零基础学习Swift中的数据科学
编译 | VK
来源 | Analytics Vidhya
概述Swift正迅速成为数据科学中最强大、最有效的语言之一Swift与Python非常相似，所以你会发现2种语言的转换非常平滑我们将介绍Swift的基础知识，并学习如何使用该语言构建你的第一个数据科学模型介绍Python被广泛认为是数据科学中最好、最有效的语言。近年来我遇到的大多数调查都将Python列为这个领域的领导者。
但事实是数据科学是一个广阔并且不断发展的领域。我们用来构建数据科学模型的语言也会随之发展。还记得R是什么时候的流行语言吗?它很快就被Python超越了。Julia语言去年也出现在数据科学中。目前现在有另一种语言正在蓬勃发展。
是的，我说的是Swift语言。
"我总是希望当我开始学习一门新语言的时候，会有一些开阔思维的新想法，这点Swift绝对不会让我失望。Swift易于解释，并且灵活，简洁，安全，易于使用，快速。大多数其他语言在这些方面都有很大的限制。"——Jeremy Howard
当Jeremy Howard认可一种语言并开始在日常的数据科学工作中使用该语言时，你有必要开始思考这个语言的优点了。
在本文中，我们将了解Swift作为一种编程语言，以及它如何适应数据科学领域。如果你是Python用户，你将注意到两者之间的细微差别和惊人的相似之处。这里也有很多代码，让我们开始吧!
目录为什么选择Swift?数据分析的Swift基础在Swift中使用Python库Swift中使用TensorFlow建立基本模型数据科学Swift的未来为什么选择Swift?PyTorch是为了克服Tensorflow中的限制。但现在我们正接近Python的极限，而Swift有可能填补这一空白。"——Jeremy Howard
最近，Swift作为一种数据科学语言引起了很多人的兴奋和关注。每个人都在谈论它。以下是你应该学习Swift的几个理由:
Swift快，很接近C的速度了同时，它有一个非常简单和可读的语法，非常类似Python:
以下是Jeremy Howard对Swift的评价视频: https://youtu.be/drSpCwDFwnM
数据分析的Swift基础在我们开始使用Swift执行数据科学的细节之前，让我们简要介绍一下Swift编程语言的基础知识。
Swift的生态系统当前数据科学的Swift主要由两个生态系统组成:
开源生态系统苹果的生态系统
开源生态系统是我们可以下载并在任何操作系统或机器上运行Swift的地方。我们可以使用非常酷的Swift库来构建机器学习应用程序，比如用于TensorFlow的Swift、SwiftAI和SwiftPlot。
Swift还允许我们无缝地从Python中导入成熟的数据科学库，如NumPy、panda、matplotlib和scikit-learn。
另一方面，苹果的生态系统本身就令人印象深刻。有一些有用的库，比如CoreML，可以让我们用Python来训练大型模型，并直接将它们导入到Swift中进行推理。此外，它还提供了大量的预先训练过的先进模型，我们可以直接使用它们来构建iOS/macOS应用程序。
还有其他有趣的库，比如swift ,coreml,transformer，可以让我们在iPhone上运行最先进的文本生成模型，比如GPT-2、BERT等。
当你需要为Apple设备构建基于机器学习的应用程序时，还有许多其他的库可以提供良好的功能。
这两个生态系统之间存在多种差异。但最重要的是，为了使用苹果的生态系统，你需要有一台苹果的机器，你只能为苹果的设备开发，如iOS, macOS等。
既然你已经有了Swift作为数据科学语言的概述，让我们进入代码吧!
为Swift设置环境Swift可用于谷歌Colab与GPU和TPU版本。我们将使用它，以便你可以快速跟上它的速度，而不必在安装过程中花费太多时间。
你可以按照下面的步骤打开一个Colab笔记本，这是快速激活的:
打开一个空白的Swift笔记本(https://colab.research.google.com/github/tensorflow/swift/blob/master/notebooks/blank_swift.ipynb)点击"File"，然后选择"Save a copy in Drive"-这将保存一个新的Swift笔记本在你自己的谷歌驱动器上!
代码语言：javascript
代码运行次数：0
运行
AI代码解释
复制
print("hello world from Swift")
如果你想在你自己的系统上使用Swift，那么这里有一些你可以打开的链接:
如果你想在本地系统上安装Swift，你可以按照安装说明操作:https://swift.org/getting-started/#using-the-repl在Ubuntu上安装Jupyter笔记本，请参考Jeremy Howard安装Swift的说明:https://forums.fast.ai/t/jeremys-harebrained-install-guide/43814在Ubuntu上，你也可以用Docker安装Swift:https://github.com/apple/swift-docker现在，让我们快速介绍一下一些基本的Swift函数，然后再进入使用它的数据科学功能。
打印功能我相信你用过这个。它的工作方式与Python中非常相似。只需调用print()，在括号内输入你想打印的内容:
代码语言：javascript
代码运行次数：0
运行
AI代码解释
复制
print("Swift is easy to learn!") Swift的变量
Swift提供了两个有用的选项来创建变量:let和var. let用来创建一个"常量"，这个常量的值在程序的任何地方都不能改变。var与我们在Python中看到的变量非常相似——你可以在程序的任何时候更改存储在其中的值。
让我们看一个例子来看看区别。创建两个变量a和b:
代码语言：javascript
代码运行次数：0
运行
AI代码解释
复制
let a = "Analytics" var b = "Vidhya"
现在，尝试改变a和b的值:
代码语言：javascript
代码运行次数：0
运行
AI代码解释
复制
b = "AV" a = "AV"
你会注意到，b能够不报错的更新其值，而a则给出一个错误:
这种创建常量与变量的能力非常有用，可以帮助我们防止代码中出现看不见的bug。你将在本文中进一步看到，我们将使用let来创建存储重要信息并且不需要变更值的常量，
这里有一个技巧:使用var来创建你想使用一些中间计算的结果，因为这些中间计算结果需要改变。类似地，使用let来存储训练数据或者结果，这些数据基本上就是你不想更改或弄乱的值。
此外，Swift还有一个很酷的功能，你甚至可以使用表情符号作为变量名!
这是因为Swift非常支持Unicode，所以我们可以用希腊字母来创建变量:
代码语言：javascript
代码运行次数：0
运行
AI代码解释
复制
var π= 3.1415925 Swift的数据类型
Swift支持所有常见的数据类型，如整数、字符串、浮点数和双精度。我们可以赋值给任何变量，其类型会被Swift自动检测到:
代码语言：javascript
代码运行次数：0
运行
AI代码解释
复制
let marks = 63 let percentage= 70.0 var name = "Sushil"
你还可以在创建变量时显式地编写数据类型。这有助于防止程序中的错误，因为如果类型不匹配。Swift将抛出一个错误:
代码语言：javascript
代码运行次数：0
运行
AI代码解释
复制
let weight: Double = 72.8
可以做个小测验。创建一个显式类型为"Float"的值为4的常量，结果是会报错的。
有一种简单的方法可以将变量的值包含在字符串中，方法是将变量放在括号中，并在括号前写入反斜杠()。例如:
可以对占用多行的字符串使用三个双引号(""")。
列表和字典Swift支持列表和字典数据结构，就像Python一样(这又是一个比较!)这里与Python不同，我们不需要像字典的"{}"和列表的"[]"这样的单独语法。
让我们用Swift创建一个列表和字典:
代码语言：javascript
代码运行次数：0
运行
AI代码解释
复制
var shoppingList = ["catfish", "water", "tulips", "blue paint"] shoppingList[1] = "bottle of water" var occupationsDict = [ "Malcolm": "Captain", "Kaylee": "Mechanic", ]
我们可以通过在"[]"括号内写入索引或者键来访问列表或字典的元素(类似于Python):
代码语言：javascript
代码运行次数：0
运行
AI代码解释
复制
occupationsDict["Jayne"] = "Public Relations" print(occupationsDict)
上面的代码将把"Jayne"和"Public Relations"的键值对添加到字典中。如果你打印以上的字典以下就是输出:
代码语言：javascript
代码运行次数：0
运行
AI代码解释
复制
// Swift中的列表与字典 // 列表 var shoppingList = ["catfish", "water", "tulips", "blue paint"] shoppingList[1] = "bottle of water" print("List : ",shoppingList) // 字典 var occupationsDict = [ "Malcolm": "Captain", "Kaylee": "Mechanic", ] occupationsDict["Jayne"] = "Public Relations" print("Dictionary : " , occupationsDict) 使用循环
循环是任何编程语言最重要的特性之一，Swift不会让你失望。它不仅支持所有传统的循环机制(for、while等)，而且还实现了它自己的一些变体。
for..in 循环非常类似于Python，你可以使用在Swift中的list或者range使用for循环:
第一个例子中的三个点表示Swift中的"range"。如果我们想做a到b范围内的事情，我们会使用a…b的语法。
类似地，如果我们想不要最后一个数字，我们可以把这三个点改成"..<"像"a..<b< strong="" style="font-size: inherit;color: inherit;line-height: inherit;">"。</b<><b< strong="" style="font-size: inherit;color: inherit;line-height: inherit;"></b<>
这里需要注意的另一点是，与Python不同，Swift不使用缩进的概念，而是使用花括号"{}"来表示代码层次结构。
你可以在Swift中以类似的方式使用while和其他类型的循环。你可以这里了解更多关于循环的信息：https://docs.swift.org/swift-book/LanguageGuide/ControlFlow.html。
条件(if-else)
Swift支持条件语句，如if, if..else, if..else..if, 嵌套if甚至switch语句(Python不支持)。if语句的语法非常简单:
代码语言：javascript
代码运行次数：0
运行
AI代码解释
复制
if boolean_expression { /* statement(s) will execute if the boolean expression is true */ }
boolean_expression可以是任何比较，只有在比较结果或表达式的计算结果为true时，才会执行if块中编写的语句。你可以在这里阅读其他条件语句:https://docs.swift.org/swift-book/LanguageGuide/ControlFlow.html。
函数Swift函数在语法上与Python中的函数非常相似。这里的主要区别是我们使用了func关键字而不是def，并且我们明确地提到了参数的数据类型和函数的返回类型。
一个基本的函数如下:
和条件语句一样，我们使用花括号"{}"来表示属于这个函数的代码块。
用代码编写注释编写注释是优秀代码最重要的方面之一。这适用于任何行业。这是你应该学习的最重要的编程技巧!
在你的代码里包含注释文本，作为对自己的注释或提醒。注释在编译时会被Swift忽略。
单行注释以两个斜杠(//)开头:
代码语言：javascript
代码运行次数：0
运行
AI代码解释
复制
// 我是注释.
多行注释以一个前斜杠和一个星号(/*)开始，以一个星号和一个前斜杠(*/)结束:
代码语言：javascript
代码运行次数：0
运行
AI代码解释
复制
/* 我是多行 注释. */
现在你已经熟悉了Swift的基础知识，让我们来学习一个有趣的功能——在Swift中使用Python库!
在Swift中使用Python库Swift支持与Python的互操作性。这意味着你可以从Swift导入有用的Python库，调用它们的函数，并在Swift和Python之间无缝地切换。
这给了Swift的数据科学生态系统不可思议的力量。这个生态系统还很年轻，还在发展中，你已经可以使用成熟的库，如Numpy、panda和Python的Matplotlib来填补现有Swift产品的空白。
为了在Swift中使用Python的模块，你可以直接导入Python并加载任何你想要使用的库!
代码语言：javascript
代码运行次数：0
运行
AI代码解释
复制
import Python // 从python导入numpy let np = Python.import("numpy") // 创建0数组 var zeros = np.ones([2, 3]) print(zeros)
这与你在Python中使用NumPy的方式非常相似，不是吗?你可以对其他包做同样的事情，如matplotlib:
你已经学了不少关于Swift的东西。现在是时候构建你的第一个模型了!
使用TensorFlow建立Swift的基本模型
Swift4Tensorflow是Swift开源生态系统中最成熟的库之一。我们可以使用一个非常简单的keras类语法很容易的建立机器学习和深度学习模型。
它变得更加有趣!Swift4Tensorflow不仅仅是对TensorFlow的快速包装，它还被开发为该语言本身的一个特性。人们普遍认为，在不久的将来，它将成为该语言的核心部分。
这意味着来自苹果公司的Swift团队和谷歌的Tensorflow团队的工程师将确保你能够在Swift中进行高性能的机器学习。
该库还向Swift添加了许多有用的特性，比如对自动微分的原生支持(这让我想起了PyTorch中的Autograd)，从而使它与数值计算更加兼容。
让我们来理解一下我们将在本节中使用的问题陈述。如果你以前接触过深度学习领域，你可能对它很熟悉。
我们将构建一个卷积神经网络(CNN)模型，使用MNIST数据集将图像分类为数字。该数据集包含6万张训练图像和1万张手写数字测试图像，可用于训练图像分类模型:
这个数据集是处理计算机视觉问题的一个相当常见的数据集，所以我不打算详细描述它。
开始项目
在开始构建模型之前，我们需要下载数据集并对其进行预处理。为了方便你，我已经创建了一个GitHub存储库，里面预处理了代码和数据
下载安装代码，下载数据集，导入必要的库:
代码语言：javascript
代码运行次数：0
运行
AI代码解释
复制
%include "EnableIPythonDisplay.swift" IPythonDisplay.shell.enable_matplotlib("inline") import Foundation import Python let os = Python.import("os") let plt = Python.import("matplotlib.pyplot") os.system("git clone https://github.com/mohdsanadzakirizvi/swift-datascience.git") os.chdir("/content/swift-datascience")
你的数据集现在将在Colab上下载。让我们加载数据集:
加载数据集代码语言：javascript
代码运行次数：0
运行
AI代码解释
复制
%include "/content/swift-datascience/MNIST.swift" // 加载数据集 let dataset = MNIST(batchSize: 128) // 获取前5张图 let imgs = dataset.trainingImages.minibatch(at: 0, batchSize: 5).makeNumpyArray() print(imgs.shape) 探索MNIST
我们将从数据集绘制一些图像，以了解我们的工作是什么:
代码语言：javascript
代码运行次数：0
运行
AI代码解释
复制
// 显示前5张图 # Display first 5 images for img in imgs{ plt.imshow(img.reshape(28,28)) plt.show() }
这是我们的图像是这样的:
看起来很直观，对吧?第一个数字是手写的0，第二个数字是4。
定义模型的结构
现在让我们定义模型的体系结构。我使用的是LeNet-5架构，这是一个非常基础的CNN模型，使用了2个卷积层，平均池化层和3个全连接层。
最后一个全连接层的形状是10，因为我们有10个目标类，每个数字一个从0到9:
代码语言：javascript
代码运行次数：0
运行
AI代码解释
复制
import TensorFlow let epochCount = 100 let batchSize = 128 // LeNet-5架构 var classifier = Sequential { Conv2D<Float>(filterShape: (5, 5, 1, 6), padding: .same, activation: relu) AvgPool2D<Float>(poolSize: (2, 2), strides: (2, 2)) Conv2D<Float>(filterShape: (5, 5, 6, 16), activation: relu) AvgPool2D<Float>(poolSize: (2, 2), strides: (2, 2)) Flatten<Float>() Dense<Float>(inputSize: 400, outputSize: 120, activation: relu) Dense<Float>(inputSize: 120, outputSize: 84, activation: relu) Dense<Float>(inputSize: 84, outputSize: 10, activation: softmax) }
你可能已经注意到，这些代码看起来非常类似于Keras、PyTorch或TensorFlow等Python框架中。
编写代码的简单性是Swift最大的卖点之一。
Swift4Tensorflow你可以在这里阅读更多关于它的信息：https://www.tensorflow.org/swift/api_docs/Structs
选择梯度下降作为优化器类似地，我们需要一个优化器函数来训练我们的模型。我们将使用Swift4Tensorflow中提供的随机梯度下降(SGD):
Swift4Tensorflow支持许多额外的优化器。你可以根据你的项目选择:
AMSGradAdaDeltaAdaGradAdaMaxAdamParameterRMSPropSGD模型训练现在一切都设置好了，让我们来训练模型!
代码语言：javascript
代码运行次数：0
运行
AI代码解释
复制
print("Beginning training...") struct Statistics { var correctGuessCount: Int = 0 var totalGuessCount: Int = 0 var totalLoss: Float = 0 } // 训练期间存储准确性结果 var trainAccuracyResults: [Float] = [] var testAccuracyResults: [Float] = [] // 训练循环 for epoch in 1...epochCount { var trainStats = Statistics() var testStats = Statistics() // 设置训练环境 Context.local.learningPhase = .training for i in 0 ..< dataset.trainingSize / batchSize { // 得到小批量的x和y let x = dataset.trainingImages.minibatch(at: i, batchSize: batchSize) let y = dataset.trainingLabels.minibatch(at: i, batchSize: batchSize) // 计算关于模型的梯度。 let ?model = classifier.gradient { classifier -> Tensor<Float> in let ŷ = classifier(x) let correctPredictions = ŷ.argmax(squeezingAxis: 1) .== y trainStats.correctGuessCount += Int(Tensor<Int32>(correctPredictions).sum().scalarized()) trainStats.totalGuessCount += batchSize let loss = softmaxCrossEntropy(logits: ŷ, labels: y) trainStats.totalLoss += loss.scalarized() return loss } // 沿着梯度更新模型的变量。 optimizer.update(&classifier, along: ?model) } // 将上下文设置为推理模式 Context.local.learningPhase = .inference for i in 0 ..< dataset.testSize / batchSize { let x = dataset.testImages.minibatch(at: i, batchSize: batchSize) let y = dataset.testLabels.minibatch(at: i, batchSize: batchSize) // 计算测试集上的损失 let ŷ = classifier(x) let correctPredictions = ŷ.argmax(squeezingAxis: 1) .== y testStats.correctGuessCount += Int(Tensor<Int32>(correctPredictions).sum().scalarized()) testStats.totalGuessCount += batchSize let loss = softmaxCrossEntropy(logits: ŷ, labels: y) testStats.totalLoss += loss.scalarized() } let trainAccuracy = Float(trainStats.correctGuessCount) / Float(trainStats.totalGuessCount) let testAccuracy = Float(testStats.correctGuessCount) / Float(testStats.totalGuessCount) // 保存训练和测试的准确性 trainAccuracyResults.append(trainAccuracy) testAccuracyResults.append(testAccuracy) print(""" [Epoch (epoch)] Training Loss: (trainStats.totalLoss), Training Accuracy: (trainStats.correctGuessCount)/(trainStats.totalGuessCount) ((trainAccuracy)), Test Loss: (testStats.totalLoss), Test Accuracy: (testStats.correctGuessCount)/(testStats.totalGuessCount) ((testAccuracy)) """) }
上面的代码运行一个训练循环，该循环将数据集示例提供给模型，以帮助它做出更好的预测。以下是我们的训练步骤:
我们迭代每个epoch。epoch是遍历整个数据集的次数。在epoch中，我们遍历训练数据集中的每个样本，获取其特征(x)和标签(y)，这对于下一步非常重要。利用例子的特征，我们做了一个预测，并与真实标签进行了比较。这是用来计算模型的损失和梯度。这时使用梯度下降法来更新模型中的变量。记录一些训练数据，以便以后能看到它们。为每个epoch重复步骤1到5。epochCount变量是遍历数据集集合的次数。
你花了多少epoch才在测试集上达到90%以上的准确率?
我在12个epoch内，在训练和测试集的准确率都达到了97%以上。
虽然打印出模型的训练进度很有帮助，但是看到可视化图像通常更有帮助。
让我们将在模型训练期间捕获的训练和测试统计数据可视化。
代码语言：javascript
代码运行次数：0
运行
AI代码解释
复制
plt.figure(figsize: [12, 8]) let accuracyAxes = plt.subplot(2, 1, 1) accuracyAxes.set_ylabel("Train Accuracy") accuracyAxes.plot(trainAccuracyResults, color: "blue") let lossAxes = plt.subplot(2, 1, 2) lossAxes.set_ylabel("Test Accuracy") lossAxes.set_xlabel("Epoch") lossAxes.plot(testAccuracyResults, color: "yellow") plt.show()
这是训练和测试精度在训练过程中的演变过程:
行业专家们对Swift的反应是令人难以置信的,感觉它不仅有潜力成为数据科学的主流语言，而且它也是用于在现实世界构建基于机器学习的应用程序。
目前，它还处于起步阶段，围绕数据科学和数值计算的库仍在发展中。然而，它背后有强大的行业支持，我期待着未来它将拥有一个丰富的工具和库生态系统(甚至可能比现在的Python更好)。
这里有几个Swift的库，你可以进一步探索:
Nifty (Demo):这是一个通用的Swift编程语言的数值计算库。 Github链接:https://github.com/nifty-swift/Nifty-demoSwiftplot:用于数据可视化的Swift库。 Github链接:https://github.com/KarthikRIyer/swiftplotSwift的TensorFlow:是下一代机器学习平台。 Github链接:https://github.com/tensorflow/swiftSwift AI：这是一个完全用Swift编写的高性能深度学习库。 Github链接:https://github.com/Swift-AI/Swift-AI本文中使用的所有代码都可以在Github上找到：https://github.com/mohdsanadzakirizvi/swift-datascience
相关知识
如何零基础学习花艺
绵阳零基础插花学习插花
分析零基础学习SEM知识都要学些什么
零基础学习花艺的几种方法
适合零基础学习的菊花三种画法教程 临摹吧！
零基础花艺 零基础插花 插花学习 家庭插花 婚庆插花 婚庆用花
各种牡丹画法讲解！适合零基础绘画者学习，简单易学
零基础学习婚礼花艺设计
零基础插花视频教程，零基础学插花在这里学起！
适合零基础学习插花花艺的几种初学花艺技巧入门方法
网址: 零基础学习Swift中的数据科学 https://m.huajiangbk.com/newsview1787062.html
| 上一篇: 为什么苹果Swift语言将会迅速 |
下一篇: 作为新手，长远地看，该学习 Ob |
