mac m1芯片 pycharm使用etree报错:incompatible architecture(have ‘x86_64‘, need ‘arm64e‘)

这篇具有很好参考价值的文章主要介绍了mac m1芯片 pycharm使用etree报错:incompatible architecture(have ‘x86_64‘, need ‘arm64e‘)。希望对大家有所帮助。如果存在错误或未考虑完全的地方,请大家不吝赐教,您也可以点击"举报违法"按钮提交疑问。

背景:

相同的代码,在同事mac电脑上运行正常,自己电脑会报错。自己电脑上的相关信息:

mac m1 芯片,使用homebrew安装python3.9

pycharm配置虚拟环境,使用homebrew安装的python

运行 from lxml import etree报错:

mach-o file, but is an incompatible architecture (have 'x86_64', need 'arm64e') [如图所示]

mac m1芯片 pycharm使用etree报错:incompatible architecture(have ‘x86_64‘, need ‘arm64e‘),pycharm,macos,ide

【新手踩坑记录,具体我后面有空再完善】

曾经尝试解决的办法:

1、将mac的架构改为arm64e,虽然显示成功修改,但是运行还是报同样的错,解决失败

2、直接命令arch -arm64安装lxml,安装完成后,运行依然报错,解决失败

最后排查到可能是python安装所支持的架构不对导致,但通过自查安装路径发现确实是arm64的,实在没办法了,于是参考文章【1】,用miniforge安装python3.9再搭建一套支持arm64e的虚拟环境:

步骤:

1、下载miniforge arm版本,选择 Miniforge3-MacOSX-arm64,地址:

GitHub - conda-forge/miniforge: A conda-forge distribution.

2、启动终端(控制台),进入第一步miniforge文件下载的所在目录,执行命令:sh Miniforge3-MacOSX-arm64.sh,根据安装提示 一步步安装完成(全程基本上就是点enter了)

3、安装完成后,重启控制台,输入命令 conda --version 有返回版本号,说明安装成功

4、使用conda命令创建虚拟环境……

5、创建完成后记录下环境所在目录

6、激活环境,此时conda环境已经创建完毕

参考文章【2】,打开pycharm配置conda虚拟环境:

步骤:

1、用pycharm打开对应的项目

2、在右下角配置interpreter,点击add new interpreter  --》add local  ……

mac m1芯片 pycharm使用etree报错:incompatible architecture(have ‘x86_64‘, need ‘arm64e‘),pycharm,macos,ide

3、如图配置,就可以找到对应环境,切换之后再运行就没有报错啦

mac m1芯片 pycharm使用etree报错:incompatible architecture(have ‘x86_64‘, need ‘arm64e‘),pycharm,macos,ide

批注:
【1】

python运行py报have ‘x86_64‘, need ‘arm64e‘错误-CSDN博客

【2】:

pycharm 使用conda虚拟环境的详细配置过程_python_脚本之家文章来源地址https://www.toymoban.com/news/detail-693471.html

到了这里,关于mac m1芯片 pycharm使用etree报错:incompatible architecture(have ‘x86_64‘, need ‘arm64e‘)的文章就介绍完了。如果您还想了解更多内容,请在右上角搜索TOY模板网以前的文章或继续浏览下面的相关文章,希望大家以后多多支持TOY模板网!

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处: 如若内容造成侵权/违法违规/事实不符,请点击违法举报进行投诉反馈,一经查实,立即删除!

领支付宝红包 赞助服务器费用

相关文章

  • 提升 5-7 倍速,使用 Mac M1 芯片加速 Pytorch 完全指南

    2022年5月,PyTorch官方宣布已正式支持在M1芯片版本的Mac上进行模型加速。官方对比数据显示,和CPU相比,M1上炼丹速度平均可加速7倍。 哇哦,不用单独配个GPU也能加速这么多,我迫不及待地搞到一个M1芯片的MacBook后试水了一番,并把我认为相关重要的信息梳理成了本文。 Qu

    2023年04月23日
    浏览(65)
  • Mac book pro M1芯片 无法使用组合键进入恢复模式

    在基于 ARM 的 M1 MacBook Pro、MacBook Air 和 Mac Mini 上进入恢复模式所需要做的就是关闭计算机并按照以下步骤操作。 1.按住电源按钮并在 Mac 以 Apple 徽标启动时继续按住。 2.当您在计算机屏幕上看到“正在加载启动选项”消息时,松开电源按钮。 3.等待所有启动图标出现在屏幕上

    2024年02月07日
    浏览(70)
  • 【yolov5 安装教程】(入门篇)避免踩雷保姆级教程 在m1芯片下 使用yolov5本地训练自己的数据集 ——mac m1

    ​​​​​​​ 目录 一、简介 配置 环境准备 二、环境配置 1.安装anaconda 2.安装TensorFlow 3.安装pytorch 4.pyqt5安装  5.安装labelimg 6.下载yolov5 7.pycharm安装 三、使用labelimg标记图片 1.准备工作 2.标记图片 四、 划分数据集以及配置文件修改 1. 划分训练集、验证集、测试集 2.XML格式转

    2024年02月05日
    浏览(47)
  • Mac M1芯片Anaconda环境准备

    Anaconda官网:Anaconda Anaconda offers the easiest way to perform Python/R data science and machine learning on a single machine. Start working with thousands of open-source packages and libraries today. Anaconda集成了Python/R,安装Anaconda时会默认安装Python。Anaconda在数据科学和机器学习领域有丰富的依赖包,可以很方便地

    2023年04月08日
    浏览(34)
  • Mac M1芯片安装es,kibana

    安装:brew search elasticsearch    //查看版本 brew install elastic/tap/ elasticsearch-full  //安装这个full版本 。。。等待安装 启动:cd /opt/homebrew/bin           ./elasticsearch 访问: http://localhost:9200/ 安装:brew search kibana    //查看版本 brew install elastic/tap/kibana-full //安装这个full版本 。。。

    2024年02月05日
    浏览(62)
  • Mac M1/M2芯片电脑问题解决汇总

    旧的 mbp 用了7年多了,虽然还能使用,但是严重降低了工作效率了,所以最近入手了 mbp (1月发行的),该电脑使用的是苹果自研的 m2 芯片,性能杠杠滴。在安装会之前的环境和软件时会遇到种种很奇怪的问题,所以本文记录下来,以便有需要的童鞋可以去参考。 在本文开

    2024年02月02日
    浏览(59)
  • 支持Mac M1芯片的安卓模拟器安装

    首先需要说明,市场上的模拟器都是安卓,没有 IOS 模拟器,因为 IOS 系统不开源,安卓系统开源 安卓模拟器支持 M1 的,貌似目前 mumu 和夜神这两大主流的安卓模拟器还不支持 M1,目前只有谷歌官方提供的可以用 仓库地址:https://github.com/google/android-emulator-m1-preview 去其中资产

    2024年02月11日
    浏览(49)
  • Mac M1芯片安装PyTorch、GPU加速环境

    安装PyTorch前先看一下(最好也安装一下)安装Tensorflow这篇文章 通过App store安装或者使用命令 $ xcode-select --install 安装 Pytorch官网指导页面 通过上述方式安装的PyTorch可能自带的Numpy太低,所以重新安装Numpy: 或者 使用“conda list”可以查看此conda环境内的包和各个包的版本。使用

    2023年04月26日
    浏览(44)
  • mac m1芯片 pytorch安装及gpu性能测试

    pytorch 使用mac的m1芯片进行模型训练。 #小结:在 数据量小 和 模型参数少 , batch_size小时 ,cpu训练更快(原因:每次训练时数据需要放入GPU中,由于batch_size小。数据放入gpu比模型计算时间还长) 在 数据量大(或者batch size大) 或者 模型参数多 时,使用GPU训练优势明显 当模

    2024年02月03日
    浏览(46)

觉得文章有用就打赏一下文章作者

支付宝扫一扫打赏

博客赞助

微信扫一扫打赏

请作者喝杯咖啡吧~博客赞助

支付宝扫一扫领取红包,优惠每天领

二维码1

领取红包

二维码2

领红包