mfojtak/tensorflow-swift

Swift for TensorFlow深度学习库镜像

镜像概述

该镜像包含Swift for TensorFlow的深度学习库，支持协议导向的可微分编程范式，可作为Swift for TensorFlow工具链的核心组件或独立Swift包使用，帮助开发者高效构建、训练深度学习模型。

核心功能

1. 提供TensorFlow的Swift语言绑定，原生支持可微分编程
2. 无缝集成Swift Package Manager，简化依赖管理流程
3. 兼容Google Colaboratory在线环境，支持快速试用与原型验证
4. 提供Layer抽象与自动微分能力，降低模型开发复杂度

使用场景

1. 深度学习算法的Swift语言实现与训练
2. 可微分编程技术的研究与教学实践
3. 快速构建AI模型原型并验证效果
4. 跨平台深度学习应用开发（支持Linux/macOS）

配置说明

前提条件

• 已安装Docker环境（版本≥19.03）
• 系统需支持Swift for TensorFlow工具链（推荐Linux 18.04或macOS）

Docker部署示例

交互式开发环境

bash
docker run -it mfojtak/tensorflow-swift bash

进入容器后，可直接使用swift命令启动交互式解释器或编译脚本。

挂载本地代码运行

将本地项目目录挂载到容器中执行训练脚本：

bash
docker run -v $(pwd)/my_project:/workspace mfojtak/tensorflow-swift swift run /workspace/train.swift

使用示例

定义深度学习模型

swift
import TensorFlow

let hiddenSize: Int = 10
struct Classifier: Layer {
    var layer1 = Dense<Float>(inputSize: 4, outputSize: hiddenSize, activation: relu)
    var layer2 = Dense<Float>(inputSize: hiddenSize, outputSize: 3, activation: identity)
    
    @differentiable
    func applied(to input: Tensor<Float>, in context: Context) -> Tensor<Float> {
        input.sequenced(in: context, through: layer1, layer2)
    }
}

模型训练流程

swift
let optimizer = SGD<Classifier, Float>(learningRate: 0.02)
var model = Classifier()
let context = Context(learningPhase: .training)

// 模拟输入数据与标签
let x = Tensor<Float>(randomNormal: [100, 4])
let y = Tensor<Float>(randomUniform: [100, 3])

// 训练循环
for epoch in 0..<500 {
    let gradient = model.gradient { model in
        let predictions = model.applied(to: x, in: context)
        let loss = softmaxCrossEntropy(logits: predictions, labels: y)
        if epoch % 50 == 0 { print("Epoch \(epoch), Loss: \(loss)") }
        return loss
    }
    optimizer.update(&model.allDifferentiableVariables, along: gradient)
}

社区与贡献

• 讨论交流：可通过***邮件列表参与社区讨论
• 贡献指南：参考官方仓库的https://github.com/tensorflow/swift/blob/master/CONTRIBUTING.md%E6%8F%90%E4%BA%A4%E4%BB%A3%E7%A0%81
• Bug反馈：使用GitHub Issues提交问题或功能请求

该镜像遵循Apache 2.0开源协议，欢迎开发者使用与贡献。