NDArray

NDArray 是一个用 Swift 编写的多维数组库，旨在成为 Swift 新兴数据科学生态系统中 numpy 的等价物。这个项目还处于非常早期的阶段，前方还有一段漫长但令人兴奋的道路！

1. 拥有一个高效的多维数组接口，包含常见的索引、切片、广播等功能。
2. 使 NDArray 及其操作具有可微性，以便与 Swift for TensorFlow 一起使用。
3. 创建针对包含数值类型的 NDArray 的线性代数运算的专门实现，使用 BLAS、LAPACK、Accelerate 或 MLIR，具体取决于环境。

你可以使用 SwiftPM 安装它

.package(url: "https://github.com/cgarciae/NDArray", from: "0.0.20")

它可能适用于其他兼容的包管理器。此软件包仅在 Swift 5.1 中经过测试，不保证与早期版本的兼容性。

NDArray 是一种泛型容器类型，就像 Array 一样，不同之处在于它是多维的。 如果它的元素符合某些协议，那么可以使用某些方法和运算符，例如+，-，*等，来有效地执行整个集合的计算。

import NDArray

let a = NDArray<Int>([
    [1, 2, 3],
    [4, 5, 6],
])
let b = NDArray<Int>([
    [7, 8, 9],
    [10, 11, 12],
])

print((a + b) * a)
/*
NDArray<Int>[2, 3]([
    [8, 20, 36],
    [56, 80, 108],
])
*/

在这里，我们看到 (a + b) * a 的结果也是一个形状为 [2, 3] 的 Int 类型的 NDArray。 要将像 + 和 * 这样的运算符与包含您的自定义类型的 NDArray 一起使用，您只需使它们符合适当的协议。例如

import NDArray

struct Point: AdditiveArithmetic {
    let x: Float
    let y: Float
    ...
}

let a = NDArray<Point>([Point(x: 1, y: 2), Point(x: 2, y: 3)])
let b = NDArray<Point>([Point(x: 4, y: 5), Point(x: 6, y: 7)])

print(a + b)
/*
NDArray<Point>[2]([Point(x: 5.0, y: 7.0), Point(x: 8.0, y: 10.0)])
*/

您也可以对数据应用通用转换，之前的代码可以写成：

elementwise(a, b, apply: +)
// or
elementwise(a, b) { $0 + $1 }

对于大量计算，您可以使用并行版本

elementwiseInParallel(a, b) {
    // code
    return c
}

将来，NDArray 应该能够根据数据的类型和大小来估计最佳策略（串行/并行）。

除了基本API之外，NDArray的自动微分和线性代数优化功能应该是可选的，因此所有用户都可以访问该库，而无需考虑其环境，即，即使iOS开发人员无法访问TensorFlow的编译器或Lineal Algebra基础结构，也应该能够使用它。

第一个目标是使用纯 Swift 定义库的基本 API，无需额外的优化或可微性。 iOS/OSX 开发人员应该能够使用基本 API，而无需进行额外的设置。 如果可能，保持 NDArray 的 API 与 Swift for TensorFlow 的 Tensor API 紧密协调，以促进知识重用和免费文档也非常重要。

第二个目标是必须具备的，Swift for TensorFlow 的编译器具有自动微分功能，可以说是 ML 的未来，我们应该使用它。

第三个目标是您对任何 HPC 数字库的期望，该策略将通过使用 BLAS、LAPACK、Accelerate 或 MLIR 来专门针对数字类型的功能/操作，以加速计算。 另一方面，如果成功与 MLIR 集成，BLAS 和 LAPACK 可能不是必需的，并且 NDArray 可以轻松成为性能最高的数字库之一。

• 索引
• 维度切片
• 按索引进行维度过滤
• 维度掩码
• SqueezeAxis
• NewAxis
• 赋值
• 广播
• 漂亮打印
• 逐元素操作
• 基本运算符：+, -, *, \
• 归约运算 (reduce, sum, mean, max, min)
• 连接操作 (concat, stack, hstack, vstack)
• 下标边界检查
• 花式索引
• > 95% 覆盖率
• 文档

实际上可以在任何时候开始，尽管在实现各种操作（例如 dot）或归约（例如 sum 或 mean）之前，它不会那么有用。

• 使 NDArray 符合 Differentiable
• 使 NDArrays 操作可微。

• 链接 BLAS 和 LAPACK
• 使用 BLAS、LAPACK、Accelerate 或 MLIR 专门化操作
• 点积 (dot)
• ...

Cristian Garcia – cgarcia.e88@gmail.com

在 MIT 许可证下分发。 有关更多信息，请参见 LICENSE。