文/SwensforTensorFlow团队
在3月的TensorFlow开发者峰会上，我们宣布并演示了SwiftforTensorFlow项目。现在，我们很高兴能为TensorFlow推出Swift版本，并作为GitHub上的开源项目！
SwiftforTensorFlow提供了一种新的编程模型，它将图形性能与EagerExecution的灵活性和表现力相结合，并强调在编程堆栈的每个级别上提高可用性。这不仅仅是用Swift编写TensorFlowAPI-我们还为Swift添加了编译器和语言增强功能，为机器学习开发人员提供了一流的用户体验。
我们的方法是使用TensorFlow的一种新的不同方式，为解决现有问题开辟了新的设计机会和新途径。虽然该项目处于早期开发阶段，但我们决定将其开源并将我们的设计讨论转移到公共邮件列表，以便任何对该项目感兴趣的人都可以参与进来
设计文档
我们已经编写了一些详细的文档来概述我们的方法并解释其工作原理，所有这些都可以从我们的项目README中获取。一个好的起点是SwiftforTensorFlow设计概述，它解释了项目的主要组成部分以及它们如何组合在一起。
我们有一些文档深入到项目的重要领域。我们设计的基石是一种我们称之为GraphProgramExtraction的算法，它允许你以EagerExecution的方式编写模型，同时保留图形的所有优点。我们的设计还包括将高级automaticdifferentiation直接编译到Swift版本中。我们也深入研究Python与Swift的集成，它支持直接从Swift代码中使用任意PythonAPI。
最后，GraphProgramExtraction对我们的实现施加了若干技术限制，这导致我们选择Swift作为宿主语言。Why*Swift*forTensorFlow?这篇文章深度探讨了这种权衡，以及导致这种选择的决策过程。
参与其中
使用SwiftforTensorFlow重写你的深度学习模型还为时过早，但如果你对机器学习、语言和编译器感兴趣，可以通过多种方式参与并做出贡献。我们现在可以提供预先构建的macOS和Linux软件包，以及一个示例MNIST模型。还有从源代码构建的说明。在项目的这个阶段，有许多已知的问题-如果你遇到麻烦，请通过我们的邮件列表联系我们。
注：邮件列表链接