Swift पर मशीन लर्निंग: iOS/macOS के लिए लाइब्रेरीज़

Swift पर मशीन लर्निंग: iOS/macOS के लिए लाइब्रेरीज़

Swift — Apple की एक शक्तिशाली और सहज भाषा है, जिसका उपयोग न केवल iOS और macOS के लिए ऐप विकास में, बल्कि मशीन लर्निंग कार्यों के लिए भी सक्रिय रूप से किया जाता है। प्रदर्शन, प्रकार सुरक्षा और Apple फ्रेमवर्क के साथ सीधे एकीकरण के कारण, Swift उपकरणों पर ML मॉडल लागू करने के लिए एक उत्कृष्ट विकल्प बन जाता है। इस लेख में, हम Swift पर मशीन लर्निंग के लिए प्रमुख लाइब्रेरीज़ और टूल्स की समीक्षा करेंगे, जो आपको Apple इकोसिस्टम के लिए स्मार्ट ऐप बनाने में मदद करेंगे।

1. Core ML — Apple का प्रमुख फ्रेमवर्क

Core ML — ऐप्पल का मुख्य फ्रेमवर्क है जो मशीन लर्निंग मॉडल को ऐप में एकीकृत करने के लिए है। यह मॉडल प्रारूपों (MLModel, ONNX, TensorFlow, PyTorch) की एक बड़ी संख्या का समर्थन करता है और उपकरणों (iPhone, iPad, Mac) पर काम करने के लिए अनुकूलित है। Core ML अधिकतम प्रदर्शन के लिए स्वचालित रूप से Neural Engine, GPU और CPU का उपयोग करता है।

उदाहरण: Core ML के साथ छवि वर्गीकरण

import CoreMLimport Vision

// पूर्व-प्रशिक्षित MobileNetV2 मॉडल लोड करेंguard let model = try? VNCoreMLModel(for: MobileNetV2(configuration: MLModelConfiguration()).model) else {    fatalError("मॉडल लोड करने में विफल")}

// अनुरोध बनाएंlet request = VNCoreMLRequest(model: model) { request, error in    guard let results = request.results as? [VNClassificationObservation],          let topResult = results.first else {        print("वर्गीकृत करने में विफल")        return    }    print("वस्तु: \\(topResult.identifier) आत्मविश्वास के साथ: \\(topResult.confidence)")}

// छवि लोड करेंguard let image = UIImage(named: "cat.jpg"),      let ciImage = CIImage(image: image) else { return }

let handler = VNImageRequestHandler(ciImage: ciImage, options: [:])try? handler.perform([request])

2. Create ML — कोड के बिना (और कोड के साथ) प्रशिक्षण

Create ML — Apple का एक उपकरण है जो सीधे Xcode में मशीन लर्निंग मॉडल को प्रशिक्षित करने के लिए है। यह छवि वर्गीकरण, पाठ, सारणीबद्ध डेटा, अनुशंसा प्रणाली और यहां तक कि ध्वनि वर्गीकरण के कार्यों का समर्थन करता है। Create ML में प्रशिक्षित मॉडल स्वचालित रूप से .mlmodel प्रारूप में निर्यात होते हैं और Core ML के साथ उपयोग के लिए तैयार होते हैं।

उदाहरण: पाठ वर्गीकरण मॉडल का प्रशिक्षण

import CreateML

// CSV से डेटा लोड करेंlet data = try MLDataTable(contentsOf: URL(fileURLWithPath: "/path/to/data.csv"))

// प्रशिक्षण और परीक्षण सेट में विभाजित करेंlet (trainingData, testingData) = data.randomSplit(by: 0.8, seed: 42)

// पाठ वर्गीकरण बनाएंlet classifier = try MLTextClassifier(trainingData: trainingData, textColumn: "text", labelColumn: "label")

// सटीकता का मूल्यांकन करेंlet evaluationMetrics = classifier.evaluation(on: testingData)print("सटीकता: \\(evaluationMetrics.classificationError)")

// मॉडल सहेजेंlet metadata = MLModelMetadata(author: "PythonLib", shortDescription: "समीक्षा वर्गीकरण", version: "1.0")try classifier.write(to: URL(fileURLWithPath: "/path/to/SentimentClassifier.mlmodel"), metadata: metadata)

3. TensorFlow Lite (TFLite Swift) — मोबाइल TensorFlow

TensorFlow Lite — मोबाइल और एम्बेडेड उपकरणों के लिए TensorFlow का हल्का संस्करण है। Swift इंटरफ़ेस iOS और macOS पर TFLite मॉडल लोड और निष्पादित करने की अनुमति देता है। TFLite Metal Performance Shaders (MPS) और Core ML डेलिगेट के माध्यम से हार्डवेयर त्वरण का समर्थन करता है।

उदाहरण: TFLite मॉडल चलाना

import TensorFlowLite

// मॉडल लोड करेंguard let modelPath = Bundle.main.path(forResource: "mobilenet_v1_1.0_224", ofType: "tflite") else {    fatalError("मॉडल नहीं मिला")}

let interpreter = try Interpreter(modelPath: modelPath)try interpreter.allocateTensors()

// इनपुट डेटा तैयार करें (उदाहरण के लिए, 224x224 छवि)let inputData: Data = preprocessImag