Cocoa練習帳

Swiftのリファレンスが欲しい！自分好みのものは自分で作れば。そうだ、オープンソースにすれば協力者が現れるかも！

ということで、作成中のリファレンスをgithubにあげました。markdownなので、参加しやすいと思います！

Swift in a Nutshell

_ ソースコード

_ 関連情報

_ 【Cocoa練習帳】

自分の長期的な課題は数式処理と神経回路網だ。後者については、過去何度か挑戦しているが、最近の深層学習ブームのおかげで情報と道具が充実してきたので、またまた、挑戦する。

Accelerate Framework。以前は、CPUの演算アクセラレータを利用する手段でしたが、徐々に数値計算関連のものが追加されていて、今になって分かるのだが、神経回路網関連のものが徐々に用意されている。最上位はCoreMLということになると思うが自分で実装したいということで、線形代数関連を選択する。

BNNS

ニューラルネットワーク

Quadrature

積分

Basic Linear Algebra Subprograms (BLAS)

線形代数

Sparse Solvers

CBLASを利用した例が以下だ。

let kSize: Int32 = 15
let kSizeSize: Int = Int(kSize * kSize)
typealias FloatPointer = UnsafeMutablePointer
var matAns = FloatPointer.allocate(capacity: kSizeSize)
var mat1 = FloatPointer.allocate(capacity: kSizeSize)
var mat2 = FloatPointer.allocate(capacity: kSizeSize)
let p = unsafeBitCast(matAns, to: UnsafeMutablePointer.self)
cblas_sgemm(CblasRowMajor, CblasNoTrans, CblasNoTrans,
            kSize, kSize, kSize, 1, mat1, kSize, mat2, kSize, 0, p, kSize);
matAns.deallocate(capacity: kSizeSize)

これは辛いがしょうがないと諦めていたが、Developers.IOの記事で、la_object_tを知った。

Developers.IOの記事で紹介されているデバッグ出力用のコードは、古いSwiftのものなので、今時点のものに更新した。

extension la_object_t {
    public var rows: UInt {
        return UInt(la_matrix_rows(self))
    }
    
    public var cols: UInt {
        return UInt(la_matrix_cols(self))
    }
    
    public var toArray: [Double] {
        var arrayBuf = [Double](repeating: 0.0, count: Int(rows * cols))
        let status = la_matrix_to_double_buffer(&arrayBuf, cols, self)
        return arrayBuf
    }
    
    public var matrix: [[Double]] {
        var matrix = [[Double]]()
        for row in 1...rows {
            let firstCol = Int(cols * (row - 1))
            let lastCol = Int(cols * row - 1)
            let partCols = Array(toArray[firstCol...lastCol])
            matrix.append(partCols)
        }
        return matrix
    }
    
    public var matrixDescription: String {
        return matrix.reduce("")
        {(acc, rowVals) in
            acc +
                rowVals.reduce(""){(ac, colVal) in ac + "\(colVal) "} +
            "\n"
        }
    }
}

BLASを直接利用する場合、行列のメモリ配列をC言語の二次元配列なのか、Fortranなのかがあるが、la_object_tだと以下のとおり。

var matABuf: [Double] =
    [1, 2, 3,
     4, 5, 6,
     7, 8, 9]
let matA = la_matrix_from_double_buffer(matABuf,
                                        3,  /* 行数 */
                                        3,  /* 列数 */
                                        3,  /* 改行ごとにメモリバッファをスライドさせる幅 */
                                        la_hint_t(LA_NO_HINT),
                                        la_attribute_t(LA_DEFAULT_ATTRIBUTES))
print(matA.matrixDescription)

以下は単位行列。

let matE = la_identity_matrix(3, la_scalar_type_t(LA_SCALAR_TYPE_DOUBLE), la_attribute_t(LA_DEFAULT_ATTRIBUTES))
print(matE.matrixDescription)

これを掛けてみる。

let matT = la_elementwise_product(matA, matE)
print(matT.matrixDescription)

1.0 2.0 3.0 
4.0 5.0 6.0 
7.0 8.0 9.0 
 
1.0 0.0 0.0 
0.0 1.0 0.0 
0.0 0.0 1.0 
 
1.0 0.0 0.0 
0.0 5.0 0.0 
0.0 0.0 9.0 

なんか計算できた。

_ 関連情報

_ 【Cocoa練習帳】

汚いながらもなんとか、ベクトルの足し算。

var matABuf: [Double] =
    [1, 2, 3,
     4, 5, 6,
     7, 8, 9]
let vecA = la_matrix_from_double_buffer(matABuf,
                                        3,  /* 行数 */
    1,  /* 列数 */
    3,  /* 改行ごとにメモリバッファをスライドさせる幅 */
    la_hint_t(LA_NO_HINT),
    la_attribute_t(LA_DEFAULT_ATTRIBUTES))
print(vecA.matrixDescription)
 
var matBBuf: [Double] =
    [1, 4, 7,
     2, 5, 8,
     3, 6, 9]
let vecB = la_matrix_from_double_buffer(matBBuf,
                                        3,  /* 行数 */
    1,  /* 列数 */
    3,  /* 改行ごとにメモリバッファをスライドさせる幅 */
    la_hint_t(LA_NO_HINT),
    la_attribute_t(LA_DEFAULT_ATTRIBUTES))
print(vecB.matrixDescription)
 
let ans = la_sum(vecA, vecB)
print(ans.matrixDescription)

以下が結果。

1.0
4.0
7.0
 
1.0
2.0
3.0
 
2.0
6.0
10.0

計算できてるじゃん。

_ 関連情報

_ 【Cocoa練習帳】

Accelerate Frameworkで行列計算を行うのはBLASというAPIを利用することになるのだが、これが古くからの伝統にのっとったもので使いにくい。そこで、Cocoaで扱いやすくするためにla_object_t という型が用意されている。今回はこれの使い方を試してみるのと、まずは基本的な演算に挑戦する。

XとYという3次元ベクトルを用意する。まずは値のバッファ。

let vecXBuf: [Double] = [20.0, 30.0, 40.0]
let vecYBuf: [Double] = [15.0, 10.0, 5.0]

これを3行1列の行列として生成する。

let vecX = la_matrix_from_double_buffer(vecXBuf, 3, 1, 1,la_hint_t(LA_NO_HINT), la_attribute_t(LA_DEFAULT_ATTRIBUTES))
let vecY = la_matrix_from_double_buffer(vecYBuf, 3, 1, 1,la_hint_t(LA_NO_HINT), la_attribute_t(LA_DEFAULT_ATTRIBUTES))

これを足してみる。

et vecZ = la_sum(vecX, vecY)
print(vecZ.matrixDescription)

以下の結果となった。

35.0 
40.0 
45.0 

_ 関連情報

_ 【Cocoa練習帳】

Machine Learning Developer Meetup に参加してきた。このイベントは、TensorFlow User Group Tokyoとの共催ということのようだ。

TensorFlow。日本では、数学と物理の教科書で、Tensorをテンソルと訳しているため、テンソル・フローと呼ばれているが、英語ではテンソー・フローということになるようだ。

Googleが開発し、Googleで利用されている機械学習のライブラリで、先日、TensorFlow Liteというモバイル環境に最適かされた実行環境もリリースされて話題となっている。iOSの世界では、CoreMLのモデルを生成するライブラリの一つとして認識されているということになると思う。

本イベントでは、どちらかというと、学習関連の話題が多く取り上げられ、分散化やボトル・ネックの解消などの話題が多かった。

全然ノーマークだったのだが、まずは、ユーザ・グループに参加してみようと思っている。

_ 関連情報

_ 【Cocoa練習帳】