Swift 势必取代 Python？

Posted 2021-04-27 CSDN

@开发者，如果你正在研究深度学习，那么建议你开始学习Swift语言。

作者 | Max Pechyonkin

译者 | 弯月，责编 | 郭芮

出品 | CSDN（ID：CSDNnews）

以下为译文：

当程序员听到Swift时，可能都会联想到ios或MacOS的应用开发。如果你正在研究深度学习，那么你一定听说过Swift版的TensorFlow。你可能不禁想问：“为什么Google会创建Swift版的TensorFlow？现在已经有Python和C++版本了，为什么还要添加另一种语言？”

我将在这篇文章中为你解答这个问题，并概述为什么你需要留意Swift版的TensorFlow以及Swift语言本身。我不打算在文本中提供详细的解释，但是我会提供大量链接，如果你对这个话题感兴趣的话，那么可以深入挖掘。

Swift拥有强力的后援

Swift是由Chris Lattner在苹果工作时创建的。目前，Chris Lattner在Google Brain工作——这是世界上最先进的人工智能研究团队之一。 Swift语言的创始人如今在研究深度学习的实验室工作，这个事实说明这是一个重大的项目。

前段时间，Google意识到尽管Python是一种优秀的语言，但它仍有许多难以克服的局限性。TensorFlow需要一种新语言，经过长时间的考虑后，这个重任落到了Swift肩上。我不打算对此做详细的介绍，但是你可以自行阅读这篇文档（https://github.com/tensorflow/swift/blob/master/docs/WhySwiftForTensorFlow.md），文中描述了Python的缺点，有关其他语言的考量，以及最终选中了Swift的经过。

Swift版的TensorFlow不仅仅是一个代码库

Swift版的TensorFlow不仅仅是另一种语言的TensorFlow。

从本质上来说，它是Swift语言的另一个分支（就像在git上创建branch一样）。这意味着Swift版的TensorFlow并不是一个代码库， 它本身就是一种语言，它内置的功能支持TensorFlow所需的所有功能。

例如，Swift版的TensorFlow拥有非常强大的自动微分系统，这是深度学习计算梯度所需的基础。相比之下，Python的自动微分系统不是语言的核心组成部分。有一些最初为Swift版的TensorFlow开发的功能后来被集成到了Swift语言本身中。

Swift非常快

当第一次得知Swift的运行速度与C代码一样快时，我感到非常惊讶。我知道C经过了高度优化，且可以实现非常高的速度，但这需要以微内存管理为代价，因此C不能保证内存的安全。此外，C不是一种非常容易学习的语言。

如今，Swift的数值计算速度与C一样快，还没有内存安全的问题，而且更容易学习。Swift背后的LLVM编译器功能非常强大，并且拥有非常高效的优化功能，可以确保代码快速地运行。

你可以在Swift中使用Python、C和C++代码

由于Swift的机器学习才刚刚开始，因此Swift的机器学习库并不多。然而，你无需担心，因为Swift可以很好地与Python语言结合。你只需在Swift中导入Python库，就可以放心使用了。

与此同时，你还可以将C和C++库导入到Swift中（对于C++，你需要确保头文件是用纯C编写的，没有C++的特性）。

总而言之，如果你需要的某个特定的功能尚未在Swift中实现，则可以导入相应的Python、C或C++包。这一点简直逆天了！

Swift还可以深入底层

如果你曾经使用过TensorFlow，那么很可能是通过Python包来实现的。在底层，Python版的TensorFlow是用C实现的。所以在TensorFlow中调用函数时，你一定会在某个层面上遇到一些C代码。这意味着在你查看源代码的时候，会遇到一些限制。例如，你想看看卷积的实现方式，却发现看不到Python代码，因为它是用C实现的。

然而，在Swift中情况有所不同。Chris Lattner称Swift是“LLVM [汇编语言]的语法糖”。这意味着从本质上讲，Swift非常靠近硬件，Swift与硬件之间没有其他用C写的附加层。这也意味着Swift代码非常快，如上所述。

因此，开发人员能够检查所有的代码，无论是高层的代码还是非常底层的代码，都无需深入C。

将来的发展

Swift只是Google深度学习创新的一部分。还有另一个非常密切相关的组件：MLIR（Multi-Level Intermediate Representation，多层中间表示）。MLIR将会成为Google统一的编译基础设施，它允许你用Swift（或任何其他支持的语言）编写代码，并编译成任何支持的硬件。

目前，有许多针对不同目标硬件的编译器，但MLIR将改变这种局面，它不仅可以支持代码的可重用性，而且还允许你编写编译器自定义的底层组件。同时，它还允许研究人员应用机器学习来优化低级算法：

虽然MLIR是机器学习的编译器，但我们也看到它可以将机器学习的技术应用到编译器本身！这一点非常重要，因为工程师开发数值计算库的速度跟不上机器学习模型或硬件多元化的速度。

想象一下，我们能够使用深度学习来优化处理数据的底层内存切片算法（类似于Halide正在努力完成的任务）。而且，这只是一个开端，还有其他机器学习的创造性应用也可以在编译器中使用！

总结

如果你正在研究深度学习，那么我建议你开始学习Swift语言。与Python相比，Swift拥有多方面的优势。Google正在大力投资，让Swift成为TensorFlow多层基础设施的关键组成部分，而且Swift很可能成为深度学习的语言。 因此，先下手为强，尽早开始学习Swift吧。

链接：https://towardsdatascience.com/why-swift-may-be-the-next-big-thing-in-deep-learning-f3f6a638ca72

本文为 CSDN 翻译，转载请注明来源出处。

【END】

作为码一代，想教码二代却无从下手：

听说少儿编程很火，可它有哪些好处呢？

孩子多大开始学习比较好呢？又该如何学习呢？

最新的编程教育政策又有哪些呢？

下面给大家介绍CSDN新成员：极客宝宝（ID：geek_baby）

戳他了解更多↓↓↓

 热 文 推 荐 

☞

☞

☞

点击阅读原文，输入关键词，即可搜索您想要的 CSDN 文章。

你点的每个“在看”，我都认真当成了喜欢