(一)swift的基本学习
一、swift介绍
1、什么是swfit
1）swift是苹果公司在2014年WWDC上发布的全新编程语言 2）swift在天朝译为雨燕 3）跟Object-C一样，可以用于iOS、Mac应用程序 4）苹果公司从2010年7月开始设计swift语言，耗时四年打造（几乎由一个人来完成的）2、语法特点
1）从他的语法中能看到OC、JS、C#/Pthon等语言的影子 2）借鉴了OC、JS、C#、python等语言的有点 3）同时具备了编译型语言的高性能和脚本语言的灵活交互性 4）语法简单、代码简洁、使用方便 5）可以轻松与OC、C混合使用3、苹果公司为什么要设计swift语言
1）后期取代OC 2）让应用开发更简单、更高效、更稳定二、swift须知
1、在swift里面不在有.h和.m文件，swift的源文件扩展名都是 .swift2、两个不需要 1）不需要编写main函数 从上往下按顺序执行，所以最前面的代码会被自动当做程序的入口 2）不需要再每一个语句后面加上分号，同一行代码上有多条语句时必须加分号3、注释与OC的区别 多行注释可以嵌套多行注释(OC则不可以用嵌套注释)4、如何声明常量和变量 1) 用let来声明常量,用var来声明变量 2）基本上可以用任何你喜欢的字符作为变量和常量名（汉字，表情符号，几乎所有的都可以作为变量的名字） 3) 注意点 不能包含数学符号 不能包含箭头 不能包含非法无效的Unicode字符比如 不能直接是下划线 不能是let或者var三、用swfit创建button和imageView
四、playground
五、字符串的简单介绍
1、字符串是String类型的数据，用双引号""包住文字内容
2、字符串的常见操作
1）用加号做字符串的拼接 let scheme="http://" let path="www.baidu.com" let website=scheme + path 2）用反斜线\和小括号做字符串插值 let hand=2 let age=20 let str="我今年\(age)岁了，有\(hand)只手" 3）整数转字符串 var age=10 var ageStr=String(age)六、关于swift的疑惑
1、是否意味着使用OC的iOS程序员和其他行业的非iOS程序员站在了同一起跑线上2、只不过是换种语法规则，其他的代理、通知、协议、KVO、KVC的原理还是没有变概述
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1.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:与Python相比，Swift是一种更高效、更稳定、更安全的编程语言这也是一种很好的移动语言。事实上，它是为iPhone开发iOS应用程序的官方语言它对自动微分有强大的集成支持，这使它成为为数不多的用于数值计算的高级语言之一它背后有谷歌、Apple、FastAI等的支持!
以下是Jeremy Howard对Swift的评价视频:https://youtu.be/drSpCwDFwnM
2.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。
2.1 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!
2.2 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!已经准备好开始写Swift代码了，一下是第一行:
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。
2.3 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:
2.4 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:
现在，尝试改变a和b的值:
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:
2.5 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:
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:
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(""")。
2.6 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:
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):
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:
2.7 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.."。
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。
2.8 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:
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。
2.9 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。
2.10 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:
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:
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!
3.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!
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!
4.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。
4.1 关于数据集
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。
4.2 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:
你的数据集现在将在Colab上下载。让我们加载数据集:
4.3 加载数据集
4.4 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:
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。
4.5 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:
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
4.6 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:
AMSGradAdaDeltaAdaGradAdaMaxAdamParameterRMSPropSGD4.7 模型训练
现在一切都设置好了，让我们来训练模型!
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。
4.8 可视化训练和测试数据
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。
这是训练和测试精度在训练过程中的演变过程:
5.数据科学Swift的未来
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
发表评论