Yann LeCun曾說，深度學習可能需要一種新的編程語言了?，F(xiàn)在Swift來了！沒錯，這就是讓萬千飽受Python缺點困擾的開發(fā)者興奮不已的深度學習語言。本文便將帶領(lǐng)讀者詳細了解一下為什么Swift將成為深度學習的下一大熱門。

當你聽到Swift的時候，第一反應肯定會想到iOS或者MacOS的應用程序開發(fā)。當你玩兒過深度學習，也肯定聽說過Swift for Tensorflow(縮寫為S4TF)。

而后你就會產(chǎn)生困惑：“為什么谷歌要為Swift創(chuàng)建TensorFlow版本呢？已經(jīng)有了Python和C++版本了，為什么還要添加另一種語言？”

在這篇文章中，作者將嘗試回答這些問題，并告訴你為什么要認真遵循S4TF以及Swift語言本身。 本文的目的不是提供非常詳細的解釋，而是提供下文大量鏈接內(nèi)容的一般概述，方便讀者深入挖掘。

Swift for Tensorflow官方地址：

https://www.tensorflow.org/swift/

Swift“背景硬”：背后有強大的支持

Swift是Chris Lattner在蘋果公司工作時創(chuàng)建的。Swift語言的創(chuàng)造者現(xiàn)在在實驗室從事深度學習的研究，這一事實應該告訴你，這就是一個嚴肅的項目。

前段時間，谷歌的員工意識到一件事情：盡管Python是一種優(yōu)秀的語言，但它有許多難以克服的局限性——TensorFlow需要一種新的語言。

經(jīng)過長時間的考慮，Swift被選為候選語言。作者沒有在本文詳細介紹，但下方鏈接中的文檔描述了Python的缺點、在候選語言篩選過程中考慮哪些語言，以及最終為何Swift當選。

https://github.com/tensorflow/swift/blob/master/docs/WhySwiftForTensorFlow.md

對于TensorFlow來說，Swift不僅僅是一個庫

Swift對于TensorFlow不僅僅是另一種語言的TF。

它本質(zhì)上是Swift語言本身的另一個分支(在git術(shù)語中)。這意味著S4TF不是一個庫；它本身就是一種語言，內(nèi)置了支持TensorFlow所需的所有功能的特性。

例如，S4TF中有非常強大的自動微分系統(tǒng)，這是計算梯度所需要的深度學習的基礎(chǔ)之一。對比一下Python，在Python中，自動微分不是語言的核心組件。最初作為S4TF的一部分開發(fā)的功能后來被集成到Swift語言本身。

Git地址：

https://git-scm.com/book/en/v1/Git-Branching-What-a-Branch-Is

有關(guān)自動微分：

https://github.com/tensorflow/swift/blob/master/docs/AutomaticDifferentiation.md

Swift速度極快

當作者第一次知道Swift的運行速度和C代碼一樣快時，作者表示非常驚訝。

我們知道C語言是高度優(yōu)化的，可以達到非常高的速度，但這是以微管理內(nèi)存為代價的，這導致C語言不是內(nèi)存安全的。此外，C語言并不是一門很容易學的語言。

現(xiàn)在，Swift在數(shù)值計算中運行得和C一樣快，而且它沒有內(nèi)存安全問題，而且它更容易學習。Swift背后的LLVM編譯器非常強大，并且有非常高效的優(yōu)化，這就確保了代碼運行的速度。

Swift為何和C一樣快：

https://www.fast.ai/2019/01/10/swift-numerics/

在Swift中可以使用Python，C和C ++代碼

由于適用于機器學習的Swift還處于早期階段，這意味著適合Swift的機器學習庫并不多。

但不必過于擔心這一點，因為Swift具有驚人的Python互操作性。

只需導入Swift中的任何Python庫，它就能正常工作。類似地，可以將C和C++的庫導入Swift（對于C++，需要確保頭文件是用純C編寫的，沒有C++特性）。

有關(guān)Python互操作性：

https://github.com/tensorflow/swift/blob/master/docs/PythonInteroperability.md

導入C和C++庫：

https://oleb.net/blog/2017/12/importing-c-library-into-swift/

總而言之，如果需要特定功能，但尚未在Swift中實現(xiàn)，則可以導入相應的Python，C或C ++包。

Swift可以在非常底層的地方運行

如果你曾經(jīng)使用過TensorFlow，那么通常情況下可能是通過Python包完成的。

在底層，Python版本的TensorFlow庫底層有C代碼。所以當你調(diào)用TensorFlow中的任何函數(shù)時，在某種程度上你會碰到一些C代碼。

這意味著檢查源代碼的速度是有限的。例如，如果你想了解卷積是如何實現(xiàn)的，你無法看到Python代碼，因為它是在C語言中實現(xiàn)的。

在Swift中，情況就不同了。Chris Lattner稱Swift是“LLVM(匯編語言)的語法糖”。

從本質(zhì)上說，Swift非常接近硬件，而且在硬件之間沒有其他用C編寫的代碼層。這也意味著Swift代碼運行速度非?？?。這就使得開發(fā)人員能夠從高到低，任何層次都可以開始檢查代碼，而無需使用C。

有關(guān)“LLVM(匯編語言)的語法糖”：

https://www.fast.ai/2019/03/06/fastai-swift/

接下來的一步

Swift只是谷歌深度學習創(chuàng)新的一部分。還有一個非常相關(guān)的組件：MLIR，代表多級中間表示。

MLIR將是谷歌統(tǒng)一的編譯器基礎(chǔ)設(shè)施，允許用Swift(或任何其他受支持的語言)編寫代碼，并將其編譯到任何受支持的硬件。

目前，針對不同的目標硬件有大量的編譯器，但是MLIR將改變這一點，不僅允許代碼重用，還允許編寫定制的編譯器底層組件。它還將允許研究人員應用機器學習來優(yōu)化底層算法：

雖然MLIR充當ML的編譯器，但我們也看到它可以在編譯器中使用機器學習技術(shù)！一點尤其重要，因為開發(fā)數(shù)值庫的工程師的擴展速度趕不上ML模型或硬件的多樣化。

想象一下，如果我們能夠使用深度學習來幫助優(yōu)化數(shù)據(jù)的低級內(nèi)存分塊算法(類似于Halide試圖完成的任務)會怎么樣。

有關(guān)MLIR：

https://medium.com/tensorflow/mlir-a-new-intermediate-representation-and-compiler-framework-beba999ed18d

有關(guān)Halide：

https://www.youtube.com/watch?v=3uiEyEKji0M

總結(jié)

如果你對深入學習感興趣，那么Swift是一門你應該開始學習的語言。

與Python相比，它有許多優(yōu)勢。谷歌正在大力投資，使Swift成為其TensorFlow ML基礎(chǔ)設(shè)施的一個關(guān)鍵組件，而且很有可能Swift將成為深度學習的語言。

所以，早點學習Swift總不會有錯的。