Swift 机器学习：功能与局限

Swift 在机器学习中的能力与局限性

机器学习领域传统上与 Python 及其库（TensorFlow、PyTorch、scikit-learn）紧密相关。然而，苹果生态系统中的开发者越来越多地提出疑问：Swift 能否用于机器学习任务？Swift 是一种强大、快速且安全的语言，是 iOS、macOS、watchOS 和 tvOS 所有现代应用程序的基础。在本文中，我们将详细探讨 Swift 在机器学习领域可用的工具、它们的优势，以及相对于 Python 还有哪些不足之处。

我们将审视苹果原生框架（Create ML、Core ML）以及第三方解决方案（Swift for TensorFlow）。您将了解 Swift 是否适用于生产级模型、训练神经网络，还是仅适用于设备端的推理。

1. 苹果原生工具：Create ML 与 Core ML

苹果正在积极发展自己的机器学习生态系统。主要框架 —— Create ML 和 Core ML —— 完全由 Swift 编写，并针对在苹果设备上运行进行了优化。

Create ML —— 无需 Python 即可训练模型

Create ML 是一个框架，允许您直接在 macOS 上仅使用 Swift 训练机器学习模型。它非常适合图像分类、文本分析、回归和推荐系统等任务。主要优势在于入门门槛极低：无需安装 Python、配置 CUDA，或深入研究复杂的数学抽象概念。

代码示例：在 Swift 中训练文本分类器

import CreateMLimport Foundation

// Loading data from JSONlet data = try MLDataTable(contentsOf: URL(fileURLWithPath: "reviews.json"))

// Splitting into training and testing setslet (trainingData, testingData) = data.randomSplit(by: 0.8, seed: 5)

// Creating and training the modellet sentimentClassifier = try MLTextClassifier(trainingData: trainingData,                                               textColumn: "text",                                               labelColumn: "label")

// Evaluating accuracylet evaluationMetrics = sentimentClassifier.evaluation(on: testingData)print("Accuracy: \\(evaluationMetrics.classificationError)")

// Saving the model to .mlmodellet metadata = MLModelMetadata(author: "PythonLib User",                               shortDescription: "Model for sentiment analysis",                               version: "1.0")try sentimentClassifier.write(to: URL(fileURLWithPath: "SentimentClassifier.mlmodel"),                              metadata: metadata)

这段代码在带有标签的评论数据上训练了一个模型，并将其保存为 .mlmodel 格式，随后可被集成到任何 iOS/macOS 应用程序中。

Core ML —— 设备端推理

Core ML 是在苹果设备上运行机器学习模型的引擎。它支持 Create ML 训练的模型，也支持来自 TensorFlow 或 PyTorch（通过转换为 .mlpackage 格式）的模型。Core ML 利用硬件加速（神经网络引擎、GPU、CPU），使模型能够在离线状态下工作，无需网络延迟。

示例：在应用中使用预训练的 Core ML 模型

import CoreMLimport Vision

// Loading the modelguard let model = try? VNCoreMLModel(for: ResNet50(configuration: MLModelConfiguration()).model) else {    fatalError("Failed to load model")}

// Creating the requestlet request = VNCoreMLRequest(model: model) { request, error in    guard let results = request.results as? [VNClassificationObservation],          let topResult = results.first else {        return    }    print("Recognized: \\(topResult.identifier) with confidence \\(topResult.confidence)")}

// Performing on the imagelet handler = VNImageRequestHandler(url: URL(fileURL