Swift 机器学习：实践中的能力与局限

Swift 机器学习：实践中的能力与局限

机器学习（ML）的世界长期以来一直与 Python 紧密相连。然而，随着 iOS/macOS 开发的日益普及以及 Apple 强大框架的出现，Swift 语言正越来越积极地进入这一领域。在本文中，我们将探讨 Swift 在 ML 任务中的适用性、它提供了哪些工具、在哪些场景下使用它是合理的，以及它在哪些方面仍逊色于经典的 Python。

为什么选择 Swift？Apple 生态系统与性能

Swift 是一种编译型语言，具有严格的类型系统和接近 C++ 的高性能。对于机器学习来说，这带来了几个关键优势：

\n
• 执行速度：原生计算，没有解释器的额外开销。
\n
• 与 Apple 平台集成：直接访问 Metal（GPU）、Neural Engine、Accelerate 框架。
\n
• 内存安全：与 Python 相比，运行时错误更少。
\n

然而，主要的驱动力是 Apple 希望让 ML 对移动开发者更易用。iOS 开发者无需学习 Python 并单独部署模型，而是可以留在熟悉的 Xcode 环境中。

关键框架

Apple 提供了三个主要工具用于在 Swift 上进行 ML 工作：

\n
• Core ML — 在设备上运行模型的运行时。
\n
• Create ML — 无需 Python 即可训练模型的框架。
\n
• MLX（Apple 开源项目）— 用于更深入的研究。
\n

使用 Core ML 运行预训练模型

最常见的场景是将预训练模型集成到移动应用中。Swift 在这方面表现出色：代码简洁且直观。

使用 Core ML 和 Vision 进行图像分类的示例：

import Vision\nimport CoreML\n\n// 1. 加载模型（例如 MobileNetV2）\nguard let model = try? VNCoreMLModel(for: MobileNetV2().model) else {\n    fatalError("无法加载模型")\n}\n\n// 2. 创建请求\nlet request = VNCoreMLRequest(model: model) { request, error in\n    if let results = request.results as? [VNClassificationObservation] {\n        // 输出前三个预测结果\n        for result in results.prefix(3) {\n            print("\\(result.identifier): \\(result.confidence * 100)%")\n        }\n    }\n}\n\n// 3. 对图像执行请求\nguard let image = UIImage(named: "cat.jpg"),\n      let ciImage = CIImage(image: image) else { return }\n\nlet handler = VNImageRequestHandler(ciImage: ciImage)\ntry? handler.perform([request])

如您所见，Swift 只需 10-15 行代码即可完成推理。所有操作都是原生的，利用 GPU 或 Neural Engine。

使用 Create ML 训练模型

Create ML 是 Apple 让普通开发者也能进行模型训练的一次尝试。您可以在不离开 Swift 的情况下训练图像分类器、文本分类器、表格数据甚至推荐模型。

示例：训练文本分类器

假设我们有一个包含评论和标签（positive/negative）的 CSV 文件。训练过程如下：

import CreateML\nimport Foundation\n\n// 1. 加载数据\nlet data = try MLDataTable(contentsOf: URL(fileURLWithPath: "reviews.csv"))\n\n// 2. 分割为训练集和测试集\nlet (trainingData, testingData) = data.randomSplit(by: 0.8, seed: 42)\n\n// 3. 创建分类器\nlet classifier = try MLTextClassifier(trainingData: trainingData,\n                                      textColumn: "text",\n                                      labelColumn: "label")\n\n// 4. 评估准确率\nlet evaluation = classifier.evaluation(on: testingData)\nprint("准确率: \\(evaluation.classificationError * 100)%")\n\n// 5. 保存模型以供 Core ML 使用\ntry class