Swift 机器学习：实践中的优势与局限

Swift用于机器学习：实践中的能力与局限

机器学习（ML）世界长期以来几乎完全与Python联系在一起——这是一种拥有丰富库生态系统的语言，如TensorFlow、PyTorch和scikit-learn。然而，随着iOS和macOS的普及，以及Apple强大框架的出现，Swift语言开始在ML领域占据一席之地。在本文中，我们将分析Swift在机器学习任务中的适用程度，它的优势所在，以及关键的限制，并提供实际代码示例。

为什么选择Swift？ML的主要优势

Swift是一种由Apple开发的编译型、静态类型语言。它在ML方面的主要优势是性能和类型安全。与解释型且可能在繁重计算中速度较慢的Python不同，Swift编译为原生代码，在相同算法上速度可提升2-5倍。此外，Swift与Apple生态系统完美集成：Core ML和Create ML允许直接在用户设备上部署模型。

关键框架

• Core ML — 用于将训练好的模型集成到iOS/macOS应用程序中的主要框架。支持来自TensorFlow、PyTorch和ONNX的模型。
• Create ML — 用于训练简单模型（图像分类、文本分类、回归）的工具，无需编写代码或只需少量Swift代码。
• Swift for TensorFlow (S4TF) — Google的实验性项目，允许用Swift编写神经网络并与TensorFlow完全集成。遗憾的是，该项目已暂停，但其理念在其他计划中得以延续。
• MLX — Apple推出的新机器学习框架，针对Apple Silicon芯片进行了优化，用于设备端机器学习。

实践示例：使用Core ML进行图像分类

让我们看一个简单的例子——加载预训练的MobileNetV2模型并进行图像分类。这段代码可在iOS和macOS上运行。

import CoreMLimport Visionimport UIKit

// 加载模型guard let model = try? VNCoreMLModel(for: MobileNetV2().model) else {    fatalError("无法加载模型")}

// 创建请求let request = VNCoreMLRequest(model: model) { request, error in    guard let results = request.results as? [VNClassificationObservation],          let topResult = results.first else {        print("无结果")        return    }    print("最可能的类别: \\(topResult.identifier) 概率: \\(topResult.confidence)")}

// 加载图像guard let image = UIImage(named: "cat.jpg"),      let ciImage = CIImage(image: image) else {    fatalError("无法加载图像")}

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

这段代码展示了如何轻松地将ML集成到原生应用程序中。一切开箱即用，无需配置环境。

使用Create ML在Swift上创建模型

Create ML允许直接在Xcode中训练模型。以下是在Swift上训练文本分类器的示例：

import CreateMLimport Foundation

// 从JSON加载数据let data = try MLDataTable(contentsOf: URL(fileURLWithPath: "tweets.json"))

// 分割为训练集和测试集let (trainingData, testData) = data.randomSplit(by: 0.8, seed: 42)

// 创建并训练模型let classifier = try MLTextClassifier(trainingData: trainingData,                                      textColumn: "text",                                      labelColumn: "sentiment")

// 评估准确率let evaluation = classifier.evaluation(on: testData)print("准确率: \\(evaluation.classificationError)")

// 保存模型let modelURL = URL(fileURLWithPath: "SentimentClassifier.mlmodel")try