参考链接
https://www.jianshu.com/p/7d27a53e3a5e
Conda-forge安装
选择Miniconda-forge而非Anaconda的原因
前者已经对M1原生支持，官方的Github仓库地址是：https://github.com/conda-forge/miniforge 。从这里下载要用的安装包。
安装
参考链接上的方法是直接拖拽，自己没有成功。应该是使用命令bash Minicondaxxx.sh。
安装过程中选择conda init，然后使用conda config --set auto_activate_base false关闭自动激活base环境即可。
换源
在上一步的基础上，应该在～路径下生成了.condarc文件，如果没有则自己创建即可。
官方：https://conda-forge.org 给出了换源方法。由于官方源较慢，这里建议使用清华大学源，配置方法：https://zhuanlan.zhihu.com/p/87123943 只需要添加https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/conda-forge/这一个源即可，至于pytorch之类的都不用。
这是自己的.condarc配置：
auto_activate_base: false
ssl-verify: true
show_channel_urls: true
channels:- conda-forge- https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/conda-forge/第3行为设置搜索时显示通道地址，方便自己选择。
使用
现阶段只能使用conda-forge，因为这是唯一原生支持osx-arm64工具，并且开发者正在跟进原先osx-64平台的所有包，向arm架构转换。
我们以numpy为例，在这里 https://anaconda.org/conda-forge/numpy 可以看到，支持的平台里有osx-arm64，这就是原生支持M1的。
而像tensorflow、pytorch等现阶段是不支持的，需要自己编译。所以在上面配置镜像时，像pkgs/main或free，pytorch等不需要添加，因为加了也没用。
安装包时，使用conda install -c conda-forge package_name，-c参数也不是多余的，尽管自己安装的是forge版本，且配置了镜像，但是在使用过程中，指定这个channel会提高搜索速度。
建议使用conda代替pip。
Tensorflow安装
根据第一个参考链接的步骤编译即可，没有什么难度，基本上能确保Tensorflow是可以使用的。
第一次“import tensorflow”时会比较慢，之后的速度比较正常。