Swift 机器学习：能力与局限性 — 第二部分

在第一部分中，我们介绍了在机器学习背景下使用 Swift 的基础知识。今天我们将深入探讨实际应用：我们将研究库、编写真实代码示例，并讨论对每个学习 Swift 初学者 都重要的局限性。如果你想掌握以 ML 为重点的 编程 Swift 技能——这篇文章正是为你而写。

1. 主要的 Swift 机器学习库

Swift 的 ML 生态系统正在积极发展。以下是你需要了解的关键工具：

• Core ML — 来自 Apple 的框架，用于将现成模型集成到 iOS/macOS 应用程序中。
• Create ML — 一个无需深厚 ML 知识即可在 Mac 上直接训练模型的工具。
• TensorFlow Swift（已过时，但仍可用于学习）— 流行库的一个移植版本。
• Swift for TensorFlow — 一个实验性项目，影响了现代方法。

为了 学习 如何使用这些库，建议从 Create ML 开始——即使对初学者来说它也很直观。

2. 代码示例：使用 Core ML 进行图像分类

让我们看一个使用预训练的 MobileNetV2 模型进行图像分类的简单示例。这对于 Swift 初学者 来说是一个绝佳的任务。

import CoreMLimport Visionimport UIKit

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

// 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("Failed to classify")        return    }    print("Object: \\(topResult.identifier), confidence: \\(topResult.confidence)")}

// 加载图像let image = UIImage(named: "cat.jpg")!let handler = VNImageRequestHandler(cgImage: image.cgImage!, options: [:])try? handler.perform([request])

这段代码展示了将 ML 集成到应用程序中是多么容易。得益于此类框架，编程 Swift 正变得越来越易于使用。

3. Swift 在 ML 中的局限性

尽管取得了进步，Swift 仍有一些缺点，在 学习 和选择工具时需要考虑：

• 社区较小 — 与 Python 相比，寻找现成解决方案更困难。
• GPU 支持有限 — 在 macOS 上，模型训练比使用 CUDA 的 Linux 要慢。
• 库较少 — 没有 scikit-learn、PyTorch 或 Keras 的完全等价物。
• 专注于 iOS/macOS — Swift 不适用于跨平台 ML 项目。

然而，如果你正在为 Apple 生态系统进行开发，这些局限性并不致命。对于 Swift 初学者 来说，重要的是要理解：这门语言非常适合集成，但不适合研究。

4. Swift 在机器学习中的前景

Apple 正在积极投资 ML：改进 Core ML、添加对新架构（如 transformer）的支持。每年，编程 Swift 在 ML 任务中变得越来越有吸引力。

给那些希望深入学习 学习 Swift for ML 的人的建议：

• 学习 Create ML — 这是初学者的最佳起点。
• 在实际项目中使用 Core ML 进行练习。
• 关注最新消息：Apple 会定期发布更新。
• 不要害怕使用 Python 进行训练，而使用 Swift 进行生产部署。

结论

Swift 是一种强大的语言，用于集成