2026年 PyTorch 2.15 MPSの倍精度エラーはどうする？

PyTorch 2.15の公式MPS文書では、MPSバックエンドはfloat64をサポートしていません。公式文書でこの制限を確認し、倍精度が必要な演算はCPUに置いてください。float32へ変えるのは、研究上の精度条件を満たすと検証できた場合に限ります。

この解説が役立つ方
Apple Silicon MacでPyTorchを実行し、doubleやfloat64のエラーに直面した大学院生・研究者の方。
MPSでモデルを動かしたい一方、精度要件や演算子の対応状況を確認したい開発者の方。
研究室の計算環境を整え、再現可能な受け入れ確認を行う技術担当者の方。

最終更新：2026年11月11日。PyTorch 2.15の公式リリース情報、MPSバックエンド文書、数値精度の説明を照合しています。

PyTorch 2.15のMPS倍精度エラーは、型の問題か環境の問題か

エラー文にfloat64やdoubleがあり、MPSへの転送時に失敗するなら、まずテンソルの型が原因かを調べます。torch.backends.mps.is_available()が真でも、MPSで対応していない型を使える意味にはなりません。

PyTorch 2.15のリリース情報にはApple Silicon向けのMPS更新が記されていますが、それだけで全データ型や演算子の対応が保証されるわけではありません。リリース情報と個々の機能制限を分けて確認してください。

MPSの利用可否を調べる例です。

import torch

print("MPS built:", torch.backends.mps.is_built())
print("MPS available:", torch.backends.mps.is_available())

利用できない場合はバックエンドや環境条件を調べます。利用できる場合でも、次にテンソルの型と演算子を確認します。この二つを混同すると、型の制限をインストールのやり直しで直そうとして時間を使うことになります。

CPUの倍精度とMPSの単精度を、要件に応じて分ける

CPUとMPSのどちらか一方へ処理を丸ごと寄せる必要はありません。研究上の精度要件がある箇所はCPUに置き、単精度で問題ないと確かめた処理だけMPSで試す方法が現実的です。

MPSで未対応の演算子をCPUへ回す環境変数もありますが、これはfloat64そのものをMPSで利用可能にする設定ではありません。MPS環境変数の説明が示すフォールバックの範囲と、データ型の制限を分けて扱ってください。

float64を一括でfloat32へ変換するのは、動作確認には便利でも、精度を保証する修正ではありません。変換後の結果を研究目的に照らして評価できない場合は、倍精度をCPUに残してください。

最初の再現から判定までの手順

1. 元のエラーを保存します。 発生した入力、実行条件、該当する演算、エラー全文を記録します。エラーを加工して貼り直すと、型変換やデバイス転送の手掛かりが消えることがあります。
2. バックエンドの状態を確認します。 is_built()とis_available()を実行し、MPSが利用できる状態かを切り分けます。利用できないなら環境条件を先に調べ、利用できるなら次の型確認に進みます。
3. 失敗するテンソルと演算を小さく再現します。 dtypeとdeviceを出力し、.to()でデバイスを移す箇所も特定します。.to()の公式説明を参照し、転送後の型が想定どおりか確認してください。
4. 倍精度が必要な計算を特定します。 入力生成、モデルの一部、中間計算、統計処理などを工程ごとに見て、研究計画上の精度要件がある部分はCPUに残します。モデルやテンソル全体を機械的に移動させないでください。
5. 単精度の試行経路を分けます。 float32へ変更する場合は、問題を再現する最小単位で試します。対応状況は演算子ごとに確認し、PyTorch 2.15で追加されたMPS機能から未確認の対応を推測しないでください。
6. CPU基準と結果を照合します。 同じ入力と固定した実行条件でCPUとMPSの出力を比べます。誤差のほか、研究で重要な統計量や最終的な下流結論も確認します。
7. 受け入れ条件と実行経路を記録します。 許容誤差は一律の値を当てはめず、研究計画やチームで定めた基準を使います。非有限値の検査にはtorch.isfinite()も利用できます。

CPU基準との比較は、誤差だけで終わらせない

単精度への変更を採用するかは、出力の差が小さいかだけで決められません。たとえば分類や検定などの下流判断が変わるなら、平均誤差が許容範囲に見えても採用できない場合があります。どの統計量や結論を守る必要があるか、実行前に決めておきます。

CPUとMPSで乱数、入力前処理、モデルの状態などが異なると、比較結果から精度の影響を切り分けられません。条件をそろえたうえで、値の差、重要な集計量、下流の判定を順に記録します。数値演算には実行経路による差が生じ得るため、PyTorchの数値精度に関する説明も確認してください。

よくある疑問：型の変更とMPS実行をどう判断するか

MPSのチェックに通れば、モデル全体がGPUで動きますか？
いいえ。チェックが示すのはMPSバックエンドを利用できることです。個々のテンソルがどのdeviceにあるか、演算子がMPSで実行されるか、CPUへフォールバックしていないかは別に確認します。実行経路を必要に応じて記録し、処理全体がMPS上だと決めつけないでください。

倍精度が必要な処理は、どこまでCPUに置けばよいですか？
研究上の精度要件が及ぶ入力、演算、中間結果をCPUに残します。MPS上のモデル出力をCPUへ戻して後段だけ倍精度で計算する設計も考えられますが、境界での型変換と出力差を検証してください。処理全体を一度に移すより、必要な範囲を明示する方が追跡しやすくなります。

手元にMacがない場合は、実機で経路を確かめる

LinuxやWindowsの研究室サーバーだけでは、Apple Silicon上のmacOSとMPSの実行経路を直接確かめられません。一方、個人でMacを購入すると、検証が一時的な課題でも機器費用と管理が発生し、共有や機関の利用手続きも別途必要です。常時稼働する重い処理や物理インターフェースが必要な研究なら、自前の専用機や研究室設備が適する場合もあります。

短期間の再現確認や互換性の受け入れ試験であれば、リモートのmacOS環境を選択肢にできます。ただし、利用前に実際のシステム、チップ、接続方法、必要な操作権限を確認してください。環境が用意されても、倍精度の制限が変わるわけではなく、精度検証や機関の承認を置き換えるものでもありません。日本からの接続を検討する場合は、日本向けのMac環境案内で利用条件を確認し、必要なら環境の比較情報も参照してください。

PyTorch MPSの問題は、バックエンドが使えないケース、型が非対応のケース、演算子の範囲、結果の受け入れ判断に分けると、修正方針を誤りにくくなります。まず倍精度が必要な箇所をCPUに残し、単精度で成立する処理だけをCPU基準と照合してください。研究室にApple Silicon Macがなく、実機でのmacOS検証が必要な場合は、VpsHoldの環境情報と利用条件を確かめたうえで、短期の検証用途に合うか判断できます。

よくある質問