解决macOS上运行ml-depth-pro项目时的Half精度错误

问题背景

在使用苹果开源的ml-depth-pro项目进行深度估计时，部分macOS用户遇到了一个与数据类型相关的运行时错误。具体表现为当尝试在配备M1/M2芯片或AMD显卡的Mac电脑上运行深度估计模型时，程序会抛出"RuntimeError: 'compute_indices_weights_linear' not implemented for 'Half'"的错误信息。

错误分析

这个错误的核心在于PyTorch在macOS平台上对半精度浮点数(Half precision, float16)的支持不完整。具体来说：

1. 项目默认使用torch.half(半精度)来提升推理速度并减少内存占用
2. 但在macOS的Metal Performance Shaders(MPS)后端中，某些操作(特别是上采样插值操作)尚未完全支持半精度计算
3. 当模型执行到需要双线性上采样的步骤时，系统找不到对应的半精度实现

解决方案

方法一：强制使用单精度浮点数

最直接的解决方案是将模型的计算精度从半精度(float16)改为单精度(float32)。这可以通过修改项目中的run.py文件实现：

1. 定位到depth_pro/cli/run.py文件
2. 找到run(args)函数中定义精度的部分
3. 将torch.half改为torch.float32

这种修改虽然会略微增加内存使用量，但能确保所有操作都能正常执行。

方法二：调整MPS内存分配策略

在macOS上运行大型模型时，还可能需要调整MPS的内存分配策略：

export PYTORCH_MPS_HIGH_WATERMARK_RATIO=0.0

或者使用更保守的设置：

export PYTORCH_MPS_HIGH_WATERMARK_RATIO=0.7

这个环境变量控制了MPS后端的内存分配行为，设置为0.0表示不设上限，而0.7表示使用70%的可用内存作为上限。

技术细节

1. 精度选择的影响：

   • float16：内存占用减半，理论计算速度更快，但数值范围小，容易溢出
   • float32：传统单精度，数值稳定，但内存占用和计算量更大

2. MPS后端限制：

   • macOS 13.0以下版本对某些上采样操作的支持不完整
   • 部分操作在MPS后端会回退到CPU执行，影响性能

3. 性能考量：

   • 在配备强大GPU的Mac上，使用float32通常不会造成明显性能下降
   • 内存充足的设备上，float32是更安全的选择

最佳实践建议

1. 对于开发环境，优先使用float32确保稳定性
2. 在生产部署时，可以在支持的硬件上尝试float16以获得更好性能
3. 定期检查PyTorch的MPS后端更新，苹果正在不断完善对半精度的支持
4. 对于大型模型，合理设置PYTORCH_MPS_HIGH_WATERMARK_RATIO以避免内存问题

通过以上调整，用户可以在macOS平台上顺利运行ml-depth-pro项目，获得准确的深度估计结果。随着PyTorch对MPS后端支持的不断完善，未来这些限制有望得到进一步缓解。