TensorFlow Swift 高级 API。

API 结构

API 基于 TensorFlow 库。

CTensorFlow 是 C API 系统模块；
CAPI - Swift 编写的 C 库底层 API；
Proto - Swift 自动生成的 TensorFlow 结构和模型类；
OpPruducer - Swift 编写的命令行工具，用于生成新的 TensorFlow 操作
TensorFlowKit - Swift 编写的高级 API；

使用库。

首先，您应该安装 tensorflow_c 库。您可以在 Mac OS 上使用 brew 来执行此操作。目前 1.4 版本可用于 mac os 和 linux on Google cloud，因此您可以使用它：此外，您可以从源代码安装它，您可以在此处找到如何从源代码安装 TensorFlow。

教程

这里有一篇技术堆栈评论
简短教程，请查看它们。

Xcode

请确保您已阅读子模块 CTensorFlow 的 README

要生成 xcode 项目文件，您可以调用：如果您将 TensorFlow 库（1.4.1 版本）安装为 brew 包

swift package -Xlinker -rpath -Xlinker /usr/local/Cellar/libtensorflow/1.4.1/lib/ generate-xcodeproj

swift package -Xlinker -rpath -Xlinker /server/repository/tensorflow/bazel-bin/tensorflow generate-xcodeproj

其中 /server/repository/tensorflow/bazel-bin/tensorflow 是指向您的 TensorFlow C 库的路径 /user/local/lib, 通常是.

您也可以使用配置

swift package generate-xcodeproj --xcconfig-overrides TensorFlow.xcconfig

在 TensorFlow.xcconfig 文件中，使用正确的路径设置 TENSORFLOW_PATH 属性。
重要的是将 'TensorFlow.xcconfig' 名称与 projectfile 保持一致。
存在 issus SR-6073 关于 LD_RUNPATH_SEARCH_PATHS 属性。因此，目前您必须在构建变量中手动设置 $(inherited) 值。

构建并设置 RPATH 设置

#MacOS
swift build -Xlinker -rpath -Xlinker /usr/local/Cellar/libtensorflow/1.4.1/lib/
swift test -Xlinker -rpath -Xlinker /usr/local/Cellar/libtensorflow/1.4.1/lib/

#Linux
swift build -Xlinker -rpath -Xlinker /server/repository/tensorflow/bazel-bin/tensorflow
swift test -Xlinker -rpath -Xlinker /server/repository/tensorflow/bazel-bin/tensorflow

特性

Swift API 提供了对 TensorFlow 库中所有可用 C 特性的访问。

创建/读取图；
将统计信息保存在文件系统中；
构建并运行会话；
包含可用操作；
通过 SavedModel 类存储和恢复检查点；

总结

从 0.0.5 版本开始，您可以使用 TensorFlowKit 跟踪任何指标。这是在 Swift 应用程序中可视化您的模型的简便方法。

您可以可视化权重和偏差

绘制您的图表

以 3D 跟踪变化

将组件提取为 png 图像

观察变化的动态

故障排除

如果应用程序无法在 macOS 上加载动态库

otool -L libtensorflow_cc.so
sudo install_name_tool -id /%repository%/tensorflow/bazel-out/darwin_x86_64-opt/bin/tensorflow/libtensorflow_cc.so libtensorflow_cc.so
sudo install_name_tool -id /%repository%/tensorflow/bazel-out/darwin_x86_64-opt/bin/tensorflow/libtensorflow_framework.so libtensorflow_framework.so
sudo install_name_tool -id /%repository%/tensorflow/bazel-out/darwin_x86_64-opt/bin/tensorflow/libtensorflow.so libtensorflow.so

如果应用程序无法在 linux 或 mac os 上加载动态库，并显示错误

error while loading shared libraries: *libtensorflow_cc.so*: cannot open shared object file: No such file or directory

添加您的库路径 linux

export LD_LIBRARY_PATH=/server/repository/tensorflow/bazel-bin/tensorflow:/usr/local/lib/:$LD_LIBRARY_PATH

mac os

export DYLD_LIBRARY_PATH=/server/repository/tensorflow/bazel-bin/tensorflow/:$DYLD_LIBRARY_PATH

C++ 旧的相关问题。

在构建阶段出错

warning: error while trying to use pkgConfig flags for CProtobuf: nonWhitelistedFlags("Non whitelisted flags found: [\"-D_THREAD_SAFE\", \"-D_THREAD_SAFE\"] in pc file protobuf")

从文件 /usr/local/lib/pkgconfig/protobuf.pc 中删除 -D_THREAD_SAFE 键

在构建阶段出错

#include "tensorflow/core/framework/graph.pb.h"                                                                                                                                         ^                                                                                                                                                                     1 error generated.                                                                                                                                                             error: terminated(1): /usr/bin/swift-build-tool -f /server/repository/TensorFlow/.build/debug.yaml main

在 tensorflow 存储库中下载 C++ 库的依赖项。

tensorflow/contrib/makefile/download_dependencies.sh

开发和扩展 API

创建新的 proto 文件

从 Protobuf Swift library 安装 swift protobuf 生成器
执行命令

// Create temperory folder
mkdir /tmp/swift
cd %path-to-tensorflow-reposytory%

// Find all proto files and generate swift classes.
find. -name '*.proto' -print -exec protoc --swift_opt=Visibility=Public --swift_out=/tmp/swift {} \;

// All files will be removed after restart.
open /tmp/swift

调试

设置将记录哪些消息的阈值。添加 TF_CPP_MIN_LOG_LEVEL=0 和 TF_CPP_MIN_VLOG_LEVEL=0

操作列表

有几种方法可以获取已注册操作的 OpDefs 列表

TF_GetAllOpList in the C API retrieves all registered OpDef protocol messages. This can be used to write the generator in the client language. This requires that the client language have protocol buffer support in order to interpret the OpDef messages.

The C++ function OpRegistry::Global()->GetRegisteredOps() returns the same list of all registered OpDefs (defined in [tensorflow/core/framework/op.h]). This can be used to write the generator in C++ (particularly useful for languages that do not have protocol buffer support).

The ASCII-serialized version of that list is periodically checked in to [tensorflow/core/ops/ops.pbtxt] by an automated process.