Конструктивное исполнение	классический
Цифровой блок клавиатуры	нет
Подсветка клавиш	есть
Экран
Тип экрана	IPS
Диагональ экрана	13.3″
Разрешение экрана	2560×1600
Название формата	WQXGA
Плотность пикселей	227 PPI
Максимальная частота обновления экрана	60 Гц
Технология динамического обновления экрана	нет
Покрытие экрана	глянцевое
Сенсорный экран	нет
Процессор
Производитель процессора	Intel
Линейка процессора	Intel Core i5
Модель процессора	Core i5 8210Y
Количество ядер процессора	2
Максимальное число потоков	4
Частота	1. 6 ГГц
Автоматическое увеличение частоты	3.6 ГГц
Кэш L2	512 Кб
Кэш L3	4 Мб
Архитектура процессора	Amber Lake-Y
Технологический процесс	14 нм
Оперативная память
Тип оперативной памяти	LPDDR3
Частота оперативной памяти	2133 МГц
Размер оперативной памяти	8 ГБ
Количество слотов под модули памяти	интегрирована
Максимальный объем памяти	не добавляется
Графический ускоритель
Вид графического ускорителя	встроенный
Производитель видеочипа	Intel
Модель дискретной видеокарты	нет
Тип видеопамяти	SMA
Объем видеопамяти	выделяется из оперативной
Модель встроенной видеокарты	Intel UHD 617
CrossFire/SLI-массив	нет
Накопители данных
Общий объем жестких дисков (HDD)	нет
Общий объем твердотельных накопителей (SSD)	256 ГБ
SSHD накопитель (объем SSD буфера)	нет
Конфигурация накопителей	только SSD
Объем накопителя Intel Optane	нет
Встроенное дополнительное оборудование
Веб-камера	есть
Расширенная акустическая система	стереодинамики
Встроенный микрофон	есть
Поддержка карт памяти кард-ридером	нет
Оптический привод	нет
Интернет/передача данных
Беспроводные виды доступа в Интернет	Wi-Fi
Стандарт Wi-Fi	802. 11ac
Вид сетевого адаптера (Ethernet)	нет
Скорость сетевого адаптера	нет
Поддержка дополнительных видов передачи данных	Bluetooth 4.2
Интерфейсы/разъемы
Порты USB 2.0	нет
Порты USB 3.х	нет
Порты USB Type-C	2
Видео интерфейсы	Thunderbolt 3, DisplayPort
Аудио интерфейсы	3.5 мм jack (аудио/наушники)
Дополнительные интерфейсы	совмещенный USB 3.1 / DP / Thunderbolt 3
Питание
Тип аккумулятора	Li-Pol
Приблизительное время автономной работы	до 12 ч
Емкость аккумулятора	4379 мАч
Дополнительная информация
Комплектация	адаптер питания, кабель USB-C для зарядки (2 м)
Сканер отпечатка пальца	есть
Кенсингтонский замок	нет
Особенности, дополнительно	датчик внешней освещенности
Габариты, вес
Глубина	212. 4 мм
Ширина	304.1 мм
Толщина	15.6 мм
Вес	1.25 кг

Отзывы 13,3″ Ноутбук Apple MacBook Air (MVFL2RU/A) серебристый

Microsoft Office For Mac Suite Data, Document Classification

Предоставление классификации

For Microsoft Office For Mac Suite

Классификатор Boldon James Mac обеспечивает преимущества ориентированной на пользователя классификации данных для организаций, использующих устройства Mac, помогая каждому пользователю правильно классифицировать документы и электронные письма по мере их обработки в приложениях Microsoft Office для Mac.

Визуальные метки отображаются в сообщениях электронной почты и документах, чтобы обеспечить осведомленность об обязанностях по защите данных, а метки метаданных управляют вашими решениями по безопасности и управлению информацией. Схемы классификации могут быть настроены для отражения политики данных вашей организации или отраслевых норм.

Mac Classifier уникален тем, что включает классификацию в пакет Microsoft Office для Mac, расширяя возможности пользователей ключевых приложений Outlook, Word, Excel и PowerPoint.

• Полная интеграция с Microsoft Office для Mac Suite
  

  Пользователи могут легко и интуитивно классифицировать документы и сообщения электронной почты в Microsoft Office для Mac Suite, включая Outlook, Word, Excel и PowerPoint, что делает классификацию простым процессом, который быстро становится второй натурой.

• Классификация данных для вашего бизнеса
  

  Mac Classifier можно настроить в соответствии с потребностями и задачами вашей политики безопасности данных. Широкие возможности конфигурации позволяют вам выбирать, как классифицировать данные, какой вклад должен внести пользователь при классификации документа, а также как обрабатывать и защищать классифицированный документ.

• Повышение осведомленности персонала о ценности данных
  

  Использование Mac Classifier для вовлечения ваших сотрудников в классификацию данных позволит вам лучше понять ценность ваших данных среди ваших сотрудников и более последовательно применять политики вашей организации.

• Управление Неструктурированная информация
  

  . Классифицирующие данные становятся возможными для контроля, которые в противном случае не являются нестройными, так что вы можете защитить без труда.

• Уверенность в соблюдении требований
  

  Благодаря последовательной и тщательной системе классификации вы можете быть уверены, что конфиденциальные данные останутся в вашей компании, а любые нарушения политик будут немедленно отмечены для исправления, гарантируя соблюдение требований.

• Повышение рентабельности инвестиций в существующее программное обеспечение для защиты от данных
  

  Повысьте окупаемость инвестиций в другие решения, такие как защита от потери данных, при использовании Mac Classifier. существующее решение по предотвращению данных, ваша политика защиты данных становится более систематической и надежной.

DataShie:

Boldon James
Classifier

Брошюра:

Корпоративная
Брошюра

Classifier

Sull Video

Classifier

Video

Classifier

.

Пакет Classifier Foundation Suite содержит все необходимое для начала работы с классификацией в вашей организации, включая Classifier для электронной почты, Office и файлов.

Кроме того, ваш системный администратор будет наделен всеми необходимыми полномочиями для установки политик и правил классификации, а также для классификации данных в состоянии покоя.

Подробнее

«Отличный продукт

для информирования пользователей»

Очень хорошая поддержка клиентов для внедрения и операций. Продукт отлично подходит для повышения осведомленности пользователей о классификации данных.

Читать весь отзыв

«Высокое удовлетворение потребностей клиентов и хорошо интегрированный продукт»

Инженеры компании Boldon James всегда готовы помочь с развертыванием, запросами и решением проблем.

Прочитать полный обзор

«Помогает легко понять и внедрить классификацию»

Внедрение проще, чем в других конкурирующих продуктах, консоль администрирования также легче понять, и все, что имеет отношение к классификации, есть.

Читать весь обзор

Почему стоит выбрать

Fortra’s Boldon James

Благодаря непревзойденному обслуживанию клиентов и лучшим в своем классе решениям для защиты и управления данными
мы помогаем многим из самых успешных организаций в мире контролировать свои бизнес-данные.
Каждый день наши клиенты наслаждаются более эффективными, безопасными и оптимизированными операциями —
защищая критически важную для своего бизнеса информацию и снижая риски.

Мы интегрируем мощные экосистемы безопасности и управления данными.

Мы защищаем бизнес
важные данные, улучшить
контроль данных и
уменьшить риск.

Мы доставляем
улучшенный и
оптимизированный бизнес
спектакль.

Мы
«надежная пара рук»
что постоянно
доставить успех.

Apple M1 Pro и M1 Max превосходят Google Colab до 54% ​​| Дэниел Бурк

2021 Сравнение скорости машинного обучения Apple M1 Pro и M1 Max

Зеленый индикатор зарядки торговой марки вернулся. Фото автора.

Основная клавиатура, которую я использовал, подключена к MacBook Pro. Я печатаю это на MacBook Pro.

И, будучи техническим ботаником, когда Apple выпустила пару новых MacBook Pro с модернизированным оборудованием: чипы M1 Pro, M1 Max, переработанный дизайн и все остальное, я решил, что лучше протестировать их.

Для контекста: я снимаю видео о машинном обучении, пишу код для машинного обучения и преподаю машинное обучение.

Именно этому посвящена эта статья.

Сравнение чипов Apple M1, M1 Pro и M1 Max друг с другом и с несколькими другими чипами.

Как?

Четыре теста:

1. Final Cut Pro Export — насколько быстро различные MacBook Pro могут экспортировать 4-часовое обучающее видео TensorFlow (я делаю обучающие видео по программированию) и 10-минутное длинное видео (с использованием кодировок H.264 и ProRes) ?
2. CreateML Классификация изображений Создание модели машинного обучения — Как быстро различные MacBook Pro могут превратить 10 000 изображений в модель классификации изображений с помощью CreateML?
3. CIFAR10 Классификация изображений TinyVGG с помощью TensorFlow (через tensorflow-macos ) — Благодаря tensorflow-metal теперь вы можете использовать встроенный графический процессор MacBook для ускорения обучения модели машинного обучения. Как это происходит с меньшей моделью?
4. Food101 Извлечение функций EfficientNetB0 с помощью tensorflow-macos — Я редко обучаю модели машинного обучения с нуля. Итак, как новые чипы M1 Pro и M1 Max работают с трансферным обучением с использованием кода TensorFlow?

Эта статья строго посвящена производительности. Для дизайна, входов, выходов, времени автономной работы есть много других ресурсов.

В настоящее время я использую 16-дюймовый MacBook Pro на базе Intel в качестве основного компьютера (почти всегда подключенный к сети) с 13-дюймовым MacBook Pro M1 2020 года в качестве опции, которую можно взять с собой.

А для обучения более крупных моделей машинного обучения я использую Google Colab, графические процессоры Google Cloud или SSH (подключение через Интернет) к выделенному ПК для глубокого обучения с графическим процессором TITAN RTX.

Для тестов кода TensorFlow я включил сравнения с Google Colab и графическим процессором TITAN RTX.

Приведенные здесь характеристики относятся к MacBook Pro на базе процессоров Intel, M1, M1 Pro, M1 Max.

Различные аппаратные характеристики моделей Mac в процессе тестирования.

В каждом тесте все MacBook Pro работали под управлением macOS Monterey 12.0.1 и были подключены к сети.

Я снимаю видеоролики на YouTube и образовательные видеоролики, обучающие машинному обучению.

Итак, машина, которую я использую, должна быть быстрой при рендеринге и экспорте. Это одна из основных причин, по которой я купил спецификацию в 2019 году.16-дюймовый MacBook Pro, поэтому я мог редактировать видео без задержек.

Кроме того, чипы M1 Pro и M1 Max предназначены для профессионалов. Многие из которых редактируют видео с гораздо более высоким качеством, чем я (пока).

Для каждого видео я экспортировал их как в кодировку H.264 (более высокое сжатие, более интенсивное использование графического процессора), так и в кодирование ProRes (более низкое сжатие, менее интенсивное использование процессора и графического процессора).

Это связано с заявлениями Apple о том, что новые чипы M1 имеют специальные процессоры ProRes.

Большое видео

Детали эксперимента:

• Видео: Изучите TensorFlow для глубокого обучения, часть 2
• Продолжительность: 4 часа
• Стиль: 30-кратное увеличение экрана по 30 кратных видеозаписей по 9 2 минут вместе из небольших видеороликов (~10 2 минут вместе)
• Качество: 1080p

Интересно наблюдать, как новые M1 (Pro и Max) занимают в два раза больше времени, чем базовый M1, и почти в четыре раза больше, чем Mac на базе Intel при использовании кодировки H.264.

Следует также отметить, что при использовании кодирования H.264 большое количество аппаратных средств оставалось бездействующим как на M1 Pro (~89% простоя), так и на M1 Max (~68% простоя).

При экспорте в кодировку H.264 многие аппаратные компоненты M1 Pro и M1 Max простаивали. Я не уверен, что вызвало это. Но это объясняет, почему время их экспорта было таким долгим по сравнению с другими Mac.

Возможно, потребуется обновление программного обеспечения, чтобы использовать все возможности новых чипов?

Однако с кодировкой ProRes все обстояло иначе.

Кодирование ProRes — это то, где действительно проявили себя новые чипы M1.

По сравнению с кодировкой H.264 при экспорте в ProRes как на M1 Pro, так и на M1 Max возникала огромная загрузка ЦП. Возможно, это от выделенных ядер ProRes?

При экспорте в кодировку ProRes на устройствах M1 Max и M1 Pro наблюдалась значительная загрузка ЦП. Примечание: Все записи экрана были сделаны отдельно от отслеживания результатов.

Однако, несмотря на то, что экспорт кодировки ProRes происходит намного быстрее, чем H.264, разница в размере файла делает его почти непригодным для многих.

Размер файла при экспорте большого видео в H.264 оказался 7 ГБ, а при экспорте в ProRes 167 ГБ.

Не знаю, как у вас со скоростью интернета, но у меня на загрузку такого видео ушло бы три-четыре дня.

Маленькое видео

Уменьшенное видео дало гораздо более близкие результаты.

Детали эксперимента:

• Видео: Как я изучаю машинное обучение 5 дней в неделю
• Продолжительность: 10 минут
• Стиль: Голос за кадром с видеоклипами, отредактированными под голос
• Качество: 1080p

Очень похожее время экспорта здесь по всем направлениям.

Но опять же, при экспорте в кодировку H.264 на чипах M1 Pro и M1 Max простаивало много оборудования.

M1 Pro и M1 Max действительно снова блестят при использовании кодирования ProRes. Проверка Activity Monitor показала огромную загрузку ЦП, ~ 350–450% для M1 Pro и ~ 300–500% для M1 Max.

CreateML — это приложение Apple для машинного обучения, которое поставляется с Xcode (программное обеспечение Apple для создания приложений для iOS и macOS).

Это простой способ превратить данные в модели машинного обучения.

Я попробовал это, потому что мы с братом использовали его для прототипов моделей на Nutrify (приложение, позволяющее фотографировать еду и узнавать о ней).

Он не только хорошо подходит для нашего варианта использования, но и создает обученные модели, оптимизированные для устройств Apple.

Детали эксперимента:

• Данные: Случайное 10% подмножество всех классов Food101 (~7,5 тыс. изображений поездов, ~2,5 тыс. тестовых изображений)
• Обучение: 25 эпох, все настройки увеличения данных на

модель (Apple не сообщает, какая архитектура используется)

И опять же, большой разницы между M1 Pro и M1 Max не было. Хотя оба они очень сильно превзошли другие чипы.

Во время обучения проверка Activity Monitor для M1 Pro и M1 Max показала большую загрузку ЦП под именем процесса «MLRecipeExcecutionService».

Во время обучения модели в приложении CreateML загрузка ЦП превышает 500 %. Графический процессор практически не используется. Возможно, это 16-ядерный нейронный движок? Скриншот сделан на M1 Pro.

Примечательно, что GPU практически не использовался во время обучения или извлечения признаков.

Это наводит меня на мысль, что CreateML использует 16-ядерный нейронный движок для ускорения обучения. Однако это не подтверждено на 100 %, поскольку Activity Monitor не сообщает, когда запускается Neural Engine.0007

Теперь CreateML также не показывает, какую модель он использует. Судя по производительности, я предполагаю, что будет использоваться как минимум предварительно обученная модель ResNet50 или EfficientNetB2 и выше или аналогичная.

CreateML прекрасно работает, но иногда вам может понадобиться создавать свои собственные модели машинного обучения.

Для этого вы, вероятно, в конечном итоге будете использовать такую ​​​​инфраструктуру, как TensorFlow.

Я преподаю TensorFlow и программирую почти каждый день. Поэтому я был взволнован, увидев, как новые машины будут работать здесь.

Для всех пользовательских тестов TensorFlow на всех машинах выполнялся один и тот же код с одними и теми же наборами данных с одинаковыми настройками среды.

Единственная разница была между Google Colab и Nvidia TITAN RTX по сравнению с каждым из компьютеров Mac.

На каждом из компьютеров Mac использовалась комбинация tensorflow-macos (TensorFlow для Mac) и tensorflow-metal для ускорения графического процессора. В то время как Google Colab и Nvidia TITAN RTX использовали стандартный TensorFlow.

Вы можете увидеть код для всех экспериментов и настройки TensorFlow на Mac на GitHub.

Примечание: В настоящее время я не знаю ни одного PyTorch, эквивалентного tensorflow-metal для ускорения кода PyTorch на графических процессорах Mac. На данный момент PyTorch работает только на процессоре Mac.

Первый TensorFlow Подробности эксперимента:

• Данные: CiFAR10 из наборов данных TensorFlow (32×32 изображения, 10 классов, 50 000 поездов, 10 000 тест)
• Модель: Tinyvgg (от веб -сайта CNN Explreger)

: : : : : : : : : : : : : : : : : : : : : : . 10 эпох, размер партии 32

• Код: См. на GitHub

*Для экспериментов с TensorFlow я использую бесплатную версию Google Colab, фантастическое предложение от Google для использования ноутбука Jupyter, подключенного к графическому процессору, с минимальной настройкой. Раньше бесплатная версия предлагала более быстрые графические процессоры (Nvidia P100, T4), однако я давно не получал доступа к одному из них. Вы можете получить более быстрые графические процессоры через Colab Pro, но это пока недоступно там, где я живу (Австралия).

Логично, что TITAN RTX превзошел остальные машины. Это графический процессор, специально созданный для машинного обучения и обработки данных.

Все компьютеры Mac работали более или менее в одном диапазоне с точки зрения времени за эпоху. С машинами M1 Max и простыми машинами M1 код запускался в одно и то же время.

Сравнение различных устройств, протестированных с меньшим набором данных (CIFAR10, размер изображения 32×32) и архитектурой модели (TinyVGG), созданной с помощью кода TensorFlow.

Проверка монитора активности для каждого из компьютеров Mac M1 выявила большое использование графического процессора во время обучения. Это стало возможным благодаря Apple tensorflow-metal PluggableDevice, программному пакету, использующему платформу Apple Metal GPU для ускорения TensorFlow.

Благодаря tensorflow-metal на всех компьютерах Mac в Activity Monitor во время тренировки отображалось большое количество использования графического процессора. Скриншот из M1 Pro.

Последний эксперимент по машинному обучению стал более масштабным. Использование большего количества изображений и изображений большего размера, чем в Эксперименте 3.

Один из лучших способов получить фантастические результаты при обучении моделей машинного обучения — использовать трансферное обучение.

Трансферное обучение использует веса (шаблоны), которые одна модель изучила на аналогичном наборе данных, и позволяет вам использовать их для вашего собственного набора данных.

Для эксперимента 4 я использовал трансферное обучение с моделью EfficientNetB0 в наборе данных Food101.

Детали эксперимента:

• Данные: Food101 из наборов данных TensorFlow (изображения 224×224, 101 класс, ~75 тыс. поездов, ~25 тыс. тестов)
• Обучение: 5 эпох, размер партии 32
• Код: См. на GitHub

*Код, запущенный на 16-дюймовом MacBook Pro, использовал оптимизатор SGD вместо оптимизатора Adam из-за нерешенной проблемы с tensorflow-macos , работающей на Mac с процессором Intel. исправить. Оказывается, новые чипы M1 Pro и M1 Max быстрее, чем бесплатное предложение Google Colab (графический процессор K80) для крупномасштабных моделей и наборов данных. M1 Max даже не так уж далек от TITAN RTX.

Что меня больше всего поражает, так это производительность M1 Pro и M1 Max при масштабировании до более крупных экспериментов.

Эксперимент 3 показал аналогичные результаты на всех компьютерах Mac, но когда объем данных увеличивается (как по размеру изображения, так и по количеству изображений), M1 Pro и M1 Max значительно опережают другие компьютеры Mac.

M1 Pro и M1 Max даже превосходят Google Colab с выделенным графическим процессором Nvidia (~ в 1,5 раза быстрее на M1 Pro и в ~ 2 раза быстрее на M1 Max).

Это означает, что вы можете экспериментировать с машинным обучением на своем локальном компьютере быстрее, чем с онлайн-блокнотом Colab. Предоставляя вам все преимущества работы локально. Тем не менее, Google Colab дает вам фантастическую возможность делиться блокнотами по ссылке.

И, конечно же, TITAN RTX работает лучше всех, но M1 Max не сильно отстает, что очень впечатляет для портативного устройства.

Монитор активности показал высокую загрузку графического процессора на всех устройствах. Использование графического процессора

на всех компьютерах Mac было высоким во время обучения благодаря tensorflow-metal . Однако было бы здорово увидеть, как здесь задействуется Neural Engine. Обучение CreateML прошло очень быстро. Интересно, можно ли это использовать для пользовательского кода. Скриншот с М1 Макс.

Последний год я каждый день использую 13-дюймовый MacBook Pro M1. Я использую его для небольших экспериментов по машинному обучению, редактирования видео и браузеров Google Colab.

Однако сейчас я подумываю о переходе на 14-дюймовый MacBook Pro с M1 Pro и выполнении всего локально (больше никакого Google Colab), прежде чем масштабироваться на TITAN RTX или в облаке, когда мне нужно.

Из тестов видно, что 13-дюймовый M1 MacBook Pro (и хотя он не тестировался здесь, M1 MacBook Air должен работать близко к результатам M1 MacBook Pro) по-прежнему является невероятным ноутбуком для начала.

Хотя, если у вас есть бюджет, M1 Pro даст вам заметный прирост производительности.

Что касается M1 Max, мои тесты изо всех сил пытаются оправдать разницу в цене в 1100 долларов США между ним и базовым M1 Pro. Что касается меня, я бы предпочел потратить деньги на дополнительное локальное хранилище, оперативную память или потратить их на выделенный графический процессор.

Вкратце, вот мои рекомендации:

• 13-дюймовый MacBook Pro/MacBook Air M1 — все еще фантастический ноутбук для начинающих машинного обучения и обработки данных.
• 14-дюймовый MacBook Pro M1 Pro — заметное повышение производительности по сравнению с M1, которое того стоит, если вам нравится новый дизайн или у вас ограниченный бюджет.
• 14-дюймовый MacBook Pro M1 Max — заметное повышение производительности по сравнению с M1 Pro только при крупномасштабном обучении модели , многие другие тесты производительности достигли тех же уровней, что и M1 Pro. Это может быть вариантом, если вы часто редактируете несколько потоков видео 4K.

Я хотел бы знать, где и когда используются специализированные чипы Apple.

Например, было бы здорово увидеть, когда в игру вступает нейронный двигатель. Например, при использовании CreateML (все машины M1 прошли обучение здесь, как никогда).