Swift
TensorFlow
SwiftforTensorFlow

Swift for TensorFlow を試してみた


はじめに

Python の機械学習向け数値計算ライブラリ TensorFlow を Swift でも使用することができる Swift for TensorFlow を試してみました.


追記

2019/04/22 GitHubにMNISTのサンプルコードを追加しました.


Swift for TensorFlow とは

既存の TensorFlow のラッパーを想像するかもですが,Swift for TensorFlow はそうではなく,Swiftコンパイラを拡張してTensorFlowを使えるようにしたものです.


  • Swiftのラッパーライブラリではない

  • Swiftコンパイラを拡張したもの

また,Swiftの機能でPythonを使用することができるので,Pythonの豊富な数値計算ライブラリを使用できます.


インストール

公式サイトの Install Swift for TensorFlow に従えばインストールできます.なお,最近 Swift 5 がリリースされましたが,最新版の Xcode では上手くできず,Xcode 10.1 (Swift 4.2) で確認しました.


Google Colab を使う

ローカル環境でインストール可能ですが,コンパイラ拡張のため,普段 macOS で iOS 開発を行っていると,コンパイラ設定の管理が面倒になります.手軽に試したいのであれば,Google Colab を使用した方がおすすめです(ただし,補完などの補助機能が Xcode より貧弱なのが辛い).

これも公式の Using Swift for TensorFlow にて,Swift が実行可能な blank Swift notebook が公開されているので,それを自身のドライブにコピーすれば,すぐに使えます.


ローカル環境での注意点

ちょっと触った感じから,気を付けておいた方が良いことです.


開発対象

PlaygroundおよびmacOS向けを選択します.


Python

Swiftで呼び出せるPythonはOS標準のPythonが選択される.

import Python

print("Python version: \(Python.version)") // 2系

通常は2系となる(pyenv等で3系を入れていても).3系を使う場合は,Python公式サイトから3系をダウンロードしてインストールしなければならない.


Swift で Python を使う

Swift for TensorFlow を使う前に,Swift 自体の機能で Python を使ってみました.Python の豊富な数値計算ライブラリを使用できます.SwiftでNumPyが動くのは,何か不思議な感じです.

import Python

// 私用環境に2系や3系が混在してる場合は指定しておく
PythonLibrary.useVersion(3, 6)

let np = Python.import("numpy")

let a = np.array([[1, 0], [0, 1]])
let b = np.array([[2], [3]])
let c = np.matmul(a, b)

print(c)


Swift For TensorFlow を使ってみた

Swift For TensorFlow で簡単な機械学習をやりました.XOR を簡単な NN で学習します.Keras もしくは TensorFlow2 を触っていると,あまり違和感なく書けると思います.

ちなみに Swift の仕様から let 𝛁model = hogehoge のように変数に数学記号を入れることができます.数学的にわかり易いですが,ちょっと開発環境のエディタとかで問題ないか心配なところもあります.


xor.swift

import Foundation // Dateを呼ぶため

import TensorFlow

// XORのモデル
struct XOR: Layer {

var layer1: Dense<Float>
var layer2: Dense<Float>

init(hiddenSize:Int = 2){
self.layer1 = Dense(inputSize: 2,
outputSize: hiddenSize,
activation: sigmoid)
self.layer2 = Dense(inputSize: hiddenSize,
outputSize: 1,
activation: sigmoid)
}

@differentiable
func applied(to input: Tensor<Float>, in context: Context) -> Tensor<Float> {
return input.sequenced(in: context, through: layer1, layer2)
}
}

let x: Tensor<Float> = [[0, 0], [0, 1], [1, 0], [1, 1]]
let y: Tensor<Float> = [[0], [1], [1], [0]]

var model = XOR()
let optimizer = SGD<XOR, Float>(learningRate: 0.1)
let context = Context(learningPhase: .training)

var date0 = Date()
for _ in 1...5000 {
let dmodel = model.gradient { m -> Tensor<Float> in
let t = m.applied(to: x, in: context)
let loss = sigmoidCrossEntropy(logits: t, labels: y)
return loss
}

optimizer.update(&model.allDifferentiableVariables, along: dmodel)

}

let date1 = Date().timeIntervalSince(date0)
print("elapsed_time: \(date1) sec")

let inference = round(model.inferring(from: x))
// print(inference)

for i: Int32 in 0 ..< 4 {
print("x: \(x[i]), y: \(y[i]), inference: \(inference[i]), result:\(y[i] == inference[i] )")
}

print(model)



パフォーマンスは?

上記の xor.swift を Google Colab (CPU) で計算したところ,13秒程度で終わりました.比較として,Python + TensorFlow2 (Keras) でも同様なモデルと学習方法でXORを解いてみました.


xor.py

import time

import numpy as np
import tensorflow as tf

from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import Dense, Activation
from tensorflow.keras.optimizers import SGD

def xor():

model = Sequential([
Dense(input_dim=2, units=2),
Activation("sigmoid"),
Dense(input_dim=2, units=1),
Activation("sigmoid")
])

model.compile(loss="binary_crossentropy", optimizer=SGD(lr=0.1))

X = np.array([[0, 0], [0, 1], [1, 0], [1, 1]])
Y = np.array([[0], [1], [1], [0]])

batch_size = 4

start = time.time()

# 学習
model.fit(X, Y, epochs=5000, batch_size=batch_size, verbose=0)

elapsed_time = time.time() - start
print ("elapsed_time: {0} sec".format(elapsed_time))

# 確認
classfied = model.predict_classes(X, batch_size=batch_size)
prob = model.predict_proba(X, batch_size=batch_size)

for (x, y, p, c) in zip(X, Y, prob, classfied):
print("x = {}, prob = {}, classfied = {}, result = {}".format(x, p, c, y == c))

xor()


Python は約6秒でした.コンパイラ言語であるSwiftの方が早いかと思いましたが,今回は Python の方が早かったです.理由は分かりませんが,複雑な反復処理を行っていない,Swift は複数のライブラリの読み込みがネックになった?のかなと.Colab の Swift コンパイラの最適化オプションなどがどうなっているは未調査です.


まとめ

Swift For TensorFlow を使用して,Swift でも TensorFlow API を使用して機械学習が実装できました.メリット・デメリットを以下にまとめますが,総括としてはまだ Python で使った方が良いかなと思います.今回作成したサンプルコードは mitsuharu/demo_Swift_for_TensorFlow: demo Swift for TensorFlow にて公開しています.


サンプルコードの追加

本記事には挙げてませんが,GitHub の方に Swift for TensorFlow で MNIST のサンプルコードを追加しました.ほぼ公式サンプルのモデルですが,Google Colab のサンプルデータを読み込んで計算しました.


メリット


  • iOS アプリ開発者なら慣れた Swift を使うことができる.

  • コンパイラで実行前にコードミスを発見することができる.


デメリット


  • TensorFlow 自体の更新頻度が高いうえに,Swift もアップデートの頻度が高いので,安定性があるかは怪しいところです.

  • 入門エントリーが公式ぐらいしかないので,ちょっと調べ物は大変です.


参考