在三月的TensorFlow开发者大会上，TensorFlow发布并演示了Swift for TensorFlow，如今已在GitHub上开源。

GitHub：https://github.com/tensorflow/swift

Swift for TensorFlow提供了一种新的编程模型，将图形性能与具有灵活性和表现力的Eager execution结合起来，重点在于提高每个堆栈水平的可用性。在Swift中加入的编译器和语言增强，为机器学习开发者提供了一流的用户体验，因此这并不仅仅是写入Swift的TensorFlow API wrapper。

[video width="1280" height="720" mp4="http://imgcdn.atyun.com/2018/05/Swift-for-TensorFlow-TFiwS-TensorFlow-Dev-Summit-2018.mp4"][/video]

这次，采用全新的方法来使用TensorFlow，不仅开放了新的设计机会，也为解决现有问题提供了新思路。尽管这个项目的开发还处于早期阶段，团队还是决定将它开源，并把设计讨论放入一个公共邮件列表中，任何对此项目感兴趣的人都可以参与进来。

设计文件

TensorFlow编写过一些详细的文档，概述了方法并解释了使用方法，这些都可以从项目的README中找到。可以从Swift for TensorFlow Design Overview开始了解，其中包括项目的重要内容以及二者如何配合使用的说明。

然后，TensorFlow提供了一些可以深入到项目重要领域的文件。设计的基础是一种被称为图程序提取(Graph Program Extraction)的算法，使你能够写入eager execution风格的程序模型，同时保留图形所有的优点。设计还支持直接在Swift中建构的高级自动微分。此外，将Python与Swift整合后进行深入研究，这样可以直接通过Swift代码使用任意的Python API。

最后，用图程序提取方法在执行过程中存在几个技术性限制，所以我们选择Swift作为主语言。

为什么将Swift用于TensorFlow？这篇进行深入研究的文章更细致地解释了关于两方折衷的考虑，以及做出这种选择的决定过程。

链接：https://github.com/tensorflow/swift/blob/master/docs/WhySwiftForTensorFlow.md

参与进来吧

使用Swift for TensorFlow来重新改写深度学习模型还为时过早，但如果你对ML、语言和编译器感兴趣，那么你可以通过多种方式参与进来，为这一研究贡献出自己的一份力量。TensorFlow已经为macOS和Linux准备了预建软件包，你可以进行尝试，还有一个MNIST模型样本。TensorFlow也有利用源码进行构建的说明。

包：https://github.com/tensorflow/swift/blob/master/Installation.md

模型样本：https://github.com/tensorflow/swift-models

构建说明：https://github.com/tensorflow/swift/blob/master/README.md