iOS 机器学习

最后更新：2018年1月12日。

为 iOS 开发者整理的资源列表，涵盖以下主题：

• Core ML
• 机器学习库
• 深度学习库
  • 深度学习：模型压缩
• 计算机视觉
• 自然语言处理
• 语音合成 (TTS) 和语音识别 (STT)
• 文本识别 (OCR)
• 其他人工智能
• 机器学习 Web API
• 开源机器学习应用
• 游戏 AI
• 其他相关领域
  • 线性代数
  • 统计与随机数
  • 数学优化
  • 特征提取
  • 数据可视化
  • 生物信息学（某种程度上）
  • 大数据（其实不算）
• iOS 机器学习博客
• 移动机器学习书籍
• GPU 计算博客
• 学习机器学习
• 其他列表

在人工智能相关领域中，大多数事实上的标准工具都是用对 iOS 不友好的语言编写的（如 Python/Java/R/Matlab），因此为你的 iOS 应用找到合适的技术可能会颇具挑战。

本列表主要包含用 Objective-C、Swift、C、C++、JavaScript 等语言编写的库，以及一些易于移植到 iOS 的其他语言实现。此外，我还添加了一些相关的 Web API、博客文章、视频和学习资料的链接。

资源按字母顺序或随机排列，顺序并不代表我的个人偏好或其他任何因素。有些资源非常出色，有些很棒，有些有趣，还有一些可以作为灵感来源。

祝您玩得开心！

欢迎在此处提交 Pull 请求 here。

Core ML

• coremltools 是一个 Python 包，包含了将一些流行的机器学习库转换为 Apple 格式的工具。
• Core ML 是 Apple 提供的一个用于在设备端进行推理的框架，针对 Apple 硬件进行了高度优化。

目前，通过 coremltools Python 包，CoreML 可以（部分地）兼容以下机器学习框架：

• Caffe
• Keras
• libSVM
• scikit-learn
• XGBoost

此外，还有一些第三方工具可以将以下框架中的模型转换为 CoreML 格式：

• Turicreate
• TensorFlow
• MXNet
• Torch7
• CatBoost

目前有许多整理好的预训练神经网络 Core ML 格式资源列表：[1]、[2]、[3]。

Core ML 目前尚不支持模型训练，不过你仍然可以在运行时从服务器下载新模型来替换现有模型。这里有一个示例，展示了如何操作。该示例使用了 MNIST GAN 的生成器部分作为 Core ML 模型。

通用机器学习库

库	算法	语言	许可证	代码	依赖管理器
AIToolbox	图/树 深度优先搜索 广度优先搜索 爬山搜索 束搜索 最优路径搜索 Alpha-Beta（博弈树） 遗传算法 约束传播 线性回归 非线性回归 参数-增量法 梯度下降法 高斯-牛顿法 逻辑回归 神经网络 多层结构，支持多种非线性模型 支持在线和批量训练 可混合使用前馈层和简单循环层 已实现LSTM网络层，但还需进一步测试 梯度检查工具 支持向量机 K均值聚类 主成分分析 马尔可夫决策过程 蒙特卡洛方法（每次访问和首次访问） SARSA 单变量和多变量高斯分布 高斯混合模型 模型验证 深度网络 卷积层 池化层 全连接神经网络层	Swift	Apache 2.0	GitHub
dlib	深度学习 支持向量机 大规模分类与回归的降秩方法 用于分类和回归的相关向量机 多类SVM 结构化SVM 大规模SVM-Rank 在线核RLS回归 在线SVM分类算法 半正定度量学习 在线核化质心估计器/异常检测器以及离线支持向量单类分类 聚类算法：线性或核K均值、Chinese Whispers和Newman聚类 径向基函数网络 多层感知机	C++	Boost	GitHub
FANN	多层人工神经网络 反向传播（RPROP、Quickprop、批量、增量） 进化拓扑训练	C++	GNU LGPL 2.1	GitHub	Cocoa Pods
lbimproved	k近邻和动态时间规整	C++	Apache 2.0	GitHub
MAChineLearning	神经网络 激活函数：线性、ReLU、阶跃、sigmoid、TanH 损失函数：平方误差、交叉熵 反向传播：标准法、弹性反向传播（RPROP） 支持按样本或按批次训练 词袋模型 词向量	Objective-C	BSD 3条款	GitHub
MLKit	线性回归：简单、岭回归、多项式回归 多层感知机及Adaline ANN架构 K均值聚类 遗传算法	Swift	MIT	GitHub	Cocoa Pods
Mendel	进化/遗传算法	Swift	?	GitHub
multilinear-math	线性代数和张量 主成分分析 用于降维的多线性子空间学习算法 线性和逻辑回归 随机梯度下降 前馈神经网络 Sigmoid ReLU Softplus激活函数	Swift	Apache 2.0	GitHub	Swift Package Manager
OpenCV	多层感知机 提升树分类器 决策树 期望最大化算法 k近邻 逻辑回归 贝叶斯分类器 随机森林 支持向量机 随机梯度下降SVM分类器 网格搜索 层次化K均值 深度神经网络	C++	3条款BSD	GitHub	Cocoa Pods
Shark	监督学习： 线性判别分析（LDA） Fisher–LDA 线性回归 SVMs FF NN RNN 径向基函数网络 正则化网络 用于回归的高斯过程 迭代最近邻分类和回归 决策树 随机森林 无监督学习： PCA 受限玻尔兹曼机 层次聚类 用于高效距离聚类的数据结构 优化： 进化算法 单目标优化（如CMA–ES） 多目标优化 基础线性代数和优化算法	C++	GNU LGPL	GitHub	Cocoa Pods
YCML	梯度下降反向传播 弹性反向传播（RProp） 极限学习机（ELM） 采用正交最小二乘法进行前向选择（用于RBF网络），同时使用PRESS统计量 二值受限玻尔兹曼机（CD & PCD） 优化算法： 梯度下降（单目标、无约束） RProp梯度下降（单目标、无约束） NSGA-II（多目标、有约束）	Objective-C	GNU GPL 3.0	GitHub
Kalvar Lin的库	ios-KRHebbian-Algorithm - 赫布理论 ios-KRKmeans-Algorithm - K均值聚类方法。 ios-KRFuzzyCMeans-Algorithm - 模糊C均值, 模糊聚类算法。 ios-KRGreyTheory - 灰色理论 / 基于灰色系统理论的时间序列预测模型 ios-KRSVM - 支持向量机和SMO。 ios-KRKNN - kNN实现。 ios-KRRBFNN - 径向基函数神经网络和OLS。	Objective-C	MIT	GitHub

多层感知机实现：

• Brain.js - JS
• SNNeuralNet - Brain.js 的 Objective-C 移植版
• MLPNeuralNet - Objective-C，利用 Accelerate 框架
• Swift-AI - Swift
• SwiftSimpleNeuralNetwork - Swift
• ios-BPN-NeuralNetwork - Objective-C
• ios-Multi-Perceptron-NeuralNetwork - Objective-C
• ios-KRDelta - Objective-C
• ios-KRPerceptron - Objective-C

深度学习库：

设备端训练与推理

• Birdbrain - 基于 Metal 和 Accelerate 的 RNN 和前馈神经网络。尚未准备好用于生产环境。
• BrainCore - 用 Swift 编写的简单但快速的神经网络框架。它使用 Metal 框架以达到尽可能高的速度。支持 ReLU、LSTM、L2 等。
• Caffe - 一个以简洁、可读性和速度为核心开发的深度学习框架。GitHub。[BSD 许可证]
  • iOS 移植版
  • caffe-mobile - 另一个 iOS 移植版。
  • C++ 示例：ImageNet 分类、特征提取
  • Caffe iOS 示例
• Caffe2 - 一个跨平台框架，注重表达性、速度和模块化。
  • CocoaPod
  • iOS 演示应用
• Convnet.js - ConvNetJS 是由 Andrej Karpathy 开发的用于训练深度学习模型的 JavaScript 库。GitHub
  • ConvNetSwift - Swift 移植版 [正在进行中]。
• Deep Belief SDK - Jetpac 的 iOS Deep Belief 图像识别框架的 SDK
• TensorFlow - 一个开源软件库，用于通过数据流图进行数值计算。图中的节点代表数学运算，而边则表示在这些节点之间传递的多维数据数组（张量）。灵活的架构允许你使用单一 API 将计算部署到台式机、服务器或移动设备上的一个或多个 CPU 或 GPU 上。
  • iOS 示例
  • 另一个示例
  • Perfect-TensorFlow - TensorFlow 绑定到 Perfect（服务器端 Swift 框架）。仅包含 C TF API。
• tiny-dnn - 一个基于 C++11 的无依赖、仅头文件的深度学习框架。
  • iOS 示例
• Torch 是一个科学计算框架，广泛支持机器学习算法。
  • Torch4iOS
  • Torch-iOS

深度学习：在设备上运行预训练模型

这些库不支持训练，因此你需要在其他 ML 框架中预先训练好模型。

• Bender - 用于构建快速神经网络的框架。支持 TensorFlow 模型。底层使用 Metal。
• Core ML
• DeepLearningKit - Memkite 开发的开源深度学习框架，适用于 Apple 的 tvOS、iOS 和 OS X。
• Espresso - 一个极简且高性能的并行神经网络框架，可在 iOS 上运行。
• Forge - 一个用于 Metal 的神经网络工具包。
• Keras.js - 在网页视图中运行 Keras 模型。
• KSJNeuralNetwork - 基于 BNNS 和 MPS 构建的神经网络推理库
  • Torch 模型转换器
• MXNet - MXNet 是一个为效率和灵活性而设计的深度学习框架。
  • 将预训练的 MXNet 模型部署到智能手机
• Quantized-CNN - 针对移动设备的压缩卷积神经网络
• WebDNN - 如果你希望在网页视图中运行深度学习模型，可以使用此库。提供三种模式：WebGPU 加速、WebAssembly 加速和纯 JS（CPU 上运行）。仅支持推理，不支持训练。

深度学习：低级操作库

• BNNS - 苹果基础神经网络子程序（BNNS）是一组函数，可用于使用先前获得的训练数据来实现和运行神经网络。
  • BNNS 使用示例 包含在 iOS 10 样本中。
  • 一个示例 展示了用 TensorFlow 训练并通过 BNNS 执行的神经网络
• MetalPerformanceShaders - 苹果提供的 GPU 卷积神经网络。
  • MetalCNNWeights - 一个 Python 脚本，用于将 Inception v3 转换为 MPS 格式。
  • MPSCNNfeeder - Keras 到 MPS 模型的转换工具。
• NNPACK - 多核 CPU 上神经网络的加速包。Prisma 使用 此库于其移动应用中。
• STEM - 用于机器学习的 Swift 张量引擎
  • 文档

深度学习：模型压缩

• TensorFlow 实现的 知识蒸馏 方法
• MobileNet-Caffe - Google MobileNets 的 Caffe 实现
• keras-surgeon - 用于修剪已训练的 Keras 模型。

计算机视觉

• ccv - 基于C语言的缓存核心计算机视觉库，一个现代化的计算机视觉库
  • iOS演示应用
• OpenCV – 开源计算机视觉库。[BSD]
  • OpenCV速成课程
  • OpenCVSwiftStitch
  • 教程：在iOS设备上使用和构建OpenCV计算机视觉库
  • OpenCV iOS示例集合
• OpenFace – 一款最先进的开源工具，用于人脸特征点检测、头部姿态估计、面部动作单元识别以及视线估计。
  • iOS移植版
  • iOS演示
• trackingjs – JavaScript中的目标跟踪
• Vision 是苹果公司提供的计算机视觉框架。

自然语言处理

• CoreLinguistics - 词性标注（HMM）、n-gram模型、朴素贝叶斯、IBM对齐模型。
• GloVe Swift软件包。词向量表示。
• NSLinguisticTagger
• Parsimmon
• Twitter text - Twitter文本处理库的Objective-C实现。该库包含提取用户名、提及标签、话题标签等方法——所有你可能需要的推文特定语法。
• 适用于Swift的Verbal Expressions，类似于面向人类的正则表达式。
• Word2Vec - Word2Vec深度学习算法的原始C语言实现。在iPhone上运行得非常流畅。

语音识别（TTS）与生成（STT）

• Kaldi-iOS框架 - 使用深度学习进行设备端语音识别。
  • 概念验证应用
• MVSpeechSynthesizer
• OpenEars™：适用于iPhone的免费语音识别和语音合成 - OpenEars™ 让你能够快速简便地为你的iPhone应用添加离线语音识别和合成语音/TTS功能。它使任何人都能在自己的应用中轻松实现统计语言模型和有限状态文法等先进语音用户界面技术的效果，而所需的工作量仅相当于创建一个NSArray或NSDictionary。
  • 教程（俄语）
• TLSphinx，教程

文本识别（OCR）

• ocrad.js - JS OCR
• Tesseract
  • 在iOS上安装和使用Tesseract
  • tesseract-ios-lib
  • tesseract-ios
  • Tesseract-OCR-iOS
  • OCR-iOS示例

其他人工智能

• Axiomatic - Swift统一框架，用于逻辑编程。
• 用Swift构建你自己的Lisp
• Logician - Swift中的逻辑编程
• Swiftlog - 完全用Swift实现的简单Prolog-like语言。

机器学习Web API

• IBM Watson - 使用IBM Watson的语言、视觉、语音和数据API，在你的应用中启用认知计算功能。
  • 介绍（测试版）IBM Watson iOS SDK
• AlchemyAPI - 使用自然语言处理的语义文本分析API。现已成为IBM Watson的一部分。
• Microsoft Project Oxford
• Google Prediction Engine
  • Objective-C API
• Google Translate API
• Google Cloud Vision API
• Amazon Machine Learning - Amazon ML是一种基于云的服务，专为开发者设计。它提供可视化工具来创建机器学习模型，并通过API获取预测结果。
  • iOS开发者指南。
  • iOS SDK
• PredictionIO - 开源机器学习服务器，面向开发者和机器学习工程师。基于Apache Spark、HBase和Spray构建。
  • Swift SDK
  • Tapster iOS演示 - 该演示展示了如何使用PredictionIO Swift SDK将iOS应用与PredictionIO引擎集成，从而使你的移动应用更加有趣。
  • 使用Swift与PredictionIO的教程
• Wit.AI - NLP API
• Yandex SpeechKit 俄语的语音合成和语音转文字。提供iOS SDK。
• Abbyy OCR SDK
• Clarifai - 图像描述的深度学习Web API。iOS入门项目
• MetaMind - 图像描述的深度学习Web API。
• Api.AI - 为应用程序、设备和网页构建智能语音交互界面
• CloudSight.ai - 深度学习Web API，用于细粒度的目标检测或整个屏幕的描述，包括自然语言的对象说明。Objective-C API客户端可用。

开源机器学习应用

深度学习

• DeepDreamer - Deep Dream 应用程序
• DeepDreamApp - Deep Dream Cordova 应用程序。
• Texture Networks，Lua 实现
• 前馈风格迁移，Lua 实现
• TensorFlow 的神经风格实现
• 腐蚀检测应用
• ios_camera_object_detection - 基于 TensorFlow 和 YOLO 模型的实时移动端目标检测可视化
• TensorFlow MNIST iOS 演示 - 在 iOS 上使用深度 MNIST 和 TensorFlow 入门
• 鼓手应用 使用 RNN 和 Swift
• What'sThis
• enVision - 用于 iOS 视觉任务的深度学习模型
• GoogLeNet 在 iOS 上的演示
• Android 中的神经风格
• mnist-bnns - 将 TensorFlow MNIST 演示移植到 BNNS
• BNNS 与 MPS 的基准测试
• VGGNet 在 Metal 上的实现
• 一个利用 TensorFlow 和 iOS BNNS 进行深度学习的 数独求解器。
• HED CoreML 实现 是一个使用 Holistically-Nested Edge Detection 在 iOS 上结合 CoreML 和 Swift 的演示及教程。

传统计算机视觉

• SwiftOCR
• GrabCutIOS - 使用 GrabCut 算法进行 iOS 图像分割

自然语言处理

• 经典 ELIZA 聊天机器人（Swift 实现）
• InfiniteMonkeys - 由 BrainCore 驱动，使用 Keras 训练的 RNN 来模仿著名诗人的作品

其他

• Joel Grus《从零开始的数据科学》的 Swift 实现
• 在 Apple Playground 中使用 Swift 构建的神经网络

游戏 AI

• 游戏 AI 编程入门
• dlib 是一个包含多种实用工具（包括机器学习）的库。
• MicroPather 是一个用平台无关的 C++ 编写的路径规划器和 A* 求解器（astar 或 a-star），可以轻松集成到现有代码中。
• 这里有一个 列表 列出了 OGRE3D 网站上推荐的一些 AI 库。这些库大多用 C++ 编写。
• GameplayKit 编程指南

其他相关资源

线性代数

• Accelerate-in-Swift - Accelerate.framework 的 Swift 示例代码
• cuda-swift - CUDA 的 Swift 绑定。虽然不是 iOS，但仍然很有趣。
• Dimensional - 具有友好语义和熟悉界面的 Swift 矩阵。
• Eigen - 一个高级 C++ 模板头文件库，用于线性代数、矩阵和向量运算、数值求解器及相关算法。[MPL2]
• Matrix - 方便使用的矩阵类型，支持不同类型的下标、自定义运算符和预定义矩阵。Surge 的分支。
• NDArray - 为 Swift 提供的加速框架支持的浮点数库。
• Swift-MathEagle - 一个通用数学框架，旨在简化数学计算。目前支持函数求解与优化、矩阵和向量代数、复数、大整数、大分数、大有理数、图论以及各种实用扩展和函数。
• SwiftNum - 线性代数、FFT、梯度下降、共轭梯度下降、绘图。
• Swix - NumPy 和 OpenCV 的 Swift 实现封装。
• Surge 来自 Mattt
• Upsurge - 基于 Accelerate 的通用张量和矩阵。Surge 的分支。
• YCMatrix - 一个灵活的矩阵库，适用于 Objective-C 和 Swift（OS X / iOS）

统计学、随机数

• SigmaSwiftStatistics - 用 Swift 编写的统计计算函数集合。
• SORandom - 用于从各种分布中生成伪随机变量的函数集合
• RandKit - 用于随机数和分布的 Swift 框架。

数学优化

• fmincg-c - C 语言中的共轭梯度实现
• libLBFGS - 一个基于有限内存 Broyden-Fletcher-Goldfarb-Shanno (L-BFGS) 的 C 语言库
• SwiftOptimizer - QuantLib 的 Swift 移植版。

特征提取

• IntuneFeatures 框架包含从音频文件生成特征以及从相应 MIDI 文件生成特征标签的代码。
• matchbox - 用于 iOS/OSX 的梅尔频率倒谱系数和动态时间规整。警告：该库上次更新时，iOS 4 还很流行。
• LibXtract 是一个简单、便携、轻量级的音频特征提取函数库。

数据可视化

• Charts - MPAndroidChart 的 Swift 移植版。
• iOS-Charts
• Core Plot
• 精彩的 iOS 图表
• JTChartView
• VTK
  • VTK 实战
• D3.js iOS 绑定

生物信息学（有点）

• BioJS - 一套用于浏览器端的生物信息学工具。BioJS构建了一个基础设施、指南和工具集，旨在避免生命科学领域中的重复造轮子现象。社区成员共同开发模块，供所有人复用。
• BioCocoa - BioCocoa是一个用Objective-C编写的开源OpenStep（GNUstep/Cocoa）框架，专为生物信息学设计。[已停止维护]。
• iBio - 一款适用于iPhone的生物信息学应用。

大数据（不算真正的大数据）

• HDF5Kit - 这是一个针对HDF5文件格式的Swift封装库。HDF5在科学界广泛用于管理海量数据。其目标是让开发者能够轻松地从Swift中读写HDF5文件，包括在Playground中使用。

IPython + Swift

• iSwift - 一个用于IPython笔记本的Swift内核。

iOS机器学习博客

常规移动机器学习

• “Machine, think!”博客，作者：Matthijs Hollemans
  • 神经网络的“Hello World” - 使用Swift和BNNS
  • 在iPhone上使用VGGNet实现卷积神经网络
• Pete Warden的博客
  • 如何用TensorFlow量化神经网络

意外的移动机器学习

• Google研究博客
• 苹果机器学习期刊
• Invasive Code博客
  • 面向iOS的机器学习
  • iOS 10和macOS中的卷积神经网络
• Big Nerd Ranch - 使用TensorFlow和BNNS将机器学习加入你的Mac或iOS应用

其他

• 移动应用中的智能
• 独家揭秘苹果公司的人工智能与机器学习运作方式
• 关于如何将深度神经网络压缩到移动端的演讲
• 精选的深度学习模型压缩与加速相关论文列表

GPU计算博客

• OpenCL for iOS - 只是一个测试。

• 探索iOS上的GPGPU技术。

  • 文章
  • 代码

• 面向Mac和iOS的GPU加速视频处理。文章。

• 并发与OpenGL ES - 苹果官方编程指南。

• OpenCV在iOS上的GPU使用情况 - Stack Overflow上的讨论。

Metal

• Simon's Gladman（又名flexmonkey）博客
  • 关于iOS GPU编程的演讲，在Realm Altconf大会上使用Swift和Metal进行讲解。
  • 你口袋里的超级计算机： Metal & Swift - 2015年Swift峰会的一段视频。
  • https://github.com/FlexMonkey/MetalReactionDiffusion
  • https://github.com/FlexMonkey/ParticleLab
• Memkite博客 - 一家旨在为iOS开发深度学习库的初创公司。
  • Swift和Metal在Apple TVOS 9.0上的通用GPU处理示例
  • 使用Swift和Metal在iOS8的GPU上进行数据并行处理
  • 在iOS8上使用Swift和Metal实现GPU与CPU共享内存的示例
• Metal by Example博客
• objc-io关于Metal的文章

移动机器学习书籍

• 使用TensorFlow构建移动应用，作者：Pete Warden。图书页面。免费下载

学习机器学习

请注意，在本节中，我并非试图收集所有机器学习学习资源的清单，而是仅整理了一些我认为有用的内容。

• Academic Torrents。有时优秀的课程或数据集会被原网站删除，但这并不意味着它们已经丢失。
• Arxiv Sanity Preserver - 一个帮助追踪机器学习研究进展的工具。

免费书籍

• Immersive Linear Algebra 互动式书籍，作者：J. Ström、K. Åström和T. Akenine-Möller。
• "使用Python进行自然语言处理" - 一本免费的在线书籍。
• 概率编程与黑客的贝叶斯方法 - 一本从计算/理解优先、数学次之的角度介绍贝叶斯方法和概率编程的入门书。
• "深度学习" - Ian Goodfellow、Yoshua Bengio和Aaron Courville合著的书籍

免费课程

• 安德鲁·吴的机器学习Coursera原版课程。
• YouTube上的机器学习播放列表。
• 免费在线互动书籍《神经网络与深度学习》(http://neuralnetworksanddeeplearning.com/)。
• 异构并行编程课程。
• 弗吉尼亚理工大学电气与计算机工程系2015年秋季开设的用于感知的深度学习：ECE 6504。
• 佛罗里达中央大学提供的CAP 5415 - 计算机视觉课程。
• 斯坦福大学提供的CS224d：自然语言处理的深度学习课程。
• 牛津大学提供的机器学习：2014-2015年课程资料。
• 斯坦福大学CS231n课程：用于视觉识别的卷积神经网络(http://cs231n.stanford.edu/)。
• 自然语言处理的深度学习（没有魔法）。
• 2015年蒙特利尔深度学习暑期学校的视频。
• 2016年蒙特利尔深度学习暑期学校的视频。

其他列表

• 超棒的机器学习资源
• 机器学习课程
• 超棒的数据科学资源
• 超棒的计算机视觉资源
• 语音与语言处理资源
• 聊天机器人崛起： 帕夫洛·巴什马科夫整理的实用链接、文章、库和平台。
• 超棒的网络安全机器学习资源

iOS_ML 快速上手指南

注意：iOS_ML 并非单一的代码库或框架，而是一个 curated list（精选资源列表），旨在为 iOS 开发者提供机器学习相关的库、工具和教程索引。本指南将指导你如何利用该列表中的核心资源（以 Apple 官方 Core ML 及通用机器学习库为例）在 iOS 项目中快速集成机器学习能力。

环境准备

在开始之前，请确保你的开发环境满足以下要求：

• 操作系统: macOS (推荐最新版本)
• 开发工具: Xcode 14.0 或更高版本
• 编程语言: Swift 5.7+ 或 Objective-C
• 前置依赖:
  • Python 3.x: 用于使用 coremltools 进行模型转换（需通过 Homebrew 或官方安装包安装）。
  • CocoaPods 或 Swift Package Manager (SPM): 用于管理第三方机器学习库依赖。

安装 Python 依赖（用于模型转换）：

pip install coremltools

安装步骤

由于 iOS_ML 是资源列表，你需要根据需求选择具体的库进行安装。以下是两种最常见的集成方式：

方式一：使用 Apple Core ML (推荐)

Core ML 是 iOS 原生框架，无需额外安装库，但需要将模型转换为 .mlmodel 格式。

1. 下载预训练模型： 从 awesome-CoreML-models 等列表中寻找现成的 .mlmodel 文件。
2. 转换现有模型 (如果你有自己的 Keras/TensorFlow/PyTorch 模型)： 使用 coremltools 进行转换：

   import coremltools as ct
   
   # 示例：转换 Keras 模型
   mlmodel = ct.convert('my_keras_model.h5')
   mlmodel.save('MyModel.mlmodel')
   

3. 导入 Xcode： 将生成的 .mlmodel 文件直接拖入 Xcode 项目中，Xcode 会自动生成对应的 Swift/Obj-C 接口类。

方式二：集成第三方机器学习库

若需使用列表中的通用库（如 AIToolbox, MLKit, OpenCV 等），可通过依赖管理器安装。

使用 CocoaPods 安装 (以 OpenCV 为例): 在你的 Podfile 中添加：

pod 'OpenCV'

然后执行：

pod install

使用 Swift Package Manager 安装 (以 multilinear-math 为例): 在 Xcode 中点击 File -> Add Packages...，输入仓库地址：

https://github.com/vincentherrmann/multilinear-math

基本使用

以下展示如何在一个简单的 Swift 项目中使用 Core ML 进行图像分类预测（这是 iOS ML 最典型的场景）。

1. 加载模型

假设你已将名为 MobileNet.mlmodel 的文件加入项目，Xcode 会自动生成 MobileNet 类。

import CoreML
import UIKit

class ImageClassifier {
    private let model: MobileNet
    
    init() {
        // 初始化模型
        guard let model = try? MobileNet(configuration: MLModelConfiguration()) else {
            fatalError("Failed to load Core ML model")
        }
        self.model = model
    }
    
    // 2. 执行预测
    func classify(image: UIImage) -> String? {
        // 将 UIImage 转换为模型需要的 MLMultiArray 格式
        guard let pixelBuffer = image.cgImage?.createPixelBuffer() else { return nil }
        
        do {
            // 调用模型预测
            let prediction = try model.prediction(image: pixelBuffer)
            // 返回置信度最高的标签
            return prediction.label
        } catch {
            print("Prediction error: \(error)")
            return nil
        }
    }
}

// 辅助扩展：UIImage 转 CVPixelBuffer
extension CGImage {
    func createPixelBuffer() -> CVPixelBuffer? {
        let attrs = [kCVPixelBufferCGImageCompatibilityKey: kCFBooleanTrue,
                     kCVPixelBufferCGBitmapContextCompatibilityKey: kCFBooleanTrue] as CFDictionary
        var pixelBuffer: CVPixelBuffer?
        let status = CVPixelBufferCreate(kCFAllocatorDefault,
                                         self.width,
                                         self.height,
                                         kCVPixelFormatType_32ARGB,
                                         attrs,
                                         &pixelBuffer)
        guard status == kCVReturnSuccess, let buffer = pixelBuffer else { return nil }
        
        CVPixelBufferLockBaseAddress(buffer, [])
        let pixelData = CVPixelBufferGetBaseAddress(buffer)
        let rgbColorSpace = CGColorSpaceCreateDeviceRGB()
        let context = CGContext(data: pixelData,
                                width: self.width,
                                height: self.height,
                                bitsPerComponent: 8,
                                bytesPerRow: CVPixelBufferGetBytesPerRow(buffer),
                                space: rgbColorSpace,
                                bitmapInfo: CGImageAlphaInfo.noneSkipFirst.rawValue)
        context?.draw(self, in: CGRect(x: 0, y: 0, width: self.width, height: self.height))
        CVPixelBufferUnlockBaseAddress(buffer, [])
        
        return buffer
    }
}

3. 调用示例

在你的 ViewController 中调用：

let classifier = ImageClassifier()
if let label = classifier.classify(image: yourImageView.image) {
    print("识别结果：\(label)")
}

对于列表中其他库（如 AIToolbox 或 dlib），请参考其各自 GitHub 仓库中的具体 API 文档，通常涉及初始化算法对象、准备数据数组、调用 train 或 predict 方法。