[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-alexsosn--iOS_ML":3,"tool-alexsosn--iOS_ML":61},[4,18,26,36,44,53],{"id":5,"name":6,"github_repo":7,"description_zh":8,"stars":9,"difficulty_score":10,"last_commit_at":11,"category_tags":12,"status":17},4358,"openclaw","openclaw\u002Fopenclaw","OpenClaw 是一款专为个人打造的本地化 AI 助手，旨在让你在自己的设备上拥有完全可控的智能伙伴。它打破了传统 AI 助手局限于特定网页或应用的束缚，能够直接接入你日常使用的各类通讯渠道，包括微信、WhatsApp、Telegram、Discord、iMessage 等数十种平台。无论你在哪个聊天软件中发送消息，OpenClaw 都能即时响应，甚至支持在 macOS、iOS 和 Android 设备上进行语音交互，并提供实时的画布渲染功能供你操控。\n\n这款工具主要解决了用户对数据隐私、响应速度以及“始终在线”体验的需求。通过将 AI 部署在本地，用户无需依赖云端服务即可享受快速、私密的智能辅助，真正实现了“你的数据，你做主”。其独特的技术亮点在于强大的网关架构，将控制平面与核心助手分离，确保跨平台通信的流畅性与扩展性。\n\nOpenClaw 非常适合希望构建个性化工作流的技术爱好者、开发者，以及注重隐私保护且不愿被单一生态绑定的普通用户。只要具备基础的终端操作能力（支持 macOS、Linux 及 Windows WSL2），即可通过简单的命令行引导完成部署。如果你渴望拥有一个懂你",349277,3,"2026-04-06T06:32:30",[13,14,15,16],"Agent","开发框架","图像","数据工具","ready",{"id":19,"name":20,"github_repo":21,"description_zh":22,"stars":23,"difficulty_score":10,"last_commit_at":24,"category_tags":25,"status":17},3808,"stable-diffusion-webui","AUTOMATIC1111\u002Fstable-diffusion-webui","stable-diffusion-webui 是一个基于 Gradio 构建的网页版操作界面，旨在让用户能够轻松地在本地运行和使用强大的 Stable Diffusion 图像生成模型。它解决了原始模型依赖命令行、操作门槛高且功能分散的痛点，将复杂的 AI 绘图流程整合进一个直观易用的图形化平台。\n\n无论是希望快速上手的普通创作者、需要精细控制画面细节的设计师，还是想要深入探索模型潜力的开发者与研究人员，都能从中获益。其核心亮点在于极高的功能丰富度：不仅支持文生图、图生图、局部重绘（Inpainting）和外绘（Outpainting）等基础模式，还独创了注意力机制调整、提示词矩阵、负向提示词以及“高清修复”等高级功能。此外，它内置了 GFPGAN 和 CodeFormer 等人脸修复工具，支持多种神经网络放大算法，并允许用户通过插件系统无限扩展能力。即使是显存有限的设备，stable-diffusion-webui 也提供了相应的优化选项，让高质量的 AI 艺术创作变得触手可及。",162132,"2026-04-05T11:01:52",[14,15,13],{"id":27,"name":28,"github_repo":29,"description_zh":30,"stars":31,"difficulty_score":32,"last_commit_at":33,"category_tags":34,"status":17},1381,"everything-claude-code","affaan-m\u002Feverything-claude-code","everything-claude-code 是一套专为 AI 编程助手（如 Claude Code、Codex、Cursor 等）打造的高性能优化系统。它不仅仅是一组配置文件，而是一个经过长期实战打磨的完整框架，旨在解决 AI 代理在实际开发中面临的效率低下、记忆丢失、安全隐患及缺乏持续学习能力等核心痛点。\n\n通过引入技能模块化、直觉增强、记忆持久化机制以及内置的安全扫描功能，everything-claude-code 能显著提升 AI 在复杂任务中的表现，帮助开发者构建更稳定、更智能的生产级 AI 代理。其独特的“研究优先”开发理念和针对 Token 消耗的优化策略，使得模型响应更快、成本更低，同时有效防御潜在的攻击向量。\n\n这套工具特别适合软件开发者、AI 研究人员以及希望深度定制 AI 工作流的技术团队使用。无论您是在构建大型代码库，还是需要 AI 协助进行安全审计与自动化测试，everything-claude-code 都能提供强大的底层支持。作为一个曾荣获 Anthropic 黑客大奖的开源项目，它融合了多语言支持与丰富的实战钩子（hooks），让 AI 真正成长为懂上",160015,2,"2026-04-18T11:30:52",[14,13,35],"语言模型",{"id":37,"name":38,"github_repo":39,"description_zh":40,"stars":41,"difficulty_score":32,"last_commit_at":42,"category_tags":43,"status":17},2271,"ComfyUI","Comfy-Org\u002FComfyUI","ComfyUI 是一款功能强大且高度模块化的视觉 AI 引擎，专为设计和执行复杂的 Stable Diffusion 图像生成流程而打造。它摒弃了传统的代码编写模式，采用直观的节点式流程图界面，让用户通过连接不同的功能模块即可构建个性化的生成管线。\n\n这一设计巧妙解决了高级 AI 绘图工作流配置复杂、灵活性不足的痛点。用户无需具备编程背景，也能自由组合模型、调整参数并实时预览效果，轻松实现从基础文生图到多步骤高清修复等各类复杂任务。ComfyUI 拥有极佳的兼容性，不仅支持 Windows、macOS 和 Linux 全平台，还广泛适配 NVIDIA、AMD、Intel 及苹果 Silicon 等多种硬件架构，并率先支持 SDXL、Flux、SD3 等前沿模型。\n\n无论是希望深入探索算法潜力的研究人员和开发者，还是追求极致创作自由度的设计师与资深 AI 绘画爱好者，ComfyUI 都能提供强大的支持。其独特的模块化架构允许社区不断扩展新功能，使其成为当前最灵活、生态最丰富的开源扩散模型工具之一，帮助用户将创意高效转化为现实。",109154,"2026-04-18T11:18:24",[14,15,13],{"id":45,"name":46,"github_repo":47,"description_zh":48,"stars":49,"difficulty_score":32,"last_commit_at":50,"category_tags":51,"status":17},6121,"gemini-cli","google-gemini\u002Fgemini-cli","gemini-cli 是一款由谷歌推出的开源 AI 命令行工具，它将强大的 Gemini 大模型能力直接集成到用户的终端环境中。对于习惯在命令行工作的开发者而言，它提供了一条从输入提示词到获取模型响应的最短路径，无需切换窗口即可享受智能辅助。\n\n这款工具主要解决了开发过程中频繁上下文切换的痛点，让用户能在熟悉的终端界面内直接完成代码理解、生成、调试以及自动化运维任务。无论是查询大型代码库、根据草图生成应用，还是执行复杂的 Git 操作，gemini-cli 都能通过自然语言指令高效处理。\n\n它特别适合广大软件工程师、DevOps 人员及技术研究人员使用。其核心亮点包括支持高达 100 万 token 的超长上下文窗口，具备出色的逻辑推理能力；内置 Google 搜索、文件操作及 Shell 命令执行等实用工具；更独特的是，它支持 MCP（模型上下文协议），允许用户灵活扩展自定义集成，连接如图像生成等外部能力。此外，个人谷歌账号即可享受免费的额度支持，且项目基于 Apache 2.0 协议完全开源，是提升终端工作效率的理想助手。",100752,"2026-04-10T01:20:03",[52,13,15,14],"插件",{"id":54,"name":55,"github_repo":56,"description_zh":57,"stars":58,"difficulty_score":32,"last_commit_at":59,"category_tags":60,"status":17},4721,"markitdown","microsoft\u002Fmarkitdown","MarkItDown 是一款由微软 AutoGen 团队打造的轻量级 Python 工具，专为将各类文件高效转换为 Markdown 格式而设计。它支持 PDF、Word、Excel、PPT、图片（含 OCR）、音频（含语音转录）、HTML 乃至 YouTube 链接等多种格式的解析，能够精准提取文档中的标题、列表、表格和链接等关键结构信息。\n\n在人工智能应用日益普及的今天，大语言模型（LLM）虽擅长处理文本，却难以直接读取复杂的二进制办公文档。MarkItDown 恰好解决了这一痛点，它将非结构化或半结构化的文件转化为模型“原生理解”且 Token 效率极高的 Markdown 格式，成为连接本地文件与 AI 分析 pipeline 的理想桥梁。此外，它还提供了 MCP（模型上下文协议）服务器，可无缝集成到 Claude Desktop 等 LLM 应用中。\n\n这款工具特别适合开发者、数据科学家及 AI 研究人员使用，尤其是那些需要构建文档检索增强生成（RAG）系统、进行批量文本分析或希望让 AI 助手直接“阅读”本地文件的用户。虽然生成的内容也具备一定可读性，但其核心优势在于为机器",93400,"2026-04-06T19:52:38",[52,14],{"id":62,"github_repo":63,"name":64,"description_en":65,"description_zh":66,"ai_summary_zh":66,"readme_en":67,"readme_zh":68,"quickstart_zh":69,"use_case_zh":70,"hero_image_url":71,"owner_login":72,"owner_name":73,"owner_avatar_url":74,"owner_bio":75,"owner_company":76,"owner_location":77,"owner_email":78,"owner_twitter":78,"owner_website":79,"owner_url":80,"languages":78,"stars":81,"forks":82,"last_commit_at":83,"license":78,"difficulty_score":84,"env_os":85,"env_gpu":86,"env_ram":87,"env_deps":88,"category_tags":99,"github_topics":101,"view_count":32,"oss_zip_url":78,"oss_zip_packed_at":78,"status":17,"created_at":112,"updated_at":113,"faqs":114,"releases":115},9044,"alexsosn\u002FiOS_ML","iOS_ML","List of Machine Learning, AI, NLP solutions for iOS. The most recent version of this article can be found on my blog.","iOS_ML 是一份专为 iOS 开发者精心整理的机器学习与人工智能资源清单。它主要解决了 AI 领域主流工具多基于 Python、Java 等语言，导致在 iOS 原生环境中难以直接应用或集成的痛点。通过汇聚大量使用 Objective-C、Swift、C\u002FC++ 编写或易于移植到 iOS 平台的开源库，iOS_ML 帮助开发者轻松找到适合移动端的技术方案。\n\n这份清单涵盖了从苹果官方的 Core ML 框架、通用机器学习算法库，到深度学习、计算机视觉、自然语言处理、语音识别及 OCR 等垂直领域的丰富资源。此外，它还提供了相关的 Web API、技术博客、学习书籍以及预训练模型索引，甚至包含线性代数、数据可视化等底层数学支持资料。\n\n其独特亮点在于不仅罗列了工具，还详细标注了各库支持的算法类型、编程语言、开源协议及依赖管理方式，并特别关注了模型压缩与动态更新等移动端关键需求。无论是希望将智能功能嵌入 App 的移动端工程师，还是对边缘计算感兴趣的研究人员，都能在这里快速定位所需资源，高效开启 iOS 端的 AI 开发之旅。","# Machine Learning for iOS \n\n**Last Update: January 12, 2018.**\n\nCurated list of resources for iOS developers in following topics: \n\n- [Core ML](#coreml)\n- [Machine Learning Libraries](#gpmll)\n- [Deep Learning Libraries](#dll)\n    - [Deep Learning: Model Compression](#dlmc)\n- [Computer Vision](#cv)\n- [Natural Language Processing](#nlp)\n- [Speech Recognition (TTS) and Generation (STT)](#tts)\n- [Text Recognition (OCR)](#ocr)\n- [Other AI](#ai)\n- [Machine Learning Web APIs](#web)\n- [Opensource ML Applications](#mlapps)\n- [Game AI](#gameai)\n- Other related staff\n    - [Linear algebra](#la)\n    - [Statistics, random numbers](#stat)\n    - [Mathematical optimization](#mo)\n    - [Feature extraction](#fe)\n    - [Data Visualization](#dv)\n    - [Bioinformatics (kinda)](#bio)\n    - [Big Data (not really)](#bd)\n- [iOS ML Blogs](#blogs)\n- [Mobile ML books](#books)\n- [GPU Computing Blogs](#gpublogs)\n- [Learn Machine Learning](#learn)\n- [Other Lists](#lists)\n\nMost of the de-facto standard tools in AI-related domains are written in iOS-unfriendly languages (Python\u002FJava\u002FR\u002FMatlab) so finding something appropriate for your iOS application may be a challenging task.\n\nThis list consists mainly of libraries written in Objective-C, Swift, C, C++, JavaScript and some other languages that can be easily ported to iOS. Also, I included links to some relevant web APIs, blog posts, videos and learning materials.\n\nResources are sorted alphabetically or randomly. The order doesn't reflect my personal preferences or anything else. Some of the resources are awesome, some are great, some are fun, and some can serve as an inspiration.\n\nHave fun!\n\n**Pull-requests are welcome [here](https:\u002F\u002Fgithub.com\u002Falexsosn\u002FiOS_ML)**.\n\n# \u003Ca name=\"coreml\"\u002F>Core ML\n\n* [coremltools](https:\u002F\u002Fpypi.python.org\u002Fpypi\u002Fcoremltools) is a Python package. It contains converters from some popular machine learning libraries to the Apple format.\n* [Core ML](https:\u002F\u002Fdeveloper.apple.com\u002Fdocumentation\u002Fcoreml) is an Apple framework to run inference on device. It is highly optimized to Apple hardware.\n\nCurrently CoreML is compatible (partially) with the following machine learning packages via [coremltools python package](https:\u002F\u002Fapple.github.io\u002Fcoremltools\u002F):\n\n- [Caffe](http:\u002F\u002Fcaffe.berkeleyvision.org)\n- [Keras](https:\u002F\u002Fkeras.io\u002F)\n- [libSVM](https:\u002F\u002Fwww.csie.ntu.edu.tw\u002F~cjlin\u002Flibsvm\u002F)\n- [scikit-learn](http:\u002F\u002Fscikit-learn.org\u002F)\n- [XGBoost](https:\u002F\u002Fxgboost.readthedocs.io\u002Fen\u002Flatest\u002F)\n\nThird-party converters to [CoreML format](https:\u002F\u002Fapple.github.io\u002Fcoremltools\u002Fcoremlspecification\u002F) are also available for some models from:\n\n- [Turicreate](https:\u002F\u002Fgithub.com\u002Fapple\u002Fturicreate)\n- [TensorFlow](https:\u002F\u002Fgithub.com\u002Ftf-coreml\u002Ftf-coreml)\n- [MXNet](https:\u002F\u002Fgithub.com\u002Fapache\u002Fincubator-mxnet\u002Ftree\u002Fmaster\u002Ftools\u002Fcoreml)\n- [Torch7](https:\u002F\u002Fgithub.com\u002Fprisma-ai\u002Ftorch2coreml)\n- [CatBoost](https:\u002F\u002Ftech.yandex.com\u002Fcatboost\u002Fdoc\u002Fdg\u002Ffeatures\u002Fexport-model-to-core-ml-docpage\u002F)\n\nThere are many curated lists of pre-trained neural networks in Core ML format: [\\[1\\]](https:\u002F\u002Fgithub.com\u002FSwiftBrain\u002Fawesome-CoreML-models), [\\[2\\]](https:\u002F\u002Fgithub.com\u002Fcocoa-ai\u002FModelZoo), [\\[3\\]](https:\u002F\u002Fgithub.com\u002Flikedan\u002FAwesome-CoreML-Models).\n\nCore ML currently doesn't support training models, but still, you can replace model by downloading a new one from a server in runtime. [Here is a demo](https:\u002F\u002Fgithub.com\u002Fzedge\u002FDynamicCoreML) of how to do it. It uses generator part of MNIST GAN as Core ML model.\n\n# \u003Ca name=\"gpmll\"\u002F>General-Purpose Machine Learning Libraries\n\u003Cp>\u003C\u002Fp>\n\u003Ctable rules=\"groups\">\n\u003Cthead> \n  \u003Ctr>\n    \u003Cth style=\"text-align: center\">Library\u003C\u002Fth>\n    \u003Cth style=\"text-align: center\">Algorithms\u003C\u002Fth> \n    \u003Cth style=\"text-align: center\">Language\u003C\u002Fth> \n    \u003Cth style=\"text-align: center\">License\u003C\u002Fth>\n    \u003Cth style=\"text-align: center\">Code\u003C\u002Fth>\n    \u003Cth style=\"text-align: center\">Dependency manager\u003C\u002Fth>\n  \u003C\u002Ftr>\n\u003C\u002Fthead> \n    \u003Ctr>\n    \u003Ctd style=\"text-align: center\">\u003Ca href=\"https:\u002F\u002Fgithub.com\u002FKevinCoble\u002FAIToolbox\">AIToolbox\u003C\u002Fa>\u003C\u002Ftd>\n    \u003Ctd>\n\u003Cul>\n\u003Cli>Graphs\u002FTrees\u003C\u002Fli>\n\u003Cul>\n    \u003Cli>Depth-first search\u003C\u002Fli>\n    \u003Cli>Breadth-first search\u003C\u002Fli>\n    \u003Cli>Hill-climb search\u003C\u002Fli>\n    \u003Cli>Beam Search\u003C\u002Fli>\n    \u003Cli>Optimal Path search\u003C\u002Fli>\n\u003C\u002Ful>\n\u003Cli>Alpha-Beta (game tree)\u003C\u002Fli>\n\u003Cli>Genetic Algorithms\u003C\u002Fli>\n\u003Cli>Constraint Propogation\u003C\u002Fli>\n\u003Cli>Linear Regression\u003C\u002Fli>\n\u003Cli>Non-Linear Regression\u003C\u002Fli>\n\u003Cul>\n    \u003Cli>parameter-delta\u003C\u002Fli>\n    \u003Cli>Gradient-Descent\u003C\u002Fli>\n    \u003Cli>Gauss-Newton\u003C\u002Fli>\n\u003C\u002Ful>\n\u003Cli>Logistic Regression\u003C\u002Fli>\n\u003Cli>Neural Networks\u003C\u002Fli>\n\u003Cul>\n    \u003Cli>multiple layers, several non-linearity models\u003C\u002Fli>\n    \u003Cli>on-line and batch training\u003C\u002Fli>\n    \u003Cli>feed-forward or simple recurrent layers can be mixed in one network\u003C\u002Fli>\n    \u003Cli>LSTM network layer implemented - needs more testing\u003C\u002Fli>\n    \u003Cli>gradient check routines\u003C\u002Fli>\n\u003C\u002Ful>\n\u003Cli>Support Vector Machine\u003C\u002Fli>\n\u003Cli>K-Means\u003C\u002Fli>\n\u003Cli>Principal Component Analysis\u003C\u002Fli>\n\u003Cli>Markov Decision Process\u003C\u002Fli>\n\u003Cul>\n    \u003Cli>Monte-Carlo (every-visit, and first-visit)\u003C\u002Fli>\n    \u003Cli>SARSA\u003C\u002Fli>\n\u003C\u002Ful>\n\u003Cli>Single and Multivariate Gaussians\u003C\u002Fli>\n\u003Cli>Mixture Of Gaussians\u003C\u002Fli>\n\u003Cli>Model validation\u003C\u002Fli>\n\u003Cli>Deep Network\u003C\u002Fli>\n\u003Cul>\n    \u003Cli>Convolution layers\u003C\u002Fli>\n    \u003Cli>Pooling layers\u003C\u002Fli>\n    \u003Cli>Fully-connected NN layers\u003C\u002Fli>\n\u003C\u002Ful>\n\u003C\u002Ful>\n\u003C\u002Ftd> \n    \u003Ctd>Swift\u003C\u002Ftd> \n    \u003Ctd>Apache 2.0\u003C\u002Ftd>\n    \u003Ctd>\u003Cp>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002FKevinCoble\u002FAIToolbox\">GitHub\u003C\u002Fa>\u003C\u002Fp>\u003C\u002Ftd>\n    \u003Ctd> \u003C\u002Ftd>\n  \u003C\u002Ftr>\n  \u003Ctr>\n    \u003Ctd style=\"text-align: center\">\n        \u003Ca href=\"http:\u002F\u002Fdlib.net\u002F\">\n            \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Falexsosn_iOS_ML_readme_13513d2b8277.png\" width=\"100\" >\n        \u003Cbr>dlib\u003C\u002Fa>\n    \u003C\u002Ftd>\n        \u003Ctd>\n            \u003Cul>\n            \u003Cli>Deep Learning\u003C\u002Fli>\n            \u003Cli>Support Vector Machines\u003C\u002Fli>\n            \u003Cli>Reduced-rank methods for large-scale classification and regression\u003C\u002Fli>\n            \u003Cli>Relevance vector machines for classification and regression\u003C\u002Fli>\n            \u003Cli>A Multiclass SVM\u003C\u002Fli>\n            \u003Cli>Structural SVM\u003C\u002Fli>\n            \u003Cli>A large-scale SVM-Rank\u003C\u002Fli>\n            \u003Cli>An online kernel RLS regression\u003C\u002Fli>\n            \u003Cli>An online SVM classification algorithm\u003C\u002Fli>\n            \u003Cli>Semidefinite Metric Learning\u003C\u002Fli>\n            \u003Cli>An online kernelized centroid estimator\u002Fnovelty detector and offline support vector one-class classification\u003C\u002Fli>\n            \u003Cli>Clustering algorithms: linear or kernel k-means, Chinese Whispers, and Newman clustering\u003C\u002Fli>\n            \u003Cli>Radial Basis Function Networks\u003C\u002Fli>\n            \u003Cli>Multi layer perceptrons\u003C\u002Fli>\n            \u003C\u002Ful>\n    \u003C\u002Ftd> \n    \u003Ctd>C++\u003C\u002Ftd> \n    \u003Ctd>Boost\u003C\u002Ftd>\n    \u003Ctd>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fdavisking\u002Fdlib\">GitHub\u003C\u002Fa>\u003C\u002Ftd>\n    \u003Ctd>\u003C\u002Ftd>\n  \u003C\u002Ftr>\n  \u003Ctr>\n    \u003Ctd style=\"text-align: center\">\u003Ca href=\"http:\u002F\u002Fleenissen.dk\u002Ffann\u002Fwp\u002F\">FANN\u003C\u002Fa>\u003C\u002Ftd>\n    \u003Ctd>\n        \u003Cul>\n\u003Cli>Multilayer Artificial Neural Network\u003C\u002Fli>\n\u003Cli>Backpropagation (RPROP, Quickprop, Batch, Incremental)\u003C\u002Fli>\n\u003Cli>Evolving topology training\u003C\u002Fli>\n\u003C\u002Ful>\n\u003C\u002Ftd> \n    \u003Ctd>C++\u003C\u002Ftd> \n    \u003Ctd>GNU LGPL 2.1\u003C\u002Ftd>\n    \u003Ctd>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Flibfann\u002Ffann\">GitHub\u003C\u002Fa>\u003C\u002Ftd>\n    \u003Ctd>\u003Ca href=\"https:\u002F\u002Fcocoapods.org\u002Fpods\u002FFANN\">Cocoa Pods\u003C\u002Fa>\u003C\u002Ftd>\n  \u003C\u002Ftr>\n  \u003Ctr>\n    \u003Ctd style=\"text-align: center\">\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Flemire\u002Flbimproved\">lbimproved\u003C\u002Fa>\u003C\u002Ftd>\n    \u003Ctd>k-nearest neighbors and Dynamic Time Warping\u003C\u002Ftd> \n    \u003Ctd>C++\u003C\u002Ftd> \n    \u003Ctd>Apache 2.0\u003C\u002Ftd>\n    \u003Ctd>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Flemire\u002Flbimproved\">GitHub\u003C\u002Fa> \u003C\u002Ftd>\n    \u003Ctd> \u003C\u002Ftd>\n  \u003C\u002Ftr>\n    \u003Ctr>\n    \u003Ctd style=\"text-align: center\">\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fgianlucabertani\u002FMAChineLearning\">MAChineLearning\u003C\u002Fa>\u003C\u002Ftd>\n    \u003Ctd>\n    \u003Cul>\n    \u003Cli>Neural Networks\u003C\u002Fli>\n    \u003Cul>\n    \u003Cli>Activation functions: Linear, ReLU, Step, sigmoid, TanH\u003C\u002Fli>\n    \u003Cli>Cost functions: Squared error, Cross entropy\u003C\u002Fli>\n    \u003Cli>Backpropagation: Standard, Resilient (a.k.a. RPROP).\u003C\u002Fli>\n    \u003Cli>Training by sample or by batch.\u003C\u002Fli>\n    \u003C\u002Ful>\n    \u003Cli>Bag of Words\u003C\u002Fli>\n    \u003Cli>Word Vectors\u003C\u002Fli>\n\u003C\u002Ful>\n    \u003C\u002Ftd> \n    \u003Ctd>Objective-C\u003C\u002Ftd> \n    \u003Ctd>BSD 3-clause\u003C\u002Ftd>\n    \u003Ctd>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fgianlucabertani\u002FMAChineLearning\">GitHub\u003C\u002Fa> \u003C\u002Ftd>\n    \u003Ctd> \u003C\u002Ftd>\n  \u003C\u002Ftr>\n  \u003Ctr>\n    \u003Ctd style=\"text-align: center\">\u003Ca href=\"https:\u002F\u002Fgithub.com\u002FSomnibyte\u002FMLKit\">\u003Cimg width=\"100\" src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Falexsosn_iOS_ML_readme_47b75c8fddf4.png\">\u003Cbr>MLKit\u003C\u002Fa>\u003C\u002Ftd>\n    \u003Ctd> \n    \u003Cul>\n    \u003Cli>Linear Regression: simple, ridge, polynomial\u003C\u002Fli>\n    \u003Cli>Multi-Layer Perceptron, & Adaline ANN Architectures\u003C\u002Fli>\n    \u003Cli>K-Means Clustering\u003C\u002Fli>\n    \u003Cli>Genetic Algorithms\u003C\u002Fli>\n    \u003C\u002Ful>\n\u003C\u002Ftd> \n    \u003Ctd>Swift\u003C\u002Ftd>\n    \u003Ctd>MIT\u003C\u002Ftd>\n    \u003Ctd>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002FSomnibyte\u002FMLKit\">GitHub\u003C\u002Fa>\u003C\u002Ftd>\n    \u003Ctd>\u003Ca href=\"https:\u002F\u002Fcocoapods.org\u002Fpods\u002FMachineLearningKit\">Cocoa Pods\u003C\u002Fa>\u003C\u002Ftd>\n  \u003C\u002Ftr>\n  \u003Ctr>\n    \u003Ctd style=\"text-align: center\">\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fsaniul\u002FMendel\">\u003Cimg width=\"100\" src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Falexsosn_iOS_ML_readme_dddba987958b.png\">\u003Cbr>Mendel\u003C\u002Fa>\u003C\u002Ftd>\n    \u003Ctd>Evolutionary\u002Fgenetic algorithms\u003C\u002Ftd> \n    \u003Ctd>Swift\u003C\u002Ftd> \n    \u003Ctd>?\u003C\u002Ftd>\n    \u003Ctd>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fsaniul\u002FMendel\">GitHub\u003C\u002Fa>\u003C\u002Ftd>\n    \u003Ctd>\u003C\u002Ftd>\n  \u003C\u002Ftr>\n  \u003Ctr>\n    \u003Ctd style=\"text-align: center\">\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fvincentherrmann\u002Fmultilinear-math\">multilinear-math\u003C\u002Fa>\u003C\u002Ftd>\n    \u003Ctd>\n        \u003Cul>\n    \u003Cli>Linear algebra and tensors\u003C\u002Fli>\n    \u003Cli>Principal component analysis\u003C\u002Fli>\n    \u003Cli>Multilinear subspace learning algorithms for dimensionality reduction\u003C\u002Fli>\n    \u003Cli>Linear and logistic regression\u003C\u002Fli>\n    \u003Cli>Stochastic gradient descent\u003C\u002Fli>\n    \u003Cli>Feedforward neural networks\u003C\u002Fli>\n    \u003Cul>\n    \u003Cli>Sigmoid\u003C\u002Fli>\n    \u003Cli>ReLU\u003C\u002Fli>\n    \u003Cli>Softplus activation functions\u003C\u002Fli>\n    \u003C\u002Ful>\n    \u003C\u002Ful>\n    \u003C\u002Ftd> \n    \u003Ctd>Swift\u003C\u002Ftd> \n    \u003Ctd>Apache 2.0\u003C\u002Ftd>\n    \u003Ctd>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fvincentherrmann\u002Fmultilinear-math\">GitHub\u003C\u002Fa> \u003C\u002Ftd>\n    \u003Ctd>Swift Package Manager\u003C\u002Ftd>\n  \u003C\u002Ftr>\n  \u003Ctr>\n    \u003Ctd style=\"text-align: center\">\u003Ca href=\"http:\u002F\u002Fopencv.org\u002F\">\u003Cimg width=\"100\" src=\"http:\u002F\u002Fopencv.org\u002Fassets\u002Ftheme\u002Flogo.png\">OpenCV\u003C\u002Fa>\u003C\u002Ftd>\n    \u003Ctd>\n    \u003Cul>\n    \u003Cli>Multi-Layer Perceptrons\u003C\u002Fli> \n    \u003Cli>Boosted tree classifier\u003C\u002Fli> \n    \u003Cli>decision tree\u003C\u002Fli> \n    \u003Cli>Expectation Maximization\u003C\u002Fli> \n    \u003Cli>K-Nearest Neighbors\u003C\u002Fli> \n    \u003Cli>Logistic Regression\u003C\u002Fli> \n    \u003Cli>Bayes classifier\u003C\u002Fli> \n    \u003Cli>Random forest\u003C\u002Fli> \n    \u003Cli>Support Vector Machines\u003C\u002Fli>  \n    \u003Cli>Stochastic Gradient Descent SVM classifier\u003C\u002Fli> \n    \u003Cli>Grid search\u003C\u002Fli> \n    \u003Cli>Hierarchical k-means\u003C\u002Fli> \n    \u003Cli>Deep neural networks\u003C\u002Fli>\n    \u003C\u002Ful>\n    \u003C\u002Ftd> \n    \u003Ctd>C++\u003C\u002Ftd> \n    \u003Ctd>3-clause BSD\u003C\u002Ftd>\n    \u003Ctd>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fopencv\">GitHub\u003C\u002Fa> \u003C\u002Ftd>\n    \u003Ctd> \u003Ca href=\"https:\u002F\u002Fcocoapods.org\u002Fpods\u002FOpenCV\">Cocoa Pods\u003C\u002Fa>\u003C\u002Ftd>\n  \u003C\u002Ftr>\n  \u003Ctr>\n    \u003Ctd style=\"text-align: center\">\u003Ca href=\"http:\u002F\u002Fimage.diku.dk\u002Fshark\u002Fsphinx_pages\u002Fbuild\u002Fhtml\u002Findex.html\">\u003Cimg width=\"100\" src=\"http:\u002F\u002Fimage.diku.dk\u002Fshark\u002Fsphinx_pages\u002Fbuild\u002Fhtml\u002F_static\u002FSharkLogo.png\">\u003Cbr>Shark\u003C\u002Fa>\u003C\u002Ftd>\n    \u003Ctd>\n    \u003Cul>\n    \u003Cli>\u003Cb>Supervised:\u003C\u002Fb> \u003C\u002Fli>\n    \u003Cul>\n    \u003Cli>Linear discriminant analysis (LDA)\u003C\u002Fli>\n    \u003Cli>Fisher–LDA\u003C\u002Fli>\n    \u003Cli>Linear regression\u003C\u002Fli>\n    \u003Cli>SVMs\u003C\u002Fli>\n    \u003Cli>FF NN\u003C\u002Fli>\n    \u003Cli>RNN\u003C\u002Fli>\n    \u003Cli>Radial basis function networks\u003C\u002Fli>\n    \u003Cli>Regularization networks\u003C\u002Fli>\n    \u003Cli>Gaussian processes for regression\u003C\u002Fli>\n    \u003Cli>Iterative nearest neighbor classification and regression\u003C\u002Fli>\n    \u003Cli>Decision trees\u003C\u002Fli>\n    \u003Cli>Random forest\u003C\u002Fli>\n    \u003C\u002Ful>\n    \u003Cli>\u003Cb>Unsupervised:\u003C\u002Fb> \u003C\u002Fli>\n    \u003Cul>\n    \u003Cli>PCA\u003C\u002Fli>\n    \u003Cli>Restricted Boltzmann machines\u003C\u002Fli>\n    \u003Cli>Hierarchical clustering\u003C\u002Fli>\n    \u003Cli>Data structures for efficient distance-based clustering\u003C\u002Fli>\n\u003C\u002Ful>\n    \u003Cli>\u003Cb>Optimization:\u003C\u002Fb> \u003C\u002Fli>\n    \u003Cul>\n    \u003Cli>Evolutionary algorithms\u003C\u002Fli> \n    \u003Cli>Single-objective optimization (e.g., CMA–ES)\u003C\u002Fli>\n    \u003Cli>Multi-objective optimization\u003C\u002Fli>\n    \u003Cli>Basic linear algebra and optimization algorithms\u003C\u002Fli>\n    \u003C\u002Ful> \n\u003C\u002Ful>\n    \u003C\u002Ftd> \n    \u003Ctd>C++\u003C\u002Ftd> \n    \u003Ctd>GNU LGPL\u003C\u002Ftd>\n    \u003Ctd>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Flemire\u002Flbimproved\">GitHub\u003C\u002Fa> \u003C\u002Ftd>\n    \u003Ctd>\u003Ca href=\"https:\u002F\u002Fcocoapods.org\u002Fpods\u002FShark-SDK\">Cocoa Pods\u003C\u002Fa>\u003C\u002Ftd>\n  \u003C\u002Ftr>\n  \u003Ctr>\n    \u003Ctd style=\"text-align: center\">\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fyconst\u002FYCML\">\u003Cimg width=\"100\" src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Falexsosn_iOS_ML_readme_0562023ea1fa.png\">\u003Cbr>YCML\u003C\u002Fa>\u003C\u002Ftd>\n    \u003Ctd>\n    \u003Cul>\n    \u003Cli>Gradient Descent Backpropagation\u003C\u002Fli> \n    \u003Cli>Resilient Backpropagation (RProp)\u003C\u002Fli> \n    \u003Cli>Extreme Learning Machines (ELM)\u003C\u002Fli> \n    \u003Cli>Forward Selection using Orthogonal Least Squares (for RBF Net), also with the PRESS statistic\u003C\u002Fli> \n    \u003Cli>Binary Restricted Boltzmann Machines (CD & PCD)\u003C\u002Fli>\n    \u003Cli>\u003Cb>Optimization algorithms\u003C\u002Fb>: \u003C\u002Fli>\n    \u003Cul>\n    \u003Cli>Gradient Descent (Single-Objective, Unconstrained)\u003C\u002Fli> \n    \u003Cli>RProp Gradient Descent (Single-Objective, Unconstrained)\u003C\u002Fli> \n    \u003Cli>NSGA-II (Multi-Objective, Constrained)\u003C\u002Fli>\n    \u003C\u002Ful>\n    \u003C\u002Ful>\n    \u003C\u002Ftd> \n    \u003Ctd>Objective-C\u003C\u002Ftd> \n    \u003Ctd>GNU GPL 3.0\u003C\u002Ftd>\n    \u003Ctd>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fyconst\u002Fycml\u002F\">GitHub\u003C\u002Fa> \u003C\u002Ftd>\n    \u003Ctd> \u003C\u002Ftd>\n  \u003C\u002Ftr>\n  \u003Ctr>\n    \u003Ctd style=\"text-align: center\">\u003Ca href=\"https:\u002F\u002Fgithub.com\u002FKalvar\">\u003Cimg width=\"100\" src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Falexsosn_iOS_ML_readme_9e80b065dda2.png\">\u003Cbr>Kalvar Lin's libraries\u003C\u002Fa>\u003C\u002Ftd>\n    \u003Ctd>\n    \u003Cul>\n    \u003Cli>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002FKalvar\u002Fios-KRHebbian-Algorithm\">ios-KRHebbian-Algorithm\u003C\u002Fa> - \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FHebbian_theory\">Hebbian Theory\u003C\u002Fa>\u003C\u002Fli>\n    \u003Cli>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002FKalvar\u002Fios-KRKmeans-Algorithm\">ios-KRKmeans-Algorithm\u003C\u002Fa> - \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FK-means_clustering\">K-Means\u003C\u002Fa> clustering method.\u003C\u002Fli>\n    \u003Cli>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002FKalvar\u002Fios-KRFuzzyCMeans-Algorithm\">ios-KRFuzzyCMeans-Algorithm\u003C\u002Fa> - \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FFuzzy_clustering\">Fuzzy C-Means\u003C\u002Fa>, the fuzzy clustering algorithm.\u003C\u002Fli>\n    \u003Cli>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002FKalvar\u002Fios-KRGreyTheory\">ios-KRGreyTheory\u003C\u002Fa> - \u003Ca href=\"http:\u002F\u002Fciteseerx.ist.psu.edu\u002Fviewdoc\u002Fdownload?doi=10.1.1.678.3477&rep=rep1&type=pdf\">Grey Theory\u003C\u002Fa> \u002F \u003Ca href=\"http:\u002F\u002Fwww.mecha.ee.boun.edu.tr\u002FProf.%20Dr.%20Okyay%20Kaynak%20Publications\u002Fc%20Journal%20Papers(appearing%20in%20SCI%20or%20SCIE%20or%20CompuMath)\u002F62.pdf\">Grey system theory-based models in time series prediction\u003C\u002Fa>\u003C\u002Fli>\n    \u003Cli>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002FKalvar\u002Fios-KRSVM\">ios-KRSVM\u003C\u002Fa> - Support Vector Machine and SMO.\u003C\u002Fli>\n    \u003Cli>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002FKalvar\u002Fios-KRKNN\">ios-KRKNN\u003C\u002Fa> - kNN implementation.\u003C\u002Fli>\n    \u003Cli>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002FKalvar\u002Fios-KRRBFNN\">ios-KRRBFNN\u003C\u002Fa> - Radial basis function neural network and OLS.\u003C\u002Fli>\n    \u003C\u002Ful> \n    \u003C\u002Ftd> \n    \u003Ctd>Objective-C\u003C\u002Ftd> \n    \u003Ctd>MIT\u003C\u002Ftd>\n    \u003Ctd>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002FKalvar\">GitHub\u003C\u002Fa>\u003C\u002Ftd>\n    \u003Ctd>\u003C\u002Ftd>\n  \u003C\u002Ftr>\n\u003C\u002Ftable>\n\n\n**Multilayer perceptron implementations:**\n\n- [Brain.js](https:\u002F\u002Fgithub.com\u002Fharthur\u002Fbrain) - JS\n- [SNNeuralNet](https:\u002F\u002Fgithub.com\u002Fdevongovett\u002FSNNeuralNet) - Objective-C port of brain.js\n- [MLPNeuralNet](https:\u002F\u002Fgithub.com\u002Fnikolaypavlov\u002FMLPNeuralNet) - Objective-C, Accelerate\n- [Swift-AI](https:\u002F\u002Fgithub.com\u002FSwift-AI\u002FSwift-AI) - Swift\n- [SwiftSimpleNeuralNetwork](https:\u002F\u002Fgithub.com\u002Fdavecom\u002FSwiftSimpleNeuralNetwork) - Swift\n- \u003Ca href=\"https:\u002F\u002Fgithub.com\u002FKalvar\u002Fios-BPN-NeuralNetwork\">ios-BPN-NeuralNetwork\u003C\u002Fa> - Objective-C\n- \u003Ca href=\"https:\u002F\u002Fgithub.com\u002FKalvar\u002Fios-Multi-Perceptron-NeuralNetwork\">ios-Multi-Perceptron-NeuralNetwork\u003C\u002Fa>- Objective-C\n- \u003Ca href=\"https:\u002F\u002Fgithub.com\u002FKalvar\u002Fios-KRDelta\">ios-KRDelta\u003C\u002Fa> - Objective-C\n- [ios-KRPerceptron](https:\u002F\u002Fgithub.com\u002FKalvar\u002Fios-KRPerceptron) - Objective-C\n\n# \u003Ca name=\"dll\"\u002F>Deep Learning Libraries: \n\n### On-Device training and inference\n\n* [Birdbrain](https:\u002F\u002Fgithub.com\u002Fjordenhill\u002FBirdbrain) - RNNs and FF NNs on top of Metal and Accelerate. Not ready for production.\n* [BrainCore](https:\u002F\u002Fgithub.com\u002Faleph7\u002FBrainCore) - simple but fast neural network framework written in Swift. It uses Metal framework to be as fast as possible. ReLU, LSTM, L2 ...\n* [Caffe](http:\u002F\u002Fcaffe.berkeleyvision.org) - A deep learning framework developed with cleanliness, readability, and speed in mind. [GitHub](https:\u002F\u002Fgithub.com\u002FBVLC\u002Fcaffe). [BSD]\n    * [iOS port](https:\u002F\u002Fgithub.com\u002Faleph7\u002Fcaffe)\n    * [caffe-mobile](https:\u002F\u002Fgithub.com\u002Fsolrex\u002Fcaffe-mobile) - another iOS port.\n    * C++ examples: [Classifying ImageNet](http:\u002F\u002Fcaffe.berkeleyvision.org\u002Fgathered\u002Fexamples\u002Fcpp_classification.html), [Extracting Features](http:\u002F\u002Fcaffe.berkeleyvision.org\u002Fgathered\u002Fexamples\u002Ffeature_extraction.html)\n    * [Caffe iOS sample](https:\u002F\u002Fgithub.com\u002Fnoradaiko\u002Fcaffe-ios-sample)\n* [Caffe2](https:\u002F\u002Fcaffe2.ai\u002F) - a cross-platform framework made with expression, speed, and modularity in mind.\n    * [Cocoa Pod](https:\u002F\u002Fgithub.com\u002FRobertBiehl\u002Fcaffe2-ios) \n    * [iOS demo app](https:\u002F\u002Fgithub.com\u002FKleinYuan\u002FCaffe2-iOS)\n* [Convnet.js](http:\u002F\u002Fcs.stanford.edu\u002Fpeople\u002Fkarpathy\u002Fconvnetjs\u002F) - ConvNetJS is a Javascript library for training Deep Learning models by [Andrej Karpathy](https:\u002F\u002Ftwitter.com\u002Fkarpathy). [GitHub](https:\u002F\u002Fgithub.com\u002Fkarpathy\u002Fconvnetjs)\n    * [ConvNetSwift](https:\u002F\u002Fgithub.com\u002Falexsosn\u002FConvNetSwift) - Swift port [work in progress].\n* [Deep Belief SDK](https:\u002F\u002Fgithub.com\u002Fjetpacapp\u002FDeepBeliefSDK) -  The SDK for Jetpac's iOS Deep Belief image recognition framework\n* [TensorFlow](http:\u002F\u002Fwww.tensorflow.org\u002F) - an open source software library for numerical computation using data flow graphs. Nodes in the graph represent mathematical operations, while the graph edges represent the multidimensional data arrays (tensors) communicated between them. The flexible architecture allows you to deploy computation to one or more CPUs or GPUs in a desktop, server, or mobile device with a single API.\n    * [iOS examples](https:\u002F\u002Fgithub.com\u002Ftensorflow\u002Ftensorflow\u002Ftree\u002Fmaster\u002Ftensorflow\u002Fcontrib\u002Fios_examples)\n    * [another example](https:\u002F\u002Fgithub.com\u002Fhollance\u002FTensorFlow-iOS-Example)\n    * [Perfect-TensorFlow](https:\u002F\u002Fgithub.com\u002FPerfectlySoft\u002FPerfect-TensorFlow) - TensorFlow binding for [Perfect](http:\u002F\u002Fperfect.org\u002F) (server-side Swift framework). Includes only C TF API.\n* [tiny-dnn](https:\u002F\u002Fgithub.com\u002Ftiny-dnn\u002Ftiny-dnn) - header only, dependency-free deep learning framework in C++11.\n    * [iOS example](https:\u002F\u002Fgithub.com\u002Ftiny-dnn\u002Ftiny-dnn\u002Ftree\u002Fd4fff53fa0d01f59eb162de2ec32c652a1f6f467\u002Fexamples\u002Fios) \n* [Torch](http:\u002F\u002Ftorch.ch\u002F) is a scientific computing framework with wide support for machine learning algorithms.\n    * [Torch4iOS](https:\u002F\u002Fgithub.com\u002Fjhondge\u002Ftorch4ios)\n    * [Torch-iOS](https:\u002F\u002Fgithub.com\u002Fclementfarabet\u002Ftorch-ios)\n\n### Deep Learning: Running pre-trained models on device\n\nThese libraries doesn't support training, so you need to pre-train models in some ML framework.\n\n* [Bender](https:\u002F\u002Fgithub.com\u002Fxmartlabs\u002FBender) - Framework for building fast NNs. Supports TensorFlow models. It uses Metal under the hood.\n* [Core ML](#coreml)\n* [DeepLearningKit](http:\u002F\u002Fdeeplearningkit.org\u002F) - Open Source Deep Learning Framework from Memkite for Apple's tvOS, iOS and OS X.\n* [Espresso](https:\u002F\u002Fgithub.com\u002Fcodinfox\u002Fespresso) - A minimal high performance parallel neural network framework running on iOS.\n* [Forge](https:\u002F\u002Fgithub.com\u002Fhollance\u002FForge) - A neural network toolkit for Metal.\n* [Keras.js](https:\u002F\u002Ftranscranial.github.io\u002Fkeras-js\u002F#\u002F) - run [Keras](https:\u002F\u002Fkeras.io\u002F) models in a web view. \n* [KSJNeuralNetwork](https:\u002F\u002Fgithub.com\u002Fwoffle\u002FKSJNeuralNetwork) - A Neural Network Inference Library Built atop BNNS and MPS\n    * [Converter for Torch models](https:\u002F\u002Fgithub.com\u002Fwoffle\u002Ftorch2ios)\n* [MXNet](https:\u002F\u002Fmxnet.incubator.apache.org\u002F) - MXNet is a deep learning framework designed for both efficiency and flexibility.\n    * [Deploying pre-trained mxnet model to a smartphone](https:\u002F\u002Fmxnet.incubator.apache.org\u002Fhow_to\u002Fsmart_device.html)\n* [Quantized-CNN](https:\u002F\u002Fgithub.com\u002Fjiaxiang-wu\u002Fquantized-cnn) - compressed convolutional neural networks for Mobile Devices\n* [WebDNN](https:\u002F\u002Fmil-tokyo.github.io\u002Fwebdnn\u002F) - You can run deep learning model in a web view if you want. Three modes: WebGPU acceleration, WebAssembly acceleration and pure JS (on CPU). No training, inference only.\n\n### Deep Learning: Low-level routines libraries\n\n* [BNNS](https:\u002F\u002Fdeveloper.apple.com\u002Freference\u002Faccelerate\u002F1912851-bnns) - Apple Basic neural network subroutines (BNNS) is a collection of functions that you use to implement and run neural networks, using previously obtained training data.\n    * [BNNS usage examples](https:\u002F\u002Fgithub.com\u002Fshu223\u002FiOS-10-Sampler) in iOS 10 sampler.\n    * [An example](https:\u002F\u002Fgithub.com\u002Fbignerdranch\u002Fbnns-cocoa-example) of a neural network trained by tensorflow and executed using BNNS\n* [MetalPerformanceShaders](https:\u002F\u002Fdeveloper.apple.com\u002Freference\u002Fmetalperformanceshaders) - CNNs on GPU from Apple.\n    * [MetalCNNWeights](https:\u002F\u002Fgithub.com\u002Fkakugawa\u002FMetalCNNWeights) - a Python script to convert Inception v3 for MPS.\n    * [MPSCNNfeeder](https:\u002F\u002Fgithub.com\u002Fkazoo-kmt\u002FMPSCNNfeeder) - Keras to MPS models conversion.\n* [NNPACK](https:\u002F\u002Fgithub.com\u002FMaratyszcza\u002FNNPACK) - Acceleration package for neural networks on multi-core CPUs. Prisma [uses](http:\u002F\u002Fprisma-ai.com\u002Flibraries.html) this library in the mobile app.\n* [STEM](https:\u002F\u002Fgithub.com\u002Fabeschneider\u002Fstem) - Swift Tensor Engine for Machine-learning\n    * [Documentation](http:\u002F\u002Fstem.readthedocs.io\u002Fen\u002Flatest\u002F) \n\n### \u003Ca name=\"dlmc\"\u002F>Deep Learning: Model Compression\n\n* TensorFlow implementation of [knowledge distilling](https:\u002F\u002Fgithub.com\u002Fchengshengchan\u002Fmodel_compression) method\n* [MobileNet-Caffe](https:\u002F\u002Fgithub.com\u002Fshicai\u002FMobileNet-Caffe) - Caffe Implementation of Google's MobileNets\n* [keras-surgeon](https:\u002F\u002Fgithub.com\u002FBenWhetton\u002Fkeras-surgeon) - Pruning for trained Keras models.\n\n\n# \u003Ca name=\"cv\"\u002F>Computer Vision\n\n\n* [ccv](http:\u002F\u002Flibccv.org) - C-based\u002FCached\u002FCore Computer Vision Library, A Modern Computer Vision Library\n    * [iOS demo app](https:\u002F\u002Fgithub.com\u002Fliuliu\u002Fklaus)\n* [OpenCV](http:\u002F\u002Fopencv.org) – Open Source Computer Vision Library. [BSD]\n    * [OpenCV crash course](http:\u002F\u002Fwww.pyimagesearch.com\u002Ffree-opencv-crash-course\u002F) \n    * [OpenCVSwiftStitch](https:\u002F\u002Fgithub.com\u002Ffoundry\u002FOpenCVSwiftStitch)\n    * [Tutorial: using and building openCV on iOS devices](http:\u002F\u002Fmaniacdev.com\u002F2011\u002F07\u002Ftutorial-using-and-building-opencv-open-computer-vision-on-ios-devices)\n    * [A Collection of OpenCV Samples For iOS](https:\u002F\u002Fgithub.com\u002Fwoffle\u002FOpenCV-iOS-Demos)\n* [OpenFace](https:\u002F\u002Fgithub.com\u002FTadasBaltrusaitis\u002FOpenFace) – a state-of-the art open source tool intended for facial landmark detection, head pose estimation, facial action unit recognition, and eye-gaze estimation.\n    * [iOS port](https:\u002F\u002Fgithub.com\u002FFaceAR\u002FOpenFaceIOS)\n    * [iOS demo](https:\u002F\u002Fgithub.com\u002FFaceAR\u002FOpenFaceIOS)\n* [trackingjs](http:\u002F\u002Ftrackingjs.com\u002F) – Object tracking in JS\n* [Vision](https:\u002F\u002Fdeveloper.apple.com\u002Fdocumentation\u002Fvision) is an Apple framework for computer vision.\n\n# \u003Ca name=\"nlp\"\u002F>Natural Language Processing\n\n\n* [CoreLinguistics](https:\u002F\u002Fgithub.com\u002Frxwei\u002FCoreLinguistics) - POS tagging (HMM), ngrams, Naive Bayes, IBM alignment models.\n* [GloVe](https:\u002F\u002Fgithub.com\u002Frxwei\u002FGloVe-swift) Swift package. Vector words representations.\n* [NSLinguisticTagger](http:\u002F\u002Fnshipster.com\u002Fnslinguistictagger\u002F)\n* [Parsimmon](https:\u002F\u002Fgithub.com\u002Fayanonagon\u002FParsimmon)\n* [Twitter text](https:\u002F\u002Fgithub.com\u002Ftwitter\u002Ftwitter-text-objc) - \nAn Objective-C implementation of Twitter's text processing library. The library includes methods for extracting user names, mentions headers, hashtags, and more – all the tweet specific language syntax you could ever want.\n* [Verbal expressions for Swift](https:\u002F\u002Fgithub.com\u002FVerbalExpressions\u002FSwiftVerbalExpressions), like regexps for humans.\n* [Word2Vec](https:\u002F\u002Fcode.google.com\u002Fp\u002Fword2vec\u002F) - Original C implementation of Word2Vec Deep Learning algorithm. Works on iPhone like a charm.\n\n# \u003Ca name=\"tts\"\u002F>Speech Recognition (TTS) and Generation (STT)\n\n\n* [Kaldi-iOS framework](http:\u002F\u002Fkeenresearch.com\u002F) - on-device speech recognition using deep learning.\n    * [Proof of concept app](https:\u002F\u002Fgithub.com\u002Fkeenresearch\u002Fkaldi-ios-poc)\n* [MVSpeechSynthesizer](https:\u002F\u002Fgithub.com\u002Fvimalmurugan89\u002FMVSpeechSynthesizer)\n* [OpenEars™: free speech recognition and speech synthesis for the iPhone](http:\u002F\u002Fwww.politepix.com\u002Fopenears\u002F) - OpenEars™ makes it simple for you to add offline speech recognition and synthesized speech\u002FTTS to your iPhone app quickly and easily. It lets everyone get the great results of using advanced speech UI concepts like statistical language models and finite state grammars in their app, but with no more effort than creating an NSArray or NSDictionary. \n    * [Tutorial (Russian)](http:\u002F\u002Fhabrahabr.ru\u002Fpost\u002F237589\u002F)\n* [TLSphinx](https:\u002F\u002Fgithub.com\u002Ftryolabs\u002FTLSphinx), [Tutorial](http:\u002F\u002Fblog.tryolabs.com\u002F2015\u002F06\u002F15\u002Ftlsphinx-automatic-speech-recognition-asr-in-swift\u002F)\n\n# \u003Ca name=\"ocr\"\u002F>Text Recognition (OCR)\n\n\n* [ocrad.js](https:\u002F\u002Fgithub.com\u002Fantimatter15\u002Focrad.js) - JS OCR\n* **Tesseract**\n    * [Install and Use Tesseract on iOS](http:\u002F\u002Flois.di-qual.net\u002Fblog\u002Finstall-and-use-tesseract-on-ios-with-tesseract-ios\u002F)\n    * [tesseract-ios-lib](https:\u002F\u002Fgithub.com\u002Fldiqual\u002Ftesseract-ios-lib)\n    * [tesseract-ios](https:\u002F\u002Fgithub.com\u002Fldiqual\u002Ftesseract-ios)\n    * [Tesseract-OCR-iOS](https:\u002F\u002Fgithub.com\u002Fgali8\u002FTesseract-OCR-iOS)\n    * [OCR-iOS-Example](https:\u002F\u002Fgithub.com\u002Frobmathews\u002FOCR-iOS-Example)\n\n# \u003Ca name=\"ai\"\u002F>Other AI\n\n\n* [Axiomatic](https:\u002F\u002Fgithub.com\u002FJadenGeller\u002FAxiomatic) - Swift unification framework for logic programming.\n* [Build Your Own Lisp In Swift](https:\u002F\u002Fgithub.com\u002Fhollance\u002FBuildYourOwnLispInSwift)\n* [Logician](https:\u002F\u002Fgithub.com\u002Fmdiep\u002FLogician) - Logic programming in Swift\n* [Swiftlog](https:\u002F\u002Fgithub.com\u002FJadenGeller\u002FSwiftlog) - A simple Prolog-like language implemented entirely in Swift.\n\n# \u003Ca name=\"web\"\u002F>Machine Learning Web APIs\n\n\n* [**IBM** Watson](http:\u002F\u002Fwww.ibm.com\u002Fsmarterplanet\u002Fus\u002Fen\u002Fibmwatson\u002Fdevelopercloud\u002F) - Enable Cognitive Computing Features In Your App Using IBM Watson's Language, Vision, Speech and Data APIs.\n    * [Introducing the (beta) IBM Watson iOS SDK](https:\u002F\u002Fdeveloper.ibm.com\u002Fswift\u002F2015\u002F12\u002F18\u002Fintroducing-the-new-watson-sdk-for-ios-beta\u002F)\n* [AlchemyAPI](http:\u002F\u002Fwww.alchemyapi.com\u002F) - Semantic Text Analysis APIs Using Natural Language Processing. Now part of IBM Watson.\n* [**Microsoft** Project Oxford](https:\u002F\u002Fwww.projectoxford.ai\u002F)\n* [**Google** Prediction engine](https:\u002F\u002Fcloud.google.com\u002Fprediction\u002Fdocs)\n    * [Objective-C API](https:\u002F\u002Fcode.google.com\u002Fp\u002Fgoogle-api-objectivec-client\u002Fwiki\u002FIntroduction)\n* [Google Translate API](https:\u002F\u002Fcloud.google.com\u002Ftranslate\u002Fdocs)\n* [Google Cloud Vision API](https:\u002F\u002Fcloud.google.com\u002Fvision\u002F)\n* [**Amazon** Machine Learning](http:\u002F\u002Faws.amazon.com\u002Fdocumentation\u002Fmachine-learning\u002F) - Amazon ML is a cloud-based service for developers. It provides visualization tools to create machine learning models. Obtain predictions for application using APIs. \n    * [iOS developer guide](https:\u002F\u002Fdocs.aws.amazon.com\u002Fmobile\u002Fsdkforios\u002Fdeveloperguide\u002Fgetting-started-machine-learning.html).\n    * [iOS SDK](https:\u002F\u002Fgithub.com\u002Faws\u002Faws-sdk-ios)\n* [**PredictionIO**](https:\u002F\u002Fprediction.io\u002F) - opensource machine learning server for developers and ML engineers. Built on Apache Spark, HBase and Spray.\n    * [Swift SDK](https:\u002F\u002Fgithub.com\u002Fminhtule\u002FPredictionIO-Swift-SDK)\n    * [Tapster iOS Demo](https:\u002F\u002Fgithub.com\u002Fminhtule\u002FTapster-iOS-Demo) - This demo demonstrates how to use the PredictionIO Swift SDK to integrate an iOS app with a PredictionIO engine to make your mobile app more interesting.\n    * [Tutorial](https:\u002F\u002Fgithub.com\u002Fminhtule\u002FTapster-iOS-Demo\u002Fblob\u002Fmaster\u002FTUTORIAL.md) on using Swift with PredictionIO.\n* [**Wit.AI**](https:\u002F\u002Fwit.ai\u002F) - NLP API\n* [**Yandex** SpeechKit](https:\u002F\u002Ftech.yandex.com\u002Fspeechkit\u002Fmobilesdk\u002F) Text-to-speech and speech-to-text for Russian language. iOS SDK available.\n* [**Abbyy** OCR SDK](http:\u002F\u002Fwww.abbyy.com\u002Fmobile-ocr\u002Fiphone-ocr\u002F)\n* [**Clarifai**](http:\u002F\u002Fwww.clarifai.com\u002F#) - deep learning web api for image captioning. [iOS starter project](https:\u002F\u002Fgithub.com\u002FClarifai\u002Fclarifai-ios-starter)\n* [**MetaMind**](https:\u002F\u002Fwww.metamind.io\u002F) - deep learning web api for image captioning.\n* [Api.AI](https:\u002F\u002Fapi.ai\u002F) - Build intelligent speech interfaces\nfor apps, devices, and web\n* [**CloudSight.ai**](https:\u002F\u002Fcloudsight.ai\u002F) - deep learning web API for fine grained object detection or whole screen description, including natural language object captions. [Objective-C](https:\u002F\u002Fgithub.com\u002Fcloudsight\u002Fcloudsight-objc) API client is available.\n\n# \u003Ca name=\"mlapps\"\u002F>Opensource ML Applications\n\n\n### Deep Learning\n\n* [DeepDreamer](https:\u002F\u002Fgithub.com\u002Fjohndpope\u002Fdeepdreamer) - Deep Dream application\n* [DeepDreamApp](https:\u002F\u002Fgithub.com\u002Fjohndpope\u002FDeepDreamApp) - Deep Dream Cordova app.\n* [Texture Networks](https:\u002F\u002Fgithub.com\u002FDmitryUlyanov\u002Ftexture_nets), Lua implementation\n* [Feedforward style transfer](https:\u002F\u002Fgithub.com\u002Fjcjohnson\u002Ffast-neural-style), Lua implementation\n* [TensorFlow implementation of Neural Style](https:\u002F\u002Fgithub.com\u002Fcysmith\u002Fneural-style-tf)\n* [Corrosion detection app](https:\u002F\u002Fgithub.com\u002Fjmolayem\u002Fcorrosionapp)\n* [ios_camera_object_detection](https:\u002F\u002Fgithub.com\u002Fyjmade\u002Fios_camera_object_detection) - Realtime mobile visualize based Object Detection based on TensorFlow and YOLO model\n* [TensorFlow MNIST iOS demo](https:\u002F\u002Fgithub.com\u002Fmattrajca\u002FMNIST) - Getting Started with Deep MNIST and TensorFlow on iOS\n* [Drummer App](https:\u002F\u002Fgithub.com\u002Fhollance\u002FRNN-Drummer-Swift) with RNN and Swift\n* [What'sThis](https:\u002F\u002Fgithub.com\u002Fpppoe\u002FWhatsThis-iOS)\n* [enVision](https:\u002F\u002Fgithub.com\u002FIDLabs-Gate\u002FenVision) - Deep Learning Models for Vision Tasks on iOS\\\n* [GoogLeNet on iOS demo](https:\u002F\u002Fgithub.com\u002Fkrasin\u002FMetalDetector)\n* [Neural style in Android](https:\u002F\u002Fgithub.com\u002Fnaman14\u002FArcade)\n* [mnist-bnns](https:\u002F\u002Fgithub.com\u002Fpaiv\u002Fmnist-bnns) - TensorFlow MNIST demo port to BNNS\n* [Benchmark of BNNS vs. MPS](https:\u002F\u002Fgithub.com\u002Fhollance\u002FBNNS-vs-MPSCNN)\n* [VGGNet on Metal](https:\u002F\u002Fgithub.com\u002Fhollance\u002FVGGNet-Metal)\n* A [Sudoku Solver](https:\u002F\u002Fgithub.com\u002Fwaitingcheung\u002Fdeep-sudoku-solver) that leverages TensorFlow and iOS BNNS for deep learning.\n* [HED CoreML Implementation](https:\u002F\u002Fgithub.com\u002Fs1ddok\u002FHED-CoreML) is a demo with tutorial on how to use Holistically-Nested Edge Detection on iOS with CoreML and Swift\n\n### Traditional Computer Vision\n\n* [SwiftOCR](https:\u002F\u002Fgithub.com\u002Fgarnele007\u002FSwiftOCR)\n* [GrabCutIOS](https:\u002F\u002Fgithub.com\u002Fnaver\u002Fgrabcutios) - Image segmentation using GrabCut algorithm for iOS\n\n### NLP\n\n* [Classical ELIZA chatbot in Swift](https:\u002F\u002Fgist.github.com\u002Fhollance\u002Fbe70d0d7952066cb3160d36f33e5636f)\n* [InfiniteMonkeys](https:\u002F\u002Fgithub.com\u002Fcraigomac\u002FInfiniteMonkeys) - A Keras-trained RNN to emulate the works of a famous poet, powered by BrainCore\n\n### Other\n\n* [Swift implementation of Joel Grus's \"Data Science from Scratch\"](https:\u002F\u002Fgithub.com\u002Fgraceavery\u002FLearningMachineLearning)\n* [Neural Network built in Apple Playground using Swift](https:\u002F\u002Fgithub.com\u002FLuubra\u002FEmojiIntelligence)\n\n# \u003Ca name=\"gameai\"\u002F>Game AI\n\n\n* [Introduction to AI Programming for Games](http:\u002F\u002Fwww.raywenderlich.com\u002F24824\u002Fintroduction-to-ai-programming-for-games)\n* [dlib](http:\u002F\u002Fdlib.net\u002F) is a library which has many useful tools including machine learning.\n* [MicroPather](http:\u002F\u002Fwww.grinninglizard.com\u002FMicroPather\u002F) is a path finder and A* solver (astar or a-star) written in platform independent C++ that can be easily integrated into existing code.\n* Here is a [list](http:\u002F\u002Fwww.ogre3d.org\u002Ftikiwiki\u002FList+Of+Libraries#Artificial_intelligence) of some AI libraries suggested on OGRE3D website. Seems they are mostly written in C++.\n* [GameplayKit Programming Guide](https:\u002F\u002Fdeveloper.apple.com\u002Flibrary\u002Fcontent\u002Fdocumentation\u002FGeneral\u002FConceptual\u002FGameplayKit_Guide\u002F)\n\n# Other related staff\n\n### \u003Ca name=\"la\"\u002F>Linear algebra\n\n\n* [Accelerate-in-Swift](https:\u002F\u002Fgithub.com\u002Fhyperjeff\u002FAccelerate-in-Swift) - Swift example codes for the Accelerate.framework\n* [cuda-swift](https:\u002F\u002Fgithub.com\u002Frxwei\u002Fcuda-swift) - Swift binding to CUDA. Not iOS, but still interesting.\n* [Dimensional](https:\u002F\u002Fgithub.com\u002FJadenGeller\u002FDimensional) - Swift matrices with friendly semantics and a familiar interface.\n* [Eigen](http:\u002F\u002Feigen.tuxfamily.org\u002F) - A high-level C++ library of template headers for linear algebra, matrix and vector operations, numerical solvers and related algorithms. [MPL2]\n* [Matrix](https:\u002F\u002Fgithub.com\u002Fhollance\u002FMatrix) - convenient matrix type with different types of subscripts, custom operators and predefined matrices. A fork of Surge.\n* [NDArray](https:\u002F\u002Fgithub.com\u002Ft-ae\u002Fndarray) - Float library for Swift, accelerated with Accelerate Framework.\n* [Swift-MathEagle](https:\u002F\u002Fgithub.com\u002Frugheid\u002FSwift-MathEagle) - A general math framework to make using math easy. Currently supports function solving and optimisation, matrix and vector algebra, complex numbers, big int, big frac, big rational, graphs and general handy extensions and functions.\n* [SwiftNum](https:\u002F\u002Fgithub.com\u002Fdonald-pinckney\u002FSwiftNum) - linear algebra, fft, gradient descent, conjugate GD, plotting.\n* [Swix](https:\u002F\u002Fgithub.com\u002Fscottsievert\u002Fswix) - Swift implementation of NumPy and OpenCV wrapper.\n* [Surge](https:\u002F\u002Fgithub.com\u002Fmattt\u002FSurge) from Mattt\n* [Upsurge](https:\u002F\u002Fgithub.com\u002Faleph7\u002FUpsurge) - generic tensors, matrices on top of Accelerate. A fork of Surge.\n* [YCMatrix](https:\u002F\u002Fgithub.com\u002Fyconst\u002FYCMatrix) - A flexible Matrix library for Objective-C and Swift (OS X \u002F iOS)\n\n### \u003Ca name=\"stat\"\u002F>Statistics, random numbers\n\n\n* [SigmaSwiftStatistics](https:\u002F\u002Fgithub.com\u002Fevgenyneu\u002FSigmaSwiftStatistics) - A collection of functions for statistical calculation written in Swift.\n* [SORandom](https:\u002F\u002Fgithub.com\u002FSebastianOsinski\u002FSORandom) - Collection of functions for generating psuedorandom variables from various distributions\n* [RandKit](https:\u002F\u002Fgithub.com\u002Faidangomez\u002FRandKit) - Swift framework for random numbers & distributions.\n\n\n### \u003Ca name=\"mo\"\u002F>Mathematical optimization\n\n\n* [fmincg-c](https:\u002F\u002Fgithub.com\u002Fgautambhatrcb\u002Ffmincg-c) - Conjugate gradient implementation in C\n* [libLBFGS](https:\u002F\u002Fgithub.com\u002Fchokkan\u002Fliblbfgs) - a C library of Limited-memory Broyden-Fletcher-Goldfarb-Shanno (L-BFGS)\n* [SwiftOptimizer](https:\u002F\u002Fgithub.com\u002Fhaginile\u002FSwiftOptimizer) - QuantLib Swift port.\n\n### \u003Ca name=\"fe\"\u002F>Feature extraction\n\n\n* [IntuneFeatures](https:\u002F\u002Fgithub.com\u002Fventuremedia\u002Fintune-features) framework contains code to generate features from audio files and feature labels from the respective MIDI files.\n* [matchbox](https:\u002F\u002Fgithub.com\u002Fhfink\u002Fmatchbox) - Mel-Frequency-Cepstral-Coefficients and Dynamic-Time-Warping for iOS\u002FOSX. **Warning: the library was updated last time when iOS 4 was still hot.**\n* [LibXtract](https:\u002F\u002Fgithub.com\u002Fjamiebullock\u002FLibXtract) is a simple, portable, lightweight library of audio feature extraction functions.\n\n### \u003Ca name=\"dv\"\u002F>Data Visualization\n\n\n* [Charts](https:\u002F\u002Fgithub.com\u002Fdanielgindi\u002FCharts) - The Swift port of the MPAndroidChart.\n* [iOS-Charts](https:\u002F\u002Fgithub.com\u002Fdanielgindi\u002Fios-charts)\n* [Core Plot](https:\u002F\u002Fgithub.com\u002Fcore-plot\u002Fcore-plot)\n* [Awesome iOS charts](https:\u002F\u002Fgithub.com\u002Fsxyx2008\u002Fawesome-ios-chart)\n* [JTChartView](https:\u002F\u002Fgithub.com\u002Fkubatru\u002FJTChartView)\n* [VTK](http:\u002F\u002Fwww.vtk.org\u002Fgallery\u002F)\n    * [VTK in action](http:\u002F\u002Fwww.vtk.org\u002Fvtk-in-action\u002F)\n* [D3.js iOS binding](https:\u002F\u002Fgithub.com\u002Flee-leonardo\u002FiOS-D3) \n\n### \u003Ca name=\"bio\"\u002F>Bioinformatics (kinda)\n\n\n* [BioJS](http:\u002F\u002Fbiojs.net\u002F) - a set of tools for bioinformatics in the browser. BioJS builds a infrastructure, guidelines and tools to avoid the reinvention of the wheel in life sciences. Community builds modules than can be reused by anyone.\n* [BioCocoa](http:\u002F\u002Fwww.bioinformatics.org\u002Fbiococoa\u002Fwiki\u002Fpmwiki.php) - BioCocoa is an open source OpenStep (GNUstep\u002FCocoa) framework for bioinformatics written in Objective-C. [Dead project].\n* [iBio](https:\u002F\u002Fgithub.com\u002FLizhen0909\u002FiBio) - A Bioinformatics App for iPhone.\n\n### \u003Ca name=\"bd\"\u002F>Big Data (not really)\n\n\n* [HDF5Kit](https:\u002F\u002Fgithub.com\u002Faleph7\u002FHDF5Kit) - This is a Swift wrapper for the HDF5 file format. HDF5 is used in the scientific comunity for managing large volumes of data. The objective is to make it easy to read and write HDF5 files from Swift, including playgrounds.\n\n### \u003Ca name=\"ip\"\u002F>IPython + Swift\n\n\n* [iSwift](https:\u002F\u002Fgithub.com\u002FKelvinJin\u002FiSwift) - Swift kernel for IPython notebook.\n\n# \u003Ca name=\"blogs\"\u002F>iOS ML Blogs\n\n\n### Regular mobile ML\n\n* **[The \"Machine, think!\" blog](http:\u002F\u002Fmachinethink.net\u002Fblog\u002F) by Matthijs Hollemans**\n    * [The “hello world” of neural networks](http:\u002F\u002Fmatthijshollemans.com\u002F2016\u002F08\u002F24\u002Fneural-network-hello-world\u002F) - Swift and BNNS\n    * [Convolutional neural networks on the iPhone with VGGNet](http:\u002F\u002Fmatthijshollemans.com\u002F2016\u002F08\u002F30\u002Fvggnet-convolutional-neural-network-iphone\u002F)\n* **[Pete Warden's blog](https:\u002F\u002Fpetewarden.com\u002F)**\n    * [How to Quantize Neural Networks with TensorFlow](https:\u002F\u002Fpetewarden.com\u002F2016\u002F05\u002F03\u002Fhow-to-quantize-neural-networks-with-tensorflow\u002F)\n\n### Accidental mobile ML\n\n* **[Google research blog](https:\u002F\u002Fresearch.googleblog.com)**\n* **[Apple Machine Learning Journal](https:\u002F\u002Fmachinelearning.apple.com\u002F)**\n* **[Invasive Code](https:\u002F\u002Fwww.invasivecode.com\u002Fweblog\u002F) blog**\n    * [Machine Learning for iOS](https:\u002F\u002Fwww.invasivecode.com\u002Fweblog\u002Fmachine-learning-swift-ios\u002F)\n    * [Convolutional Neural Networks in iOS 10 and macOS](https:\u002F\u002Fwww.invasivecode.com\u002Fweblog\u002Fconvolutional-neural-networks-ios-10-macos-sierra\u002F)\n* **Big Nerd Ranch** - [Use TensorFlow and BNNS to Add Machine Learning to your Mac or iOS App](https:\u002F\u002Fwww.bignerdranch.com\u002Fblog\u002Fuse-tensorflow-and-bnns-to-add-machine-learning-to-your-mac-or-ios-app\u002F)\n\n### Other\n\n* [Intelligence in Mobile Applications](https:\u002F\u002Fmedium.com\u002F@sadmansamee\u002Fintelligence-in-mobile-applications-ca3be3c0e773#.lgk2gt6ik)\n* [An exclusive inside look at how artificial intelligence and machine learning work at Apple](https:\u002F\u002Fbackchannel.com\u002Fan-exclusive-look-at-how-ai-and-machine-learning-work-at-apple-8dbfb131932b)\n* [Presentation on squeezing DNNs for mobile](https:\u002F\u002Fwww.slideshare.net\u002Fmobile\u002Fanirudhkoul\u002Fsqueezing-deep-learning-into-mobile-phones)\n* [Curated list of papers on deep learning models compression and acceleration](https:\u002F\u002Fhandong1587.github.io\u002Fdeep_learning\u002F2015\u002F10\u002F09\u002Facceleration-model-compression.html)\n\n# \u003Ca name=\"gpublogs\"\u002F>GPU Computing Blogs\n\n\n* [OpenCL for iOS](https:\u002F\u002Fgithub.com\u002Flinusyang\u002Fopencl-test-ios) - just a test.\n* Exploring GPGPU on iOS. \n    * [Article](http:\u002F\u002Fciechanowski.me\u002Fblog\u002F2014\u002F01\u002F05\u002Fexploring_gpgpu_on_ios\u002F) \n    * [Code](https:\u002F\u002Fgithub.com\u002FCiechan\u002FExploring-GPGPU-on-iOS)\n\n* GPU-accelerated video processing for Mac and iOS. [Article](http:\u002F\u002Fwww.sunsetlakesoftware.com\u002F2010\u002F10\u002F22\u002Fgpu-accelerated-video-processing-mac-and-ios0).\n\n* [Concurrency and OpenGL ES](https:\u002F\u002Fdeveloper.apple.com\u002Flibrary\u002Fios\u002Fdocumentation\u002F3ddrawing\u002Fconceptual\u002Fopengles_programmingguide\u002FConcurrencyandOpenGLES\u002FConcurrencyandOpenGLES.html) - Apple programming guide.\n\n* [OpenCV on iOS GPU usage](http:\u002F\u002Fstackoverflow.com\u002Fquestions\u002F10704916\u002Fopencv-on-ios-gpu-usage) - SO discussion.\n\n### Metal\n\n* Simon's Gladman \\(aka flexmonkey\\) [blog](http:\u002F\u002Fflexmonkey.blogspot.com\u002F)\n    * [Talk on iOS GPU programming](https:\u002F\u002Frealm.io\u002Fnews\u002Faltconf-simon-gladman-ios-gpu-programming-with-swift-metal\u002F) with Swift and Metal at Realm Altconf.\n    * [The Supercomputer In Your Pocket:\nMetal & Swift](https:\u002F\u002Frealm.io\u002Fnews\u002Fswift-summit-simon-gladman-metal\u002F) - a video from the Swift Summit Conference 2015\n    * https:\u002F\u002Fgithub.com\u002FFlexMonkey\u002FMetalReactionDiffusion\n    * https:\u002F\u002Fgithub.com\u002FFlexMonkey\u002FParticleLab\n* [Memkite blog](http:\u002F\u002Fmemkite.com\u002F) - startup intended to create deep learning library for iOS.\n    * [Swift and Metal example for General Purpose GPU Processing on Apple TVOS 9.0](https:\u002F\u002Fgithub.com\u002Fmemkite\u002FMetalForTVOS)\n    * [Data Parallel Processing with Swift and Metal on GPU for iOS8](https:\u002F\u002Fgithub.com\u002Fmemkite\u002FSwiftMetalGPUParallelProcessing)\n    * [Example of Sharing Memory between GPU and CPU with Swift and Metal for iOS8](http:\u002F\u002Fmemkite.com\u002Fblog\u002F2014\u002F12\u002F30\u002Fexample-of-sharing-memory-between-gpu-and-cpu-with-swift-and-metal-for-ios8\u002F)\n* [Metal by Example blog](http:\u002F\u002Fmetalbyexample.com\u002F)\n* [objc-io article on Metal](https:\u002F\u002Fwww.objc.io\u002Fissues\u002F18-games\u002Fmetal\u002F)\n\n# \u003Ca name=\"books\"\u002F>Mobile ML Books\n\n* \u003Cb>Building Mobile Applications with TensorFlow\u003C\u002Fb> by Pete Warden. [Book page](http:\u002F\u002Fwww.oreilly.com\u002Fdata\u002Ffree\u002Fbuilding-mobile-applications-with-tensorflow.csp). \u003Cb>[Free download](http:\u002F\u002Fwww.oreilly.com\u002Fdata\u002Ffree\u002Fbuilding-mobile-applications-with-tensorflow.csp?download=true)\u003C\u002Fb>\n\n# \u003Ca name=\"learn\"\u002F>Learn Machine Learning\n\n\u003Ci>Please note that in this section, I'm not trying to collect another list of ALL machine learning study resources, but only composing a list of things that I found useful.\u003C\u002Fi>\n\n* \u003Cb>[Academic Torrents](http:\u002F\u002Facademictorrents.com\u002Fbrowse.php?cat=7)\u003C\u002Fb>. Sometimes awesome courses or datasets got deleted from their sites. But this doesn't mean, that they are lost.\n* [Arxiv Sanity Preserver](http:\u002F\u002Fwww.arxiv-sanity.com\u002F) - a tool to keep pace with the ML research progress.\n\n## Free Books\n\n* Immersive Linear Algebra [interactive book](http:\u002F\u002Fimmersivemath.com\u002Fila\u002Findex.html) by J. Ström, K. Åström, and T. Akenine-Möller.\n* [\"Natural Language Processing with Python\"](http:\u002F\u002Fwww.nltk.org\u002Fbook\u002F) - free online book.\n* [Probabilistic Programming & Bayesian Methods for Hackers](http:\u002F\u002Fcamdavidsonpilon.github.io\u002FProbabilistic-Programming-and-Bayesian-Methods-for-Hackers\u002F) - An intro to Bayesian methods and probabilistic programming from a computation\u002Funderstanding-first, mathematics-second point of view. \n* [\"Deep learning\"](http:\u002F\u002Fwww.deeplearningbook.org\u002F) - the book by Ian Goodfellow and Yoshua Bengio and Aaron Courville\n\n## Free Courses\n\n* [Original Machine Learning Coursera course](https:\u002F\u002Fwww.coursera.org\u002Flearn\u002Fmachine-learning\u002Fhome\u002Finfo) by Andrew Ng.\n* [Machine learning playlist on Youtube](https:\u002F\u002Fwww.youtube.com\u002Fplaylist?list=PLD0F06AA0D2E8FFBA).\n* Free online interactive book [\"Neural Networks and Deep Learning\"](http:\u002F\u002Fneuralnetworksanddeeplearning.com\u002F).\n* [Heterogeneous Parallel Programming](https:\u002F\u002Fwww.coursera.org\u002Fcourse\u002Fhetero) course.\n* [Deep Learning for Perception](https:\u002F\u002Fcomputing.ece.vt.edu\u002F~f15ece6504\u002F) by Virginia Tech, Electrical and Computer Engineering, Fall 2015: ECE 6504\n* [CAP 5415 - Computer Vision](http:\u002F\u002Fcrcv.ucf.edu\u002Fcourses\u002FCAP5415\u002FFall2014\u002Findex.php) by UCF\n* [CS224d: Deep Learning for Natural Language Processing](http:\u002F\u002Fcs224d.stanford.edu\u002Fsyllabus.html) by Stanford\n* [Machine Learning: 2014-2015 Course materials](https:\u002F\u002Fwww.cs.ox.ac.uk\u002Fpeople\u002Fnando.defreitas\u002Fmachinelearning\u002F) by Oxford\n* [Stanford CS class CS231n: Convolutional Neural Networks for Visual Recognition.](http:\u002F\u002Fcs231n.stanford.edu\u002F)\n* [Deep Learning for Natural Language Processing \\(without Magic\\)](http:\u002F\u002Fnlp.stanford.edu\u002Fcourses\u002FNAACL2013\u002F)\n* [Videos](http:\u002F\u002Fvideolectures.net\u002Fdeeplearning2015_montreal\u002F) from Deep Learning Summer School, Montreal 2015.\n* [Deep Learning Summer School, Montreal 2016](http:\u002F\u002Fvideolectures.net\u002Fdeeplearning2016_montreal\u002F)\n\n\n# \u003Ca name=\"lists\"\u002F>Other Lists\n\n\n* [Awesome Machine Learning](https:\u002F\u002Fgithub.com\u002Fjosephmisiti\u002Fawesome-machine-learning)\n* [Machine Learning Courses](https:\u002F\u002Fgithub.com\u002Fprakhar1989\u002Fawesome-courses#machine-learning)\n* [Awesome Data Science](https:\u002F\u002Fgithub.com\u002Fokulbilisim\u002Fawesome-datascience)\n* [Awesome Computer Vision](https:\u002F\u002Fgithub.com\u002Fjbhuang0604\u002Fawesome-computer-vision)\n* [Speech and language processing](https:\u002F\u002Fgithub.com\u002Fedobashira\u002Fspeech-language-processing)\n* [The Rise of Chat Bots:](https:\u002F\u002Fstanfy.com\u002Fblog\u002Fthe-rise-of-chat-bots-useful-links-articles-libraries-and-platforms\u002F)  Useful Links, Articles, Libraries and Platforms by Pavlo Bashmakov.\n* [Awesome Machine Learning for Cyber Security](https:\u002F\u002Fgithub.com\u002Fjivoi\u002Fawesome-ml-for-cybersecurity)\n\n","# iOS 机器学习\n\n**最后更新：2018年1月12日。**\n\n为 iOS 开发者整理的资源列表，涵盖以下主题：\n\n- [Core ML](#coreml)\n- [机器学习库](#gpmll)\n- [深度学习库](#dll)\n    - [深度学习：模型压缩](#dlmc)\n- [计算机视觉](#cv)\n- [自然语言处理](#nlp)\n- [语音合成 (TTS) 和语音识别 (STT)](#tts)\n- [文本识别 (OCR)](#ocr)\n- [其他人工智能](#ai)\n- [机器学习 Web API](#web)\n- [开源机器学习应用](#mlapps)\n- [游戏 AI](#gameai)\n- 其他相关领域\n    - [线性代数](#la)\n    - [统计与随机数](#stat)\n    - [数学优化](#mo)\n    - [特征提取](#fe)\n    - [数据可视化](#dv)\n    - [生物信息学（某种程度上）](#bio)\n    - [大数据（其实不算）](#bd)\n- [iOS 机器学习博客](#blogs)\n- [移动机器学习书籍](#books)\n- [GPU 计算博客](#gpublogs)\n- [学习机器学习](#learn)\n- [其他列表](#lists)\n\n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\u002FJava\u002FR\u002FMatlab），因此为你的 iOS 应用找到合适的技术可能会颇具挑战。\n\n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。\n\n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。\n\n祝您玩得开心！\n\n**欢迎在此处提交 Pull 请求 [here](https:\u002F\u002Fgithub.com\u002Falexsosn\u002FiOS_ML)**。\n\n# \u003Ca name=\"coreml\"\u002F>Core ML\n\n* [coremltools](https:\u002F\u002Fpypi.python.org\u002Fpypi\u002Fcoremltools) 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。\n* [Core ML](https:\u002F\u002Fdeveloper.apple.com\u002Fdocumentation\u002Fcoreml) 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。\n\n目前，通过 [coremltools Python 包](https:\u002F\u002Fapple.github.io\u002Fcoremltools\u002F)，CoreML 可以（部分地）兼容以下机器学习框架：\n\n- [Caffe](http:\u002F\u002Fcaffe.berkeleyvision.org)\n- [Keras](https:\u002F\u002Fkeras.io\u002F)\n- [libSVM](https:\u002F\u002Fwww.csie.ntu.edu.tw\u002F~cjlin\u002Flibsvm\u002F)\n- [scikit-learn](http:\u002F\u002Fscikit-learn.org\u002F)\n- [XGBoost](https:\u002F\u002Fxgboost.readthedocs.io\u002Fen\u002Flatest\u002F)\n\n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](https:\u002F\u002Fapple.github.io\u002Fcoremltools\u002Fcoremlspecification\u002F)：\n\n- [Turicreate](https:\u002F\u002Fgithub.com\u002Fapple\u002Fturicreate)\n- [TensorFlow](https:\u002F\u002Fgithub.com\u002Ftf-coreml\u002Ftf-coreml)\n- [MXNet](https:\u002F\u002Fgithub.com\u002Fapache\u002Fincubator-mxnet\u002Ftree\u002Fmaster\u002Ftools\u002Fcoreml)\n- [Torch7](https:\u002F\u002Fgithub.com\u002Fprisma-ai\u002Ftorch2coreml)\n- [CatBoost](https:\u002F\u002Ftech.yandex.com\u002Fcatboost\u002Fdoc\u002Fdg\u002Ffeatures\u002Fexport-model-to-core-ml-docpage\u002F)\n\n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\\]](https:\u002F\u002Fgithub.com\u002FSwiftBrain\u002Fawesome-CoreML-models)、[\\[2\\]](https:\u002F\u002Fgithub.com\u002Fcocoa-ai\u002FModelZoo)、[\\[3\\]](https:\u002F\u002Fgithub.com\u002Flikedan\u002FAwesome-CoreML-Models)。\n\nCore 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](https:\u002F\u002Fgithub.com\u002Fzedge\u002FDynamicCoreML)，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。\n\n# \u003Ca name=\"gpmll\"\u002F>通用机器学习库\n\u003Cp>\u003C\u002Fp>\n\u003Ctable rules=\"groups\">\n\u003Cthead> \n  \u003Ctr>\n    \u003Cth style=\"text-align: center\">库\u003C\u002Fth>\n    \u003Cth style=\"text-align: center\">算法\u003C\u002Fth> \n    \u003Cth style=\"text-align: center\">语言\u003C\u002Fth> \n    \u003Cth style=\"text-align: center\">许可证\u003C\u002Fth>\n    \u003Cth style=\"text-align: center\">代码\u003C\u002Fth>\n    \u003Cth style=\"text-align: center\">依赖管理器\u003C\u002Fth>\n  \u003C\u002Ftr>\n\u003C\u002Fthead> \n    \u003Ctr>\n    \u003Ctd style=\"text-align: center\">\u003Ca href=\"https:\u002F\u002Fgithub.com\u002FKevinCoble\u002FAIToolbox\">AIToolbox\u003C\u002Fa>\u003C\u002Ftd>\n    \u003Ctd>\n\u003Cul>\n\u003Cli>图\u002F树\u003C\u002Fli>\n\u003Cul>\n    \u003Cli>深度优先搜索\u003C\u002Fli>\n    \u003Cli>广度优先搜索\u003C\u002Fli>\n    \u003Cli>爬山搜索\u003C\u002Fli>\n    \u003Cli>束搜索\u003C\u002Fli>\n    \u003Cli>最优路径搜索\u003C\u002Fli>\n\u003C\u002Ful>\n\u003Cli>Alpha-Beta（博弈树）\u003C\u002Fli>\n\u003Cli>遗传算法\u003C\u002Fli>\n\u003Cli>约束传播\u003C\u002Fli>\n\u003Cli>线性回归\u003C\u002Fli>\n\u003Cli>非线性回归\u003C\u002Fli>\n\u003Cul>\n    \u003Cli>参数-增量法\u003C\u002Fli>\n    \u003Cli>梯度下降法\u003C\u002Fli>\n    \u003Cli>高斯-牛顿法\u003C\u002Fli>\n\u003C\u002Ful>\n\u003Cli>逻辑回归\u003C\u002Fli>\n\u003Cli>神经网络\u003C\u002Fli>\n\u003Cul>\n    \u003Cli>多层结构，支持多种非线性模型\u003C\u002Fli>\n    \u003Cli>支持在线和批量训练\u003C\u002Fli>\n    \u003Cli>可混合使用前馈层和简单循环层\u003C\u002Fli>\n    \u003Cli>已实现LSTM网络层，但还需进一步测试\u003C\u002Fli>\n    \u003Cli>梯度检查工具\u003C\u002Fli>\n\u003C\u002Ful>\n\u003Cli>支持向量机\u003C\u002Fli>\n\u003Cli>K均值聚类\u003C\u002Fli>\n\u003Cli>主成分分析\u003C\u002Fli>\n\u003Cli>马尔可夫决策过程\u003C\u002Fli>\n\u003Cul>\n    \u003Cli>蒙特卡洛方法（每次访问和首次访问）\u003C\u002Fli>\n    \u003Cli>SARSA\u003C\u002Fli>\n\u003C\u002Ful>\n\u003Cli>单变量和多变量高斯分布\u003C\u002Fli>\n\u003Cli>高斯混合模型\u003C\u002Fli>\n\u003Cli>模型验证\u003C\u002Fli>\n\u003Cli>深度网络\u003C\u002Fli>\n\u003Cul>\n    \u003Cli>卷积层\u003C\u002Fli>\n    \u003Cli>池化层\u003C\u002Fli>\n    \u003Cli>全连接神经网络层\u003C\u002Fli>\n\u003C\u002Ful>\n\u003C\u002Ful>\n\u003C\u002Ftd> \n    \u003Ctd>Swift\u003C\u002Ftd> \n    \u003Ctd>Apache 2.0\u003C\u002Ftd>\n    \u003Ctd>\u003Cp>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002FKevinCoble\u002FAIToolbox\">GitHub\u003C\u002Fa>\u003C\u002Fp>\u003C\u002Ftd>\n    \u003Ctd> \u003C\u002Ftd>\n  \u003C\u002Ftr>\n  \u003Ctr>\n    \u003Ctd style=\"text-align: center\">\n        \u003Ca href=\"http:\u002F\u002Fdlib.net\u002F\">\n            \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Falexsosn_iOS_ML_readme_13513d2b8277.png\" width=\"100\" >\n        \u003Cbr>dlib\u003C\u002Fa>\n    \u003C\u002Ftd>\n        \u003Ctd>\n            \u003Cul>\n            \u003Cli>深度学习\u003C\u002Fli>\n            \u003Cli>支持向量机\u003C\u002Fli>\n            \u003Cli>大规模分类与回归的降秩方法\u003C\u002Fli>\n            \u003Cli>用于分类和回归的相关向量机\u003C\u002Fli>\n            \u003Cli>多类SVM\u003C\u002Fli>\n            \u003Cli>结构化SVM\u003C\u002Fli>\n            \u003Cli>大规模SVM-Rank\u003C\u002Fli>\n            \u003Cli>在线核RLS回归\u003C\u002Fli>\n            \u003Cli>在线SVM分类算法\u003C\u002Fli>\n            \u003Cli>半正定度量学习\u003C\u002Fli>\n            \u003Cli>在线核化质心估计器\u002F异常检测器以及离线支持向量单类分类\u003C\u002Fli>\n            \u003Cli>聚类算法：线性或核K均值、Chinese Whispers和Newman聚类\u003C\u002Fli>\n            \u003Cli>径向基函数网络\u003C\u002Fli>\n            \u003Cli>多层感知机\u003C\u002Fli>\n            \u003C\u002Ful>\n    \u003C\u002Ftd> \n    \u003Ctd>C++\u003C\u002Ftd> \n    \u003Ctd>Boost\u003C\u002Ftd>\n    \u003Ctd>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fdavisking\u002Fdlib\">GitHub\u003C\u002Fa>\u003C\u002Ftd>\n    \u003Ctd>\u003C\u002Ftd>\n  \u003C\u002Ftr>\n  \u003Ctr>\n    \u003Ctd style=\"text-align: center\">\u003Ca href=\"http:\u002F\u002Fleenissen.dk\u002Ffann\u002Fwp\u002F\">FANN\u003C\u002Fa>\u003C\u002Ftd>\n    \u003Ctd>\n        \u003Cul>\n\u003Cli>多层人工神经网络\u003C\u002Fli>\n\u003Cli>反向传播（RPROP、Quickprop、批量、增量）\u003C\u002Fli>\n\u003Cli>进化拓扑训练\u003C\u002Fli>\n\u003C\u002Ful>\n\u003C\u002Ftd> \n    \u003Ctd>C++\u003C\u002Ftd> \n    \u003Ctd>GNU LGPL 2.1\u003C\u002Ftd>\n    \u003Ctd>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Flibfann\u002Ffann\">GitHub\u003C\u002Fa>\u003C\u002Ftd>\n    \u003Ctd>\u003Ca href=\"https:\u002F\u002Fcocoapods.org\u002Fpods\u002FFANN\">Cocoa Pods\u003C\u002Fa>\u003C\u002Ftd>\n  \u003C\u002Ftr>\n  \u003Ctr>\n    \u003Ctd style=\"text-align: center\">\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Flemire\u002Flbimproved\">lbimproved\u003C\u002Fa>\u003C\u002Ftd>\n    \u003Ctd>k近邻和动态时间规整\u003C\u002Ftd> \n    \u003Ctd>C++\u003C\u002Ftd> \n    \u003Ctd>Apache 2.0\u003C\u002Ftd>\n    \u003Ctd>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Flemire\u002Flbimproved\">GitHub\u003C\u002Fa> \u003C\u002Ftd>\n    \u003Ctd> \u003C\u002Ftd>\n  \u003C\u002Ftr>\n    \u003Ctr>\n    \u003Ctd style=\"text-align: center\">\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fgianlucabertani\u002FMAChineLearning\">MAChineLearning\u003C\u002Fa>\u003C\u002Ftd>\n    \u003Ctd>\n    \u003Cul>\n    \u003Cli>神经网络\u003C\u002Fli>\n    \u003Cul>\n    \u003Cli>激活函数：线性、ReLU、阶跃、sigmoid、TanH\u003C\u002Fli>\n    \u003Cli>损失函数：平方误差、交叉熵\u003C\u002Fli>\n    \u003Cli>反向传播：标准法、弹性反向传播（RPROP）\u003C\u002Fli>\n    \u003Cli>支持按样本或按批次训练\u003C\u002Fli>\n    \u003C\u002Ful>\n    \u003Cli>词袋模型\u003C\u002Fli>\n    \u003Cli>词向量\u003C\u002Fli>\n\u003C\u002Ful>\n    \u003C\u002Ftd> \n    \u003Ctd>Objective-C\u003C\u002Ftd> \n    \u003Ctd>BSD 3条款\u003C\u002Ftd>\n    \u003Ctd>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fgianlucabertani\u002FMAChineLearning\">GitHub\u003C\u002Fa> \u003C\u002Ftd>\n    \u003Ctd> \u003C\u002Ftd>\n  \u003C\u002Ftr>\n  \u003Ctr>\n    \u003Ctd style=\"text-align: center\">\u003Ca href=\"https:\u002F\u002Fgithub.com\u002FSomnibyte\u002FMLKit\">\u003Cimg width=\"100\" src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Falexsosn_iOS_ML_readme_47b75c8fddf4.png\">\u003Cbr>MLKit\u003C\u002Fa>\u003C\u002Ftd>\n    \u003Ctd> \n    \u003Cul>\n    \u003Cli>线性回归：简单、岭回归、多项式回归\u003C\u002Fli>\n    \u003Cli>多层感知机及Adaline ANN架构\u003C\u002Fli>\n    \u003Cli>K均值聚类\u003C\u002Fli>\n    \u003Cli>遗传算法\u003C\u002Fli>\n    \u003C\u002Ful>\n\u003C\u002Ftd> \n    \u003Ctd>Swift\u003C\u002Ftd>\n    \u003Ctd>MIT\u003C\u002Ftd>\n    \u003Ctd>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002FSomnibyte\u002FMLKit\">GitHub\u003C\u002Fa>\u003C\u002Ftd>\n    \u003Ctd>\u003Ca href=\"https:\u002F\u002Fcocoapods.org\u002Fpods\u002FMachineLearningKit\">Cocoa Pods\u003C\u002Fa>\u003C\u002Ftd>\n  \u003C\u002Ftr>\n  \u003Ctr>\n    \u003Ctd style=\"text-align: center\">\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fsaniul\u002FMendel\">\u003Cimg width=\"100\" src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Falexsosn_iOS_ML_readme_dddba987958b.png\">\u003Cbr>Mendel\u003C\u002Fa>\u003C\u002Ftd>\n    \u003Ctd>进化\u002F遗传算法\u003C\u002Ftd> \n    \u003Ctd>Swift\u003C\u002Ftd> \n    \u003Ctd>?\u003C\u002Ftd>\n    \u003Ctd>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fsaniul\u002FMendel\">GitHub\u003C\u002Fa>\u003C\u002Ftd>\n    \u003Ctd>\u003C\u002Ftd>\n  \u003C\u002Ftr>\n  \u003Ctr>\n    \u003Ctd style=\"text-align: center\">\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fvincentherrmann\u002Fmultilinear-math\">multilinear-math\u003C\u002Fa>\u003C\u002Ftd>\n    \u003Ctd>\n        \u003Cul>\n    \u003Cli>线性代数和张量\u003C\u002Fli>\n    \u003Cli>主成分分析\u003C\u002Fli>\n    \u003Cli>用于降维的多线性子空间学习算法\u003C\u002Fli>\n    \u003Cli>线性和逻辑回归\u003C\u002Fli>\n    \u003Cli>随机梯度下降\u003C\u002Fli>\n    \u003Cli>前馈神经网络\u003C\u002Fli>\n    \u003Cul>\n    \u003Cli>Sigmoid\u003C\u002Fli>\n    \u003Cli>ReLU\u003C\u002Fli>\n    \u003Cli>Softplus激活函数\u003C\u002Fli>\n    \u003C\u002Ful>\n    \u003C\u002Ful>\n    \u003C\u002Ftd> \n    \u003Ctd>Swift\u003C\u002Ftd> \n    \u003Ctd>Apache 2.0\u003C\u002Ftd>\n    \u003Ctd>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fvincentherrmann\u002Fmultilinear-math\">GitHub\u003C\u002Fa> \u003C\u002Ftd>\n    \u003Ctd>Swift Package Manager\u003C\u002Ftd>\n  \u003C\u002Ftr>\n  \u003Ctr>\n    \u003Ctd style=\"text-align: center\">\u003Ca href=\"http:\u002F\u002Fopencv.org\u002F\">\u003Cimg width=\"100\" src=\"http:\u002F\u002Fopencv.org\u002Fassets\u002Ftheme\u002Flogo.png\">OpenCV\u003C\u002Fa>\u003C\u002Ftd>\n    \u003Ctd>\n    \u003Cul>\n    \u003Cli>多层感知机\u003C\u002Fli> \n    \u003Cli>提升树分类器\u003C\u002Fli> \n    \u003Cli>决策树\u003C\u002Fli> \n    \u003Cli>期望最大化算法\u003C\u002Fli> \n    \u003Cli>k近邻\u003C\u002Fli> \n    \u003Cli>逻辑回归\u003C\u002Fli> \n    \u003Cli>贝叶斯分类器\u003C\u002Fli> \n    \u003Cli>随机森林\u003C\u002Fli> \n    \u003Cli>支持向量机\u003C\u002Fli>  \n    \u003Cli>随机梯度下降SVM分类器\u003C\u002Fli> \n    \u003Cli>网格搜索\u003C\u002Fli> \n    \u003Cli>层次化K均值\u003C\u002Fli> \n    \u003Cli>深度神经网络\u003C\u002Fli>\n    \u003C\u002Ful>\n    \u003C\u002Ftd> \n    \u003Ctd>C++\u003C\u002Ftd> \n    \u003Ctd>3条款BSD\u003C\u002Ftd>\n    \u003Ctd>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fopencv\">GitHub\u003C\u002Fa> \u003C\u002Ftd>\n    \u003Ctd> \u003Ca href=\"https:\u002F\u002Fcocoapods.org\u002Fpods\u002FOpenCV\">Cocoa Pods\u003C\u002Fa>\u003C\u002Ftd>\n  \u003C\u002Ftr>\n  \u003Ctr>\n    \u003Ctd style=\"text-align: center\">\u003Ca href=\"http:\u002F\u002Fimage.diku.dk\u002Fshark\u002Fsphinx_pages\u002Fbuild\u002Fhtml\u002Findex.html\">\u003Cimg width=\"100\" src=\"http:\u002F\u002Fimage.diku.dk\u002Fshark\u002Fsphinx_pages\u002Fbuild\u002Fhtml\u002F_static\u002FSharkLogo.png\">\u003Cbr>Shark\u003C\u002Fa>\u003C\u002Ftd>\n    \u003Ctd>\n    \u003Cul>\n    \u003Cli>\u003Cb>监督学习：\u003C\u002Fb> \u003C\u002Fli>\n    \u003Cul>\n    \u003Cli>线性判别分析（LDA）\u003C\u002Fli>\n    \u003Cli>Fisher–LDA\u003C\u002Fli>\n    \u003Cli>线性回归\u003C\u002Fli>\n    \u003Cli>SVMs\u003C\u002Fli>\n    \u003Cli>FF NN\u003C\u002Fli>\n    \u003Cli>RNN\u003C\u002Fli>\n    \u003Cli>径向基函数网络\u003C\u002Fli>\n    \u003Cli>正则化网络\u003C\u002Fli>\n    \u003Cli>用于回归的高斯过程\u003C\u002Fli>\n    \u003Cli>迭代最近邻分类和回归\u003C\u002Fli>\n    \u003Cli>决策树\u003C\u002Fli>\n    \u003Cli>随机森林\u003C\u002Fli>\n    \u003C\u002Ful>\n    \u003Cli>\u003Cb>无监督学习：\u003C\u002Fb> \u003C\u002Fli>\n    \u003Cul>\n    \u003Cli>PCA\u003C\u002Fli>\n    \u003Cli>受限玻尔兹曼机\u003C\u002Fli>\n    \u003Cli>层次聚类\u003C\u002Fli>\n    \u003Cli>用于高效距离聚类的数据结构\u003C\u002Fli>\n\u003C\u002Ful>\n    \u003Cli>\u003Cb>优化：\u003C\u002Fb> \u003C\u002Fli>\n    \u003Cul>\n    \u003Cli>进化算法\u003C\u002Fli> \n    \u003Cli>单目标优化（如CMA–ES）\u003C\u002Fli>\n    \u003Cli>多目标优化\u003C\u002Fli>\n    \u003Cli>基础线性代数和优化算法\u003C\u002Fli>\n    \u003C\u002Ful> \n\u003C\u002Ful>\n    \u003C\u002Ftd> \n    \u003Ctd>C++\u003C\u002Ftd> \n    \u003Ctd>GNU LGPL\u003C\u002Ftd>\n    \u003Ctd>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Flemire\u002Flbimproved\">GitHub\u003C\u002Fa> \u003C\u002Ftd>\n    \u003Ctd>\u003Ca href=\"https:\u002F\u002Fcocoapods.org\u002Fpods\u002FShark-SDK\">Cocoa Pods\u003C\u002Fa>\u003C\u002Ftd>\n  \u003C\u002Ftr>\n  \u003Ctr>\n    \u003Ctd style=\"text-align: center\">\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fyconst\u002FYCML\">\u003Cimg width=\"100\" src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Falexsosn_iOS_ML_readme_0562023ea1fa.png\">\u003Cbr>YCML\u003C\u002Fa>\u003C\u002Ftd>\n    \u003Ctd>\n    \u003Cul>\n    \u003Cli>梯度下降反向传播\u003C\u002Fli> \n    \u003Cli>弹性反向传播（RProp）\u003C\u002Fli> \n    \u003Cli>极限学习机（ELM）\u003C\u002Fli> \n    \u003Cli>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\u003C\u002Fli>\n    \u003Cli>二值受限玻尔兹曼机（CD & PCD）\u003C\u002Fli>\n    \u003Cli>\u003Cb>优化算法\u003C\u002Fb>： \u003C\u002Fli>\n    \u003Cul>\n    \u003Cli>梯度下降（单目标、无约束）\u003C\u002Fli> \n    \u003Cli>RProp梯度下降（单目标、无约束）\u003C\u002Fli> \n    \u003Cli>NSGA-II（多目标、有约束）\u003C\u002Fli>\n    \u003C\u002Ful>\n    \u003C\u002Ful>\n    \u003C\u002Ftd> \n    \u003Ctd>Objective-C\u003C\u002Ftd> \n    \u003Ctd>GNU GPL 3.0\u003C\u002Ftd>\n    \u003Ctd>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fyconst\u002Fycml\u002F\">GitHub\u003C\u002Fa> \u003C\u002Ftd>\n    \u003Ctd> \u003C\u002Ftd>\n  \u003C\u002Ftr>\n  \u003Ctr>\n    \u003Ctd style=\"text-align: center\">\u003Ca href=\"https:\u002F\u002Fgithub.com\u002FKalvar\">\u003Cimg width=\"100\" src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Falexsosn_iOS_ML_readme_9e80b065dda2.png\">\u003Cbr>Kalvar Lin的库\u003C\u002Fa>\u003C\u002Ftd>\n    \u003Ctd>\n    \u003Cul>\n    \u003Cli>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002FKalvar\u002Fios-KRHebbian-Algorithm\">ios-KRHebbian-Algorithm\u003C\u002Fa> - \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FHebbian_theory\">赫布理论\u003C\u002Fa>\u003C\u002Fli>\n    \u003Cli>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002FKalvar\u002Fios-KRKmeans-Algorithm\">ios-KRKmeans-Algorithm\u003C\u002Fa> - \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FK-means_clustering\">K均值\u003C\u002Fa>聚类方法。\u003C\u002Fli>\n    \u003Cli>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002FKalvar\u002Fios-KRFuzzyCMeans-Algorithm\">ios-KRFuzzyCMeans-Algorithm\u003C\u002Fa> - \u003Ca href=\"https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FFuzzy_clustering\">模糊C均值\u003C\u002Fa>, 模糊聚类算法。\u003C\u002Fli>\n    \u003Cli>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002FKalvar\u002Fios-KRGreyTheory\">ios-KRGreyTheory\u003C\u002Fa> - \u003Ca href=\"http:\u002F\u002Fciteseerx.ist.psu.edu\u002Fviewdoc\u002Fdownload?doi=10.1.1.678.3477&rep=rep1&type=pdf\">灰色理论\u003C\u002Fa> \u002F \u003Ca href=\"http:\u002F\u002Fwww.mecha.ee.boun.edu.tr\u002FProf.%20Dr.%20Okyay%20Kaynak%20Publications\u002Fc%20Journal%20Papers(appearing%20in%20SCI%20or%20SCIE%20or%20CompuMath)\u002F62.pdf\">基于灰色系统理论的时间序列预测模型\u003C\u002Fa>\u003C\u002Fli>\n    \u003Cli>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002FKalvar\u002Fios-KRSVM\">ios-KRSVM\u003C\u002Fa> - 支持向量机和SMO。\u003C\u002Fli>\n    \u003Cli>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002FKalvar\u002Fios-KRKNN\">ios-KRKNN\u003C\u002Fa> - kNN实现。\u003C\u002Fli>\n    \u003Cli>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002FKalvar\u002Fios-KRRBFNN\">ios-KRRBFNN\u003C\u002Fa> - 径向基函数神经网络和OLS。\u003C\u002Fli>\n    \u003C\u002Ful> \n    \u003C\u002Ftd> \n    \u003Ctd>Objective-C\u003C\u002Ftd> \n    \u003Ctd>MIT\u003C\u002Ftd>\n    \u003Ctd>\u003Ca href=\"https:\u002F\u002Fgithub.com\u002FKalvar\">GitHub\u003C\u002Fa>\u003C\u002Ftd>\n    \u003Ctd>\u003C\u002Ftd>\n  \u003C\u002Ftr>\n\u003C\u002Ftable>\n\n**多层感知机实现：**\n\n- [Brain.js](https:\u002F\u002Fgithub.com\u002Fharthur\u002Fbrain) - JS\n- [SNNeuralNet](https:\u002F\u002Fgithub.com\u002Fdevongovett\u002FSNNeuralNet) - Brain.js 的 Objective-C 移植版\n- [MLPNeuralNet](https:\u002F\u002Fgithub.com\u002Fnikolaypavlov\u002FMLPNeuralNet) - Objective-C，利用 Accelerate 框架\n- [Swift-AI](https:\u002F\u002Fgithub.com\u002FSwift-AI\u002FSwift-AI) - Swift\n- [SwiftSimpleNeuralNetwork](https:\u002F\u002Fgithub.com\u002Fdavecom\u002FSwiftSimpleNeuralNetwork) - Swift\n- \u003Ca href=\"https:\u002F\u002Fgithub.com\u002FKalvar\u002Fios-BPN-NeuralNetwork\">ios-BPN-NeuralNetwork\u003C\u002Fa> - Objective-C\n- \u003Ca href=\"https:\u002F\u002Fgithub.com\u002FKalvar\u002Fios-Multi-Perceptron-NeuralNetwork\">ios-Multi-Perceptron-NeuralNetwork\u003C\u002Fa> - Objective-C\n- \u003Ca href=\"https:\u002F\u002Fgithub.com\u002FKalvar\u002Fios-KRDelta\">ios-KRDelta\u003C\u002Fa> - Objective-C\n- [ios-KRPerceptron](https:\u002F\u002Fgithub.com\u002FKalvar\u002Fios-KRPerceptron) - Objective-C\n\n\n\n# \u003Ca name=\"dll\"\u002F>深度学习库： \n\n### 设备端训练与推理\n\n* [Birdbrain](https:\u002F\u002Fgithub.com\u002Fjordenhill\u002FBirdbrain) - 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。\n* [BrainCore](https:\u002F\u002Fgithub.com\u002Faleph7\u002FBrainCore) - 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。\n* [Caffe](http:\u002F\u002Fcaffe.berkeleyvision.org) - 一个以简洁、可读性和速度为核心开发的深度学习框架。[GitHub](https:\u002F\u002Fgithub.com\u002FBVLC\u002Fcaffe)。[BSD 许可证]\n    * [iOS 移植版](https:\u002F\u002Fgithub.com\u002Faleph7\u002Fcaffe)\n    * [caffe-mobile](https:\u002F\u002Fgithub.com\u002Fsolrex\u002Fcaffe-mobile) - 另一个 iOS 移植版。\n    * C++ 示例：[ImageNet 分类](http:\u002F\u002Fcaffe.berkeleyvision.org\u002Fgathered\u002Fexamples\u002Fcpp_classification.html)、[特征提取](http:\u002F\u002Fcaffe.berkeleyvision.org\u002Fgathered\u002Fexamples\u002Ffeature_extraction.html)\n    * [Caffe iOS 示例](https:\u002F\u002Fgithub.com\u002Fnoradaiko\u002Fcaffe-ios-sample)\n* [Caffe2](https:\u002F\u002Fcaffe2.ai\u002F) - 一个跨平台框架，注重表达性、速度和模块化。\n    * [CocoaPod](https:\u002F\u002Fgithub.com\u002FRobertBiehl\u002Fcaffe2-ios) \n    * [iOS 演示应用](https:\u002F\u002Fgithub.com\u002FKleinYuan\u002FCaffe2-iOS)\n* [Convnet.js](http:\u002F\u002Fcs.stanford.edu\u002Fpeople\u002Fkarpathy\u002Fconvnetjs\u002F) - ConvNetJS 是由 [Andrej Karpathy](https:\u002F\u002Ftwitter.com\u002Fkarpathy) 开发的用于训练深度学习模型的 JavaScript 库。[GitHub](https:\u002F\u002Fgithub.com\u002Fkarpathy\u002Fconvnetjs)\n    * [ConvNetSwift](https:\u002F\u002Fgithub.com\u002Falexsosn\u002FConvNetSwift) - Swift 移植版 [正在进行中]。\n* [Deep Belief SDK](https:\u002F\u002Fgithub.com\u002Fjetpacapp\u002FDeepBeliefSDK) - Jetpac 的 iOS Deep Belief 图像识别框架的 SDK\n* [TensorFlow](http:\u002F\u002Fwww.tensorflow.org\u002F) - 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。\n    * [iOS 示例](https:\u002F\u002Fgithub.com\u002Ftensorflow\u002Ftensorflow\u002Ftree\u002Fmaster\u002Ftensorflow\u002Fcontrib\u002Fios_examples)\n    * [另一个示例](https:\u002F\u002Fgithub.com\u002Fhollance\u002FTensorFlow-iOS-Example)\n    * [Perfect-TensorFlow](https:\u002F\u002Fgithub.com\u002FPerfectlySoft\u002FPerfect-TensorFlow) - TensorFlow 绑定到 [Perfect](http:\u002F\u002Fperfect.org\u002F)（服务器端 Swift 框架）。仅包含 C TF API。\n* [tiny-dnn](https:\u002F\u002Fgithub.com\u002Ftiny-dnn\u002Ftiny-dnn) - 一个基于 C++11 的无依赖、仅头文件的深度学习框架。\n    * [iOS 示例](https:\u002F\u002Fgithub.com\u002Ftiny-dnn\u002Ftiny-dnn\u002Ftree\u002Fd4fff53fa0d01f59eb162de2ec32c652a1f6f467\u002Fexamples\u002Fios) \n* [Torch](http:\u002F\u002Ftorch.ch\u002F) 是一个科学计算框架，广泛支持机器学习算法。\n    * [Torch4iOS](https:\u002F\u002Fgithub.com\u002Fjhondge\u002Ftorch4ios)\n    * [Torch-iOS](https:\u002F\u002Fgithub.com\u002Fclementfarabet\u002Ftorch-ios)\n\n### 深度学习：在设备上运行预训练模型\n\n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。\n\n* [Bender](https:\u002F\u002Fgithub.com\u002Fxmartlabs\u002FBender) - 用于构建快速神经网络的框架。支持 TensorFlow 模型。底层使用 Metal。\n* [Core ML](#coreml)\n* [DeepLearningKit](http:\u002F\u002Fdeeplearningkit.org\u002F) - Memkite 开发的开源深度学习框架，适用于 Apple 的 tvOS、iOS 和 OS X。\n* [Espresso](https:\u002F\u002Fgithub.com\u002Fcodinfox\u002Fespresso) - 一个极简且高性能的并行神经网络框架，可在 iOS 上运行。\n* [Forge](https:\u002F\u002Fgithub.com\u002Fhollance\u002FForge) - 一个用于 Metal 的神经网络工具包。\n* [Keras.js](https:\u002F\u002Ftranscranial.github.io\u002Fkeras-js\u002F#\u002F) - 在网页视图中运行 [Keras](https:\u002F\u002Fkeras.io\u002F) 模型。\n* [KSJNeuralNetwork](https:\u002F\u002Fgithub.com\u002Fwoffle\u002FKSJNeuralNetwork) - 基于 BNNS 和 MPS 构建的神经网络推理库\n    * [Torch 模型转换器](https:\u002F\u002Fgithub.com\u002Fwoffle\u002Ftorch2ios)\n* [MXNet](https:\u002F\u002Fmxnet.incubator.apache.org\u002F) - MXNet 是一个为效率和灵活性而设计的深度学习框架。\n    * [将预训练的 MXNet 模型部署到智能手机](https:\u002F\u002Fmxnet.incubator.apache.org\u002Fhow_to\u002Fsmart_device.html)\n* [Quantized-CNN](https:\u002F\u002Fgithub.com\u002Fjiaxiang-wu\u002Fquantized-cnn) - 针对移动设备的压缩卷积神经网络\n* [WebDNN](https:\u002F\u002Fmil-tokyo.github.io\u002Fwebdnn\u002F) - 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。\n\n### 深度学习：低级操作库\n\n* [BNNS](https:\u002F\u002Fdeveloper.apple.com\u002Freference\u002Faccelerate\u002F1912851-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。\n    * [BNNS 使用示例](https:\u002F\u002Fgithub.com\u002Fshu223\u002FiOS-10-Sampler) 包含在 iOS 10 样本中。\n    * [一个示例](https:\u002F\u002Fgithub.com\u002Fbignerdranch\u002Fbnns-cocoa-example) 展示了用 TensorFlow 训练并通过 BNNS 执行的神经网络\n* [MetalPerformanceShaders](https:\u002F\u002Fdeveloper.apple.com\u002Freference\u002Fmetalperformanceshaders) - 苹果提供的 GPU 卷积神经网络。\n    * [MetalCNNWeights](https:\u002F\u002Fgithub.com\u002Fkakugawa\u002FMetalCNNWeights) - 一个 Python 脚本，用于将 Inception v3 转换为 MPS 格式。\n    * [MPSCNNfeeder](https:\u002F\u002Fgithub.com\u002Fkazoo-kmt\u002FMPSCNNfeeder) - Keras 到 MPS 模型的转换工具。\n* [NNPACK](https:\u002F\u002Fgithub.com\u002FMaratyszcza\u002FNNPACK) - 多核 CPU 上神经网络的加速包。Prisma [使用](http:\u002F\u002Fprisma-ai.com\u002Flibraries.html) 此库于其移动应用中。\n* [STEM](https:\u002F\u002Fgithub.com\u002Fabeschneider\u002Fstem) - 用于机器学习的 Swift 张量引擎\n    * [文档](http:\u002F\u002Fstem.readthedocs.io\u002Fen\u002Flatest\u002F) \n\n### \u003Ca name=\"dlmc\"\u002F>深度学习：模型压缩\n\n* TensorFlow 实现的 [知识蒸馏](https:\u002F\u002Fgithub.com\u002Fchengshengchan\u002Fmodel_compression) 方法\n* [MobileNet-Caffe](https:\u002F\u002Fgithub.com\u002Fshicai\u002FMobileNet-Caffe) - Google MobileNets 的 Caffe 实现\n* [keras-surgeon](https:\u002F\u002Fgithub.com\u002FBenWhetton\u002Fkeras-surgeon) - 用于修剪已训练的 Keras 模型。\n\n# \u003Ca name=\"cv\"\u002F>计算机视觉\n\n\n* [ccv](http:\u002F\u002Flibccv.org) - 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\n    * [iOS演示应用](https:\u002F\u002Fgithub.com\u002Fliuliu\u002Fklaus)\n* [OpenCV](http:\u002F\u002Fopencv.org) – 开源计算机视觉库。[BSD]\n    * [OpenCV速成课程](http:\u002F\u002Fwww.pyimagesearch.com\u002Ffree-opencv-crash-course\u002F) \n    * [OpenCVSwiftStitch](https:\u002F\u002Fgithub.com\u002Ffoundry\u002FOpenCVSwiftStitch)\n    * [教程：在iOS设备上使用和构建OpenCV计算机视觉库](http:\u002F\u002Fmaniacdev.com\u002F2011\u002F07\u002Ftutorial-using-and-building-opencv-open-computer-vision-on-ios-devices)\n    * [OpenCV iOS示例集合](https:\u002F\u002Fgithub.com\u002Fwoffle\u002FOpenCV-iOS-Demos)\n* [OpenFace](https:\u002F\u002Fgithub.com\u002FTadasBaltrusaitis\u002FOpenFace) – 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。\n    * [iOS移植版](https:\u002F\u002Fgithub.com\u002FFaceAR\u002FOpenFaceIOS)\n    * [iOS演示](https:\u002F\u002Fgithub.com\u002FFaceAR\u002FOpenFaceIOS)\n* [trackingjs](http:\u002F\u002Ftrackingjs.com\u002F) – JavaScript中的目标跟踪\n* [Vision](https:\u002F\u002Fdeveloper.apple.com\u002Fdocumentation\u002Fvision) 是苹果公司提供的计算机视觉框架。\n\n# \u003Ca name=\"nlp\"\u002F>自然语言处理\n\n\n* [CoreLinguistics](https:\u002F\u002Fgithub.com\u002Frxwei\u002FCoreLinguistics) - 词性标注（HMM）、n-gram模型、朴素贝叶斯、IBM对齐模型。\n* [GloVe](https:\u002F\u002Fgithub.com\u002Frxwei\u002FGloVe-swift) Swift软件包。词向量表示。\n* [NSLinguisticTagger](http:\u002F\u002Fnshipster.com\u002Fnslinguistictagger\u002F)\n* [Parsimmon](https:\u002F\u002Fgithub.com\u002Fayanonagon\u002FParsimmon)\n* [Twitter text](https:\u002F\u002Fgithub.com\u002Ftwitter\u002Ftwitter-text-objc) - \nTwitter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。\n* [适用于Swift的Verbal Expressions](https:\u002F\u002Fgithub.com\u002FVerbalExpressions\u002FSwiftVerbalExpressions)，类似于面向人类的正则表达式。\n* [Word2Vec](https:\u002F\u002Fcode.google.com\u002Fp\u002Fword2vec\u002F) - 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。\n\n# \u003Ca name=\"tts\"\u002F>语音识别（TTS）与生成（STT）\n\n\n* [Kaldi-iOS框架](http:\u002F\u002Fkeenresearch.com\u002F) - 使用深度学习进行设备端语音识别。\n    * [概念验证应用](https:\u002F\u002Fgithub.com\u002Fkeenresearch\u002Fkaldi-ios-poc)\n* [MVSpeechSynthesizer](https:\u002F\u002Fgithub.com\u002Fvimalmurugan89\u002FMVSpeechSynthesizer)\n* [OpenEars™：适用于iPhone的免费语音识别和语音合成](http:\u002F\u002Fwww.politepix.com\u002Fopenears\u002F) - 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\u002FTTS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。\n    * [教程（俄语）](http:\u002F\u002Fhabrahabr.ru\u002Fpost\u002F237589\u002F)\n* [TLSphinx](https:\u002F\u002Fgithub.com\u002Ftryolabs\u002FTLSphinx)，[教程](http:\u002F\u002Fblog.tryolabs.com\u002F2015\u002F06\u002F15\u002Ftlsphinx-automatic-speech-recognition-asr-in-swift\u002F)\n\n# \u003Ca name=\"ocr\"\u002F>文本识别（OCR）\n\n\n* [ocrad.js](https:\u002F\u002Fgithub.com\u002Fantimatter15\u002Focrad.js) - JS OCR\n* **Tesseract**\n    * [在iOS上安装和使用Tesseract](http:\u002F\u002Flois.di-qual.net\u002Fblog\u002Finstall-and-use-tesseract-on-ios-with-tesseract-ios\u002F)\n    * [tesseract-ios-lib](https:\u002F\u002Fgithub.com\u002Fldiqual\u002Ftesseract-ios-lib)\n    * [tesseract-ios](https:\u002F\u002Fgithub.com\u002Fldiqual\u002Ftesseract-ios)\n    * [Tesseract-OCR-iOS](https:\u002F\u002Fgithub.com\u002Fgali8\u002FTesseract-OCR-iOS)\n    * [OCR-iOS示例](https:\u002F\u002Fgithub.com\u002Frobmathews\u002FOCR-iOS-Example)\n\n# \u003Ca name=\"ai\"\u002F>其他人工智能\n\n\n* [Axiomatic](https:\u002F\u002Fgithub.com\u002FJadenGeller\u002FAxiomatic) - Swift统一框架，用于逻辑编程。\n* [用Swift构建你自己的Lisp](https:\u002F\u002Fgithub.com\u002Fhollance\u002FBuildYourOwnLispInSwift)\n* [Logician](https:\u002F\u002Fgithub.com\u002Fmdiep\u002FLogician) - Swift中的逻辑编程\n* [Swiftlog](https:\u002F\u002Fgithub.com\u002FJadenGeller\u002FSwiftlog) - 完全用Swift实现的简单Prolog-like语言。\n\n# \u003Ca name=\"web\"\u002F>机器学习Web API\n\n\n* [**IBM** Watson](http:\u002F\u002Fwww.ibm.com\u002Fsmarterplanet\u002Fus\u002Fen\u002Fibmwatson\u002Fdevelopercloud\u002F) - 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。\n    * [介绍（测试版）IBM Watson iOS SDK](https:\u002F\u002Fdeveloper.ibm.com\u002Fswift\u002F2015\u002F12\u002F18\u002Fintroducing-the-new-watson-sdk-for-ios-beta\u002F)\n* [AlchemyAPI](http:\u002F\u002Fwww.alchemyapi.com\u002F) - 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。\n* [**Microsoft** Project Oxford](https:\u002F\u002Fwww.projectoxford.ai\u002F)\n* [**Google** Prediction Engine](https:\u002F\u002Fcloud.google.com\u002Fprediction\u002Fdocs)\n    * [Objective-C API](https:\u002F\u002Fcode.google.com\u002Fp\u002Fgoogle-api-objectivec-client\u002Fwiki\u002FIntroduction)\n* [Google Translate API](https:\u002F\u002Fcloud.google.com\u002Ftranslate\u002Fdocs)\n* [Google Cloud Vision API](https:\u002F\u002Fcloud.google.com\u002Fvision\u002F)\n* [**Amazon** Machine Learning](http:\u002F\u002Faws.amazon.com\u002Fdocumentation\u002Fmachine-learning\u002F) - 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。\n    * [iOS开发者指南](https:\u002F\u002Fdocs.aws.amazon.com\u002Fmobile\u002Fsdkforios\u002Fdeveloperguide\u002Fgetting-started-machine-learning.html)。\n    * [iOS SDK](https:\u002F\u002Fgithub.com\u002Faws\u002Faws-sdk-ios)\n* [**PredictionIO**](https:\u002F\u002Fprediction.io\u002F) - 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。\n    * [Swift SDK](https:\u002F\u002Fgithub.com\u002Fminhtule\u002FPredictionIO-Swift-SDK)\n    * [Tapster iOS演示](https:\u002F\u002Fgithub.com\u002Fminhtule\u002FTapster-iOS-Demo) - 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。\n    * [使用Swift与PredictionIO的教程](https:\u002F\u002Fgithub.com\u002Fminhtule\u002FTapster-iOS-Demo\u002Fblob\u002Fmaster\u002FTUTORIAL.md)\n* [**Wit.AI**](https:\u002F\u002Fwit.ai\u002F) - NLP API\n* [**Yandex** SpeechKit](https:\u002F\u002Ftech.yandex.com\u002Fspeechkit\u002Fmobilesdk\u002F) 俄语的语音合成和语音转文字。提供iOS SDK。\n* [**Abbyy** OCR SDK](http:\u002F\u002Fwww.abbyy.com\u002Fmobile-ocr\u002Fiphone-ocr\u002F)\n* [**Clarifai**](http:\u002F\u002Fwww.clarifai.com\u002F#) - 图像描述的深度学习Web API。[iOS入门项目](https:\u002F\u002Fgithub.com\u002FClarifai\u002Fclarifai-ios-starter)\n* [**MetaMind**](https:\u002F\u002Fwww.metamind.io\u002F) - 图像描述的深度学习Web API。\n* [Api.AI](https:\u002F\u002Fapi.ai\u002F) - 为应用程序、设备和网页构建智能语音交互界面\n* [**CloudSight.ai**](https:\u002F\u002Fcloudsight.ai\u002F) - 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](https:\u002F\u002Fgithub.com\u002Fcloudsight\u002Fcloudsight-objc) API客户端可用。\n\n# \u003Ca name=\"mlapps\"\u002F>开源机器学习应用\n\n### 深度学习\n\n* [DeepDreamer](https:\u002F\u002Fgithub.com\u002Fjohndpope\u002Fdeepdreamer) - Deep Dream 应用程序\n* [DeepDreamApp](https:\u002F\u002Fgithub.com\u002Fjohndpope\u002FDeepDreamApp) - Deep Dream Cordova 应用程序。\n* [Texture Networks](https:\u002F\u002Fgithub.com\u002FDmitryUlyanov\u002Ftexture_nets)，Lua 实现\n* [前馈风格迁移](https:\u002F\u002Fgithub.com\u002Fjcjohnson\u002Ffast-neural-style)，Lua 实现\n* [TensorFlow 的神经风格实现](https:\u002F\u002Fgithub.com\u002Fcysmith\u002Fneural-style-tf)\n* [腐蚀检测应用](https:\u002F\u002Fgithub.com\u002Fjmolayem\u002Fcorrosionapp)\n* [ios_camera_object_detection](https:\u002F\u002Fgithub.com\u002Fyjmade\u002Fios_camera_object_detection) - 基于 TensorFlow 和 YOLO 模型的实时移动端目标检测可视化\n* [TensorFlow MNIST iOS 演示](https:\u002F\u002Fgithub.com\u002Fmattrajca\u002FMNIST) - 在 iOS 上使用深度 MNIST 和 TensorFlow 入门\n* [鼓手应用](https:\u002F\u002Fgithub.com\u002Fhollance\u002FRNN-Drummer-Swift) 使用 RNN 和 Swift\n* [What'sThis](https:\u002F\u002Fgithub.com\u002Fpppoe\u002FWhatsThis-iOS)\n* [enVision](https:\u002F\u002Fgithub.com\u002FIDLabs-Gate\u002FenVision) - 用于 iOS 视觉任务的深度学习模型\n* [GoogLeNet 在 iOS 上的演示](https:\u002F\u002Fgithub.com\u002Fkrasin\u002FMetalDetector)\n* [Android 中的神经风格](https:\u002F\u002Fgithub.com\u002Fnaman14\u002FArcade)\n* [mnist-bnns](https:\u002F\u002Fgithub.com\u002Fpaiv\u002Fmnist-bnns) - 将 TensorFlow MNIST 演示移植到 BNNS\n* [BNNS 与 MPS 的基准测试](https:\u002F\u002Fgithub.com\u002Fhollance\u002FBNNS-vs-MPSCNN)\n* [VGGNet 在 Metal 上的实现](https:\u002F\u002Fgithub.com\u002Fhollance\u002FVGGNet-Metal)\n* 一个利用 TensorFlow 和 iOS BNNS 进行深度学习的 [数独求解器](https:\u002F\u002Fgithub.com\u002Fwaitingcheung\u002Fdeep-sudoku-solver)。\n* [HED CoreML 实现](https:\u002F\u002Fgithub.com\u002Fs1ddok\u002FHED-CoreML) 是一个使用 Holistically-Nested Edge Detection 在 iOS 上结合 CoreML 和 Swift 的演示及教程。\n\n### 传统计算机视觉\n\n* [SwiftOCR](https:\u002F\u002Fgithub.com\u002Fgarnele007\u002FSwiftOCR)\n* [GrabCutIOS](https:\u002F\u002Fgithub.com\u002Fnaver\u002Fgrabcutios) - 使用 GrabCut 算法进行 iOS 图像分割\n\n### 自然语言处理\n\n* [经典 ELIZA 聊天机器人（Swift 实现）](https:\u002F\u002Fgist.github.com\u002Fhollance\u002Fbe70d0d7952066cb3160d36f33e5636f)\n* [InfiniteMonkeys](https:\u002F\u002Fgithub.com\u002Fcraigomac\u002FInfiniteMonkeys) - 由 BrainCore 驱动，使用 Keras 训练的 RNN 来模仿著名诗人的作品\n\n### 其他\n\n* [Joel Grus《从零开始的数据科学》的 Swift 实现](https:\u002F\u002Fgithub.com\u002Fgraceavery\u002FLearningMachineLearning)\n* [在 Apple Playground 中使用 Swift 构建的神经网络](https:\u002F\u002Fgithub.com\u002FLuubra\u002FEmojiIntelligence)\n\n# \u003Ca name=\"gameai\"\u002F>游戏 AI\n\n\n* [游戏 AI 编程入门](http:\u002F\u002Fwww.raywenderlich.com\u002F24824\u002Fintroduction-to-ai-programming-for-games)\n* [dlib](http:\u002F\u002Fdlib.net\u002F) 是一个包含多种实用工具（包括机器学习）的库。\n* [MicroPather](http:\u002F\u002Fwww.grinninglizard.com\u002FMicroPather\u002F) 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。\n* 这里有一个 [列表](http:\u002F\u002Fwww.ogre3d.org\u002Ftikiwiki\u002FList+Of+Libraries#Artificial_intelligence) 列出了 OGRE3D 网站上推荐的一些 AI 库。这些库大多用 C++ 编写。\n* [GameplayKit 编程指南](https:\u002F\u002Fdeveloper.apple.com\u002Flibrary\u002Fcontent\u002Fdocumentation\u002FGeneral\u002FConceptual\u002FGameplayKit_Guide\u002F)\n\n# 其他相关资源\n\n### \u003Ca name=\"la\"\u002F>线性代数\n\n\n* [Accelerate-in-Swift](https:\u002F\u002Fgithub.com\u002Fhyperjeff\u002FAccelerate-in-Swift) - Accelerate.framework 的 Swift 示例代码\n* [cuda-swift](https:\u002F\u002Fgithub.com\u002Frxwei\u002Fcuda-swift) - CUDA 的 Swift 绑定。虽然不是 iOS，但仍然很有趣。\n* [Dimensional](https:\u002F\u002Fgithub.com\u002FJadenGeller\u002FDimensional) - 具有友好语义和熟悉界面的 Swift 矩阵。\n* [Eigen](http:\u002F\u002Feigen.tuxfamily.org\u002F) - 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]\n* [Matrix](https:\u002F\u002Fgithub.com\u002Fhollance\u002FMatrix) - 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。\n* [NDArray](https:\u002F\u002Fgithub.com\u002Ft-ae\u002Fndarray) - 为 Swift 提供的加速框架支持的浮点数库。\n* [Swift-MathEagle](https:\u002F\u002Fgithub.com\u002Frugheid\u002FSwift-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。\n* [SwiftNum](https:\u002F\u002Fgithub.com\u002Fdonald-pinckney\u002FSwiftNum) - 线性代数、FFT、梯度下降、共轭梯度下降、绘图。\n* [Swix](https:\u002F\u002Fgithub.com\u002Fscottsievert\u002Fswix) - NumPy 和 OpenCV 的 Swift 实现封装。\n* [Surge](https:\u002F\u002Fgithub.com\u002Fmattt\u002FSurge) 来自 Mattt\n* [Upsurge](https:\u002F\u002Fgithub.com\u002Faleph7\u002FUpsurge) - 基于 Accelerate 的通用张量和矩阵。Surge 的分支。\n* [YCMatrix](https:\u002F\u002Fgithub.com\u002Fyconst\u002FYCMatrix) - 一个灵活的矩阵库，适用于 Objective-C 和 Swift（OS X \u002F iOS）\n\n### \u003Ca name=\"stat\"\u002F>统计学、随机数\n\n\n* [SigmaSwiftStatistics](https:\u002F\u002Fgithub.com\u002Fevgenyneu\u002FSigmaSwiftStatistics) - 用 Swift 编写的统计计算函数集合。\n* [SORandom](https:\u002F\u002Fgithub.com\u002FSebastianOsinski\u002FSORandom) - 用于从各种分布中生成伪随机变量的函数集合\n* [RandKit](https:\u002F\u002Fgithub.com\u002Faidangomez\u002FRandKit) - 用于随机数和分布的 Swift 框架。\n\n\n### \u003Ca name=\"mo\"\u002F>数学优化\n\n\n* [fmincg-c](https:\u002F\u002Fgithub.com\u002Fgautambhatrcb\u002Ffmincg-c) - C 语言中的共轭梯度实现\n* [libLBFGS](https:\u002F\u002Fgithub.com\u002Fchokkan\u002Fliblbfgs) - 一个基于有限内存 Broyden-Fletcher-Goldfarb-Shanno (L-BFGS) 的 C 语言库\n* [SwiftOptimizer](https:\u002F\u002Fgithub.com\u002Fhaginile\u002FSwiftOptimizer) - QuantLib 的 Swift 移植版。\n\n### \u003Ca name=\"fe\"\u002F>特征提取\n\n\n* [IntuneFeatures](https:\u002F\u002Fgithub.com\u002Fventuremedia\u002Fintune-features) 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。\n* [matchbox](https:\u002F\u002Fgithub.com\u002Fhfink\u002Fmatchbox) - 用于 iOS\u002FOSX 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。**\n* [LibXtract](https:\u002F\u002Fgithub.com\u002Fjamiebullock\u002FLibXtract) 是一个简单、便携、轻量级的音频特征提取函数库。\n\n### \u003Ca name=\"dv\"\u002F>数据可视化\n\n\n* [Charts](https:\u002F\u002Fgithub.com\u002Fdanielgindi\u002FCharts) - MPAndroidChart 的 Swift 移植版。\n* [iOS-Charts](https:\u002F\u002Fgithub.com\u002Fdanielgindi\u002Fios-charts)\n* [Core Plot](https:\u002F\u002Fgithub.com\u002Fcore-plot\u002Fcore-plot)\n* [精彩的 iOS 图表](https:\u002F\u002Fgithub.com\u002Fsxyx2008\u002Fawesome-ios-chart)\n* [JTChartView](https:\u002F\u002Fgithub.com\u002Fkubatru\u002FJTChartView)\n* [VTK](http:\u002F\u002Fwww.vtk.org\u002Fgallery\u002F)\n    * [VTK 实战](http:\u002F\u002Fwww.vtk.org\u002Fvtk-in-action\u002F)\n* [D3.js iOS 绑定](https:\u002F\u002Fgithub.com\u002Flee-leonardo\u002FiOS-D3)\n\n### \u003Ca name=\"bio\"\u002F>生物信息学（有点）\n\n\n* [BioJS](http:\u002F\u002Fbiojs.net\u002F) - 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。\n* [BioCocoa](http:\u002F\u002Fwww.bioinformatics.org\u002Fbiococoa\u002Fwiki\u002Fpmwiki.php) - BioCocoa是一个用Objective-C编写的开源OpenStep（GNUstep\u002FCocoa）框架，专为生物信息学设计。[已停止维护]。\n* [iBio](https:\u002F\u002Fgithub.com\u002FLizhen0909\u002FiBio) - 一款适用于iPhone的生物信息学应用。\n\n### \u003Ca name=\"bd\"\u002F>大数据（不算真正的大数据）\n\n\n* [HDF5Kit](https:\u002F\u002Fgithub.com\u002Faleph7\u002FHDF5Kit) - 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。\n\n### \u003Ca name=\"ip\"\u002F>IPython + Swift\n\n\n* [iSwift](https:\u002F\u002Fgithub.com\u002FKelvinJin\u002FiSwift) - 一个用于IPython笔记本的Swift内核。\n\n# \u003Ca name=\"blogs\"\u002F>iOS机器学习博客\n\n\n### 常规移动机器学习\n\n* **[“Machine, think!”博客](http:\u002F\u002Fmachinethink.net\u002Fblog\u002F)，作者：Matthijs Hollemans**\n    * [神经网络的“Hello World”](http:\u002F\u002Fmatthijshollemans.com\u002F2016\u002F08\u002F24\u002Fneural-network-hello-world\u002F) - 使用Swift和BNNS\n    * [在iPhone上使用VGGNet实现卷积神经网络](http:\u002F\u002Fmatthijshollemans.com\u002F2016\u002F08\u002F30\u002Fvggnet-convolutional-neural-network-iphone\u002F)\n* **[Pete Warden的博客](https:\u002F\u002Fpetewarden.com\u002F)**\n    * [如何用TensorFlow量化神经网络](https:\u002F\u002Fpetewarden.com\u002F2016\u002F05\u002F03\u002Fhow-to-quantize-neural-networks-with-tensorflow\u002F)\n\n### 意外的移动机器学习\n\n* **[Google研究博客](https:\u002F\u002Fresearch.googleblog.com)**\n* **[苹果机器学习期刊](https:\u002F\u002Fmachinelearning.apple.com\u002F)**\n* **[Invasive Code](https:\u002F\u002Fwww.invasivecode.com\u002Fweblog\u002F)博客**\n    * [面向iOS的机器学习](https:\u002F\u002Fwww.invasivecode.com\u002Fweblog\u002Fmachine-learning-swift-ios\u002F)\n    * [iOS 10和macOS中的卷积神经网络](https:\u002F\u002Fwww.invasivecode.com\u002Fweblog\u002Fconvolutional-neural-networks-ios-10-macos-sierra\u002F)\n* **Big Nerd Ranch** - [使用TensorFlow和BNNS将机器学习加入你的Mac或iOS应用](https:\u002F\u002Fwww.bignerdranch.com\u002Fblog\u002Fuse-tensorflow-and-bnns-to-add-machine-learning-to-your-mac-or-ios-app\u002F)\n\n### 其他\n\n* [移动应用中的智能](https:\u002F\u002Fmedium.com\u002F@sadmansamee\u002Fintelligence-in-mobile-applications-ca3be3c0e773#.lgk2gt6ik)\n* [独家揭秘苹果公司的人工智能与机器学习运作方式](https:\u002F\u002Fbackchannel.com\u002Fan-exclusive-look-at-how-ai-and-machine-learning-work-at-apple-8dbfb131932b)\n* [关于如何将深度神经网络压缩到移动端的演讲](https:\u002F\u002Fwww.slideshare.net\u002Fmobile\u002Fanirudhkoul\u002Fsqueezing-deep-learning-into-mobile-phones)\n* [精选的深度学习模型压缩与加速相关论文列表](https:\u002F\u002Fhandong1587.github.io\u002Fdeep_learning\u002F2015\u002F10\u002F09\u002Facceleration-model-compression.html)\n\n# \u003Ca name=\"gpublogs\"\u002F>GPU计算博客\n\n\n* [OpenCL for iOS](https:\u002F\u002Fgithub.com\u002Flinusyang\u002Fopencl-test-ios) - 只是一个测试。\n* 探索iOS上的GPGPU技术。\n    * [文章](http:\u002F\u002Fciechanowski.me\u002Fblog\u002F2014\u002F01\u002F05\u002Fexploring_gpgpu_on_ios\u002F)\n    * [代码](https:\u002F\u002Fgithub.com\u002FCiechan\u002FExploring-GPGPU-on-iOS)\n\n* 面向Mac和iOS的GPU加速视频处理。[文章](http:\u002F\u002Fwww.sunsetlakesoftware.com\u002F2010\u002F10\u002F22\u002Fgpu-accelerated-video-processing-mac-and-ios0)。\n* [并发与OpenGL ES](https:\u002F\u002Fdeveloper.apple.com\u002Flibrary\u002Fios\u002Fdocumentation\u002F3ddrawing\u002Fconceptual\u002Fopengles_programmingguide\u002FConcurrencyandOpenGLES\u002FConcurrencyandOpenGLES.html) - 苹果官方编程指南。\n* [OpenCV在iOS上的GPU使用情况](http:\u002F\u002Fstackoverflow.com\u002Fquestions\u002F10704916\u002Fopencv-on-ios-gpu-usage) - Stack Overflow上的讨论。\n\n### Metal\n\n* Simon's Gladman（又名flexmonkey）[博客](http:\u002F\u002Fflexmonkey.blogspot.com\u002F)\n    * [关于iOS GPU编程的演讲](https:\u002F\u002Frealm.io\u002Fnews\u002Faltconf-simon-gladman-ios-gpu-programming-with-swift-metal\u002F)，在Realm Altconf大会上使用Swift和Metal进行讲解。\n    * [你口袋里的超级计算机：\nMetal & Swift](https:\u002F\u002Frealm.io\u002Fnews\u002Fswift-summit-simon-gladman-metal\u002F) - 2015年Swift峰会的一段视频。\n    * https:\u002F\u002Fgithub.com\u002FFlexMonkey\u002FMetalReactionDiffusion\n    * https:\u002F\u002Fgithub.com\u002FFlexMonkey\u002FParticleLab\n* [Memkite博客](http:\u002F\u002Fmemkite.com\u002F) - 一家旨在为iOS开发深度学习库的初创公司。\n    * [Swift和Metal在Apple TVOS 9.0上的通用GPU处理示例](https:\u002F\u002Fgithub.com\u002Fmemkite\u002FMetalForTVOS)\n    * [使用Swift和Metal在iOS8的GPU上进行数据并行处理](https:\u002F\u002Fgithub.com\u002Fmemkite\u002FSwiftMetalGPUParallelProcessing)\n    * [在iOS8上使用Swift和Metal实现GPU与CPU共享内存的示例](http:\u002F\u002Fmemkite.com\u002Fblog\u002F2014\u002F12\u002F30\u002Fexample-of-sharing-memory-between-gpu-and-cpu-with-swift-and-metal-for-ios8\u002F)\n* [Metal by Example博客](http:\u002F\u002Fmetalbyexample.com\u002F)\n* [objc-io关于Metal的文章](https:\u002F\u002Fwww.objc.io\u002Fissues\u002F18-games\u002Fmetal\u002F)\n\n# \u003Ca name=\"books\"\u002F>移动机器学习书籍\n\n* \u003Cb>使用TensorFlow构建移动应用\u003C\u002Fb>，作者：Pete Warden。[图书页面](http:\u002F\u002Fwww.oreilly.com\u002Fdata\u002Ffree\u002Fbuilding-mobile-applications-with-tensorflow.csp)。[免费下载](http:\u002F\u002Fwww.oreilly.com\u002Fdata\u002Ffree\u002Fbuilding-mobile-applications-with-tensorflow.csp?download=true)\n\n# \u003Ca name=\"learn\"\u002F>学习机器学习\n\n\u003Ci>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。\u003C\u002Fi>\n\n* \u003Cb>[Academic Torrents](http:\u002F\u002Facademictorrents.com\u002Fbrowse.php?cat=7)\u003C\u002Fb>。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。\n* [Arxiv Sanity Preserver](http:\u002F\u002Fwww.arxiv-sanity.com\u002F) - 一个帮助追踪机器学习研究进展的工具。\n\n## 免费书籍\n\n* Immersive Linear Algebra [互动式书籍](http:\u002F\u002Fimmersivemath.com\u002Fila\u002Findex.html)，作者：J. Ström、K. Åström和T. Akenine-Möller。\n* [\"使用Python进行自然语言处理\"](http:\u002F\u002Fwww.nltk.org\u002Fbook\u002F) - 一本免费的在线书籍。\n* [概率编程与黑客的贝叶斯方法](http:\u002F\u002Fcamdavidsonpilon.github.io\u002FProbabilistic-Programming-and-Bayesian-Methods-for-Hackers\u002F) - 一本从计算\u002F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。\n* [\"深度学习\"](http:\u002F\u002Fwww.deeplearningbook.org\u002F) - Ian Goodfellow、Yoshua Bengio和Aaron Courville合著的书籍\n\n## 免费课程\n\n* 安德鲁·吴的[机器学习Coursera原版课程](https:\u002F\u002Fwww.coursera.org\u002Flearn\u002Fmachine-learning\u002Fhome\u002Finfo)。\n* YouTube上的[机器学习播放列表](https:\u002F\u002Fwww.youtube.com\u002Fplaylist?list=PLD0F06AA0D2E8FFBA)。\n* 免费在线互动书籍《神经网络与深度学习》(http:\u002F\u002Fneuralnetworksanddeeplearning.com\u002F)。\n* [异构并行编程](https:\u002F\u002Fwww.coursera.org\u002Fcourse\u002Fhetero)课程。\n* 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](https:\u002F\u002Fcomputing.ece.vt.edu\u002F~f15ece6504\u002F)：ECE 6504。\n* 佛罗里达中央大学提供的[CAP 5415 - 计算机视觉](http:\u002F\u002Fcrcv.ucf.edu\u002Fcourses\u002FCAP5415\u002FFall2014\u002Findex.php)课程。\n* 斯坦福大学提供的[CS224d：自然语言处理的深度学习](http:\u002F\u002Fcs224d.stanford.edu\u002Fsyllabus.html)课程。\n* 牛津大学提供的[机器学习：2014-2015年课程资料](https:\u002F\u002Fwww.cs.ox.ac.uk\u002Fpeople\u002Fnando.defreitas\u002Fmachinelearning\u002F)。\n* 斯坦福大学CS231n课程：用于视觉识别的卷积神经网络(http:\u002F\u002Fcs231n.stanford.edu\u002F)。\n* [自然语言处理的深度学习（没有魔法）](http:\u002F\u002Fnlp.stanford.edu\u002Fcourses\u002FNAACL2013\u002F)。\n* 2015年蒙特利尔深度学习暑期学校的[视频](http:\u002F\u002Fvideolectures.net\u002Fdeeplearning2015_montreal\u002F)。\n* 2016年蒙特利尔深度学习暑期学校的[视频](http:\u002F\u002Fvideolectures.net\u002Fdeeplearning2016_montreal\u002F)。\n\n\n# \u003Ca name=\"lists\"\u002F>其他列表\n\n\n* [超棒的机器学习资源](https:\u002F\u002Fgithub.com\u002Fjosephmisiti\u002Fawesome-machine-learning)\n* [机器学习课程](https:\u002F\u002Fgithub.com\u002Fprakhar1989\u002Fawesome-courses#machine-learning)\n* [超棒的数据科学资源](https:\u002F\u002Fgithub.com\u002Fokulbilisim\u002Fawesome-datascience)\n* [超棒的计算机视觉资源](https:\u002F\u002Fgithub.com\u002Fjbhuang0604\u002Fawesome-computer-vision)\n* [语音与语言处理资源](https:\u002F\u002Fgithub.com\u002Fedobashira\u002Fspeech-language-processing)\n* [聊天机器人崛起：](https:\u002F\u002Fstanfy.com\u002Fblog\u002Fthe-rise-of-chat-bots-useful-links-articles-libraries-and-platforms\u002F) 帕夫洛·巴什马科夫整理的实用链接、文章、库和平台。\n* [超棒的网络安全机器学习资源](https:\u002F\u002Fgithub.com\u002Fjivoi\u002Fawesome-ml-for-cybersecurity)","# iOS_ML 快速上手指南\n\n**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。\n\n## 环境准备\n\n在开始之前，请确保你的开发环境满足以下要求：\n\n*   **操作系统**: macOS (推荐最新版本)\n*   **开发工具**: Xcode 14.0 或更高版本\n*   **编程语言**: Swift 5.7+ 或 Objective-C\n*   **前置依赖**:\n    *   **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）。\n    *   **CocoaPods** 或 **Swift Package Manager (SPM)**: 用于管理第三方机器学习库依赖。\n\n安装 Python 依赖（用于模型转换）：\n```bash\npip install coremltools\n```\n\n## 安装步骤\n\n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：\n\n### 方式一：使用 Apple Core ML (推荐)\nCore 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。\n\n1.  **下载预训练模型**：\n    从 [awesome-CoreML-models](https:\u002F\u002Fgithub.com\u002FSwiftBrain\u002Fawesome-CoreML-models) 等列表中寻找现成的 `.mlmodel` 文件。\n2.  **转换现有模型** (如果你有自己的 Keras\u002FTensorFlow\u002FPyTorch 模型)：\n    使用 `coremltools` 进行转换：\n    ```python\n    import coremltools as ct\n    \n    # 示例：转换 Keras 模型\n    mlmodel = ct.convert('my_keras_model.h5')\n    mlmodel.save('MyModel.mlmodel')\n    ```\n3.  **导入 Xcode**：\n    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\u002FObj-C 接口类。\n\n### 方式二：集成第三方机器学习库\n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。\n\n**使用 CocoaPods 安装 (以 OpenCV 为例):**\n在你的 `Podfile` 中添加：\n```ruby\npod 'OpenCV'\n```\n然后执行：\n```bash\npod install\n```\n\n**使用 Swift Package Manager 安装 (以 multilinear-math 为例):**\n在 Xcode 中点击 `File` -> `Add Packages...`，输入仓库地址：\n```text\nhttps:\u002F\u002Fgithub.com\u002Fvincentherrmann\u002Fmultilinear-math\n```\n\n## 基本使用\n\n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）。\n\n### 1. 加载模型\n假设你已将名为 `MobileNet.mlmodel` 的文件加入项目，Xcode 会自动生成 `MobileNet` 类。\n\n```swift\nimport CoreML\nimport UIKit\n\nclass ImageClassifier {\n    private let model: MobileNet\n    \n    init() {\n        \u002F\u002F 初始化模型\n        guard let model = try? MobileNet(configuration: MLModelConfiguration()) else {\n            fatalError(\"Failed to load Core ML model\")\n        }\n        self.model = model\n    }\n    \n    \u002F\u002F 2. 执行预测\n    func classify(image: UIImage) -> String? {\n        \u002F\u002F 将 UIImage 转换为模型需要的 MLMultiArray 格式\n        guard let pixelBuffer = image.cgImage?.createPixelBuffer() else { return nil }\n        \n        do {\n            \u002F\u002F 调用模型预测\n            let prediction = try model.prediction(image: pixelBuffer)\n            \u002F\u002F 返回置信度最高的标签\n            return prediction.label\n        } catch {\n            print(\"Prediction error: \\(error)\")\n            return nil\n        }\n    }\n}\n\n\u002F\u002F 辅助扩展：UIImage 转 CVPixelBuffer\nextension CGImage {\n    func createPixelBuffer() -> CVPixelBuffer? {\n        let attrs = [kCVPixelBufferCGImageCompatibilityKey: kCFBooleanTrue,\n                     kCVPixelBufferCGBitmapContextCompatibilityKey: kCFBooleanTrue] as CFDictionary\n        var pixelBuffer: CVPixelBuffer?\n        let status = CVPixelBufferCreate(kCFAllocatorDefault,\n                                         self.width,\n                                         self.height,\n                                         kCVPixelFormatType_32ARGB,\n                                         attrs,\n                                         &pixelBuffer)\n        guard status == kCVReturnSuccess, let buffer = pixelBuffer else { return nil }\n        \n        CVPixelBufferLockBaseAddress(buffer, [])\n        let pixelData = CVPixelBufferGetBaseAddress(buffer)\n        let rgbColorSpace = CGColorSpaceCreateDeviceRGB()\n        let context = CGContext(data: pixelData,\n                                width: self.width,\n                                height: self.height,\n                                bitsPerComponent: 8,\n                                bytesPerRow: CVPixelBufferGetBytesPerRow(buffer),\n                                space: rgbColorSpace,\n                                bitmapInfo: CGImageAlphaInfo.noneSkipFirst.rawValue)\n        context?.draw(self, in: CGRect(x: 0, y: 0, width: self.width, height: self.height))\n        CVPixelBufferUnlockBaseAddress(buffer, [])\n        \n        return buffer\n    }\n}\n```\n\n### 3. 调用示例\n在你的 ViewController 中调用：\n\n```swift\nlet classifier = ImageClassifier()\nif let label = classifier.classify(image: yourImageView.image) {\n    print(\"识别结果：\\(label)\")\n}\n```\n\n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。","一家初创团队正在开发一款面向户外爱好者的 iOS 应用，希望利用手机摄像头实时识别沿途的植物种类，并完全在离线状态下运行以节省流量。\n\n### 没有 iOS_ML 时\n- **语言壁垒高**：主流 AI 模型多由 Python 或 Java 编写，iOS 开发者难以直接将其集成到 Swift 或 Objective-C 项目中，被迫重写底层代码。\n- **硬件性能瓶颈**：缺乏针对 Apple 芯片优化的推理框架，导致植物识别过程卡顿严重，甚至造成设备发热和电量骤降。\n- **资源筛选困难**：面对海量的机器学习库，开发者无法快速分辨哪些支持 Core ML 格式或适合移动端部署，试错成本极高。\n- **功能实现受限**：由于缺少现成的计算机视觉（Computer Vision）和图像分类解决方案，团队不得不依赖云端 API，导致野外无网环境下功能瘫痪。\n\n### 使用 iOS_ML 后\n- **无缝集成开发**：通过列表中筛选出的 Swift\u002FC++ 兼容库及 coremltools 转换器，团队顺利将 Keras 训练的模型转为 Core ML 格式，直接嵌入 App。\n- **端侧高效推理**：借助列表中推荐的深度优化方案，模型充分利用 iPhone 的神经网络引擎，实现毫秒级植物识别且功耗极低。\n- **精准资源定位**：利用 iOS_ML 整理的分类目录，开发者迅速锁定了适用于移动端的预训练模型库（如 ModelZoo），大幅缩短研发周期。\n- **完美离线体验**：基于列表中的本地化机器学习方案，应用无需联网即可完成复杂的图像分析，彻底解决了户外场景的网络痛点。\n\niOS_ML 通过提供经过验证的 iOS 原生 AI 资源清单，帮助开发者跨越了从算法模型到移动端落地之间的技术与生态鸿沟。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Falexsosn_iOS_ML_47b75c8f.png","alexsosn","Oleksandr (Alex) Sosnovshchenko","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002Falexsosn_40e2ade5.jpg","Biology ⏩ Software Engineering ⏩ ML for Bio\u002FCheminformatics","Agilent Technologies","Espoo, Finland",null,"http:\u002F\u002Falexsosn.github.io\u002F","https:\u002F\u002Fgithub.com\u002Falexsosn",1431,151,"2026-04-09T23:35:29",4,"iOS, macOS","未说明 (主要依赖 Apple 硬件优化，部分库如 OpenCV\u002Fdlib 为 C++ 编写可调用 CPU\u002FGPU)","未说明",{"notes":89,"python":90,"dependencies":91},"该项目是一个资源列表而非单一软件。核心运行环境为 iOS 和 macOS。大多数机器学习库是用 Swift、Objective-C、C 或 C++ 编写的，可直接在设备上运行推理。训练模型通常需要在服务器端使用 Python (配合 Caffe, Keras, TensorFlow 等) 完成，然后通过 coremltools 转换为 Core ML 格式供 iOS 使用。部分第三方库可通过 CocoaPods 或 Swift Package Manager 安装。README 最后更新时间为 2018 年，部分链接或兼容性可能已过时。","未说明 (仅 coremltools 转换工具需要 Python，运行时库主要为 Swift\u002FC++\u002FObj-C)",[92,93,94,95,96,97,98],"Core ML (Apple Framework)","coremltools (Python)","Swift","Objective-C","C++","CocoaPods (部分库)","Swift Package Manager (部分库)",[35,14,15,100],"音频",[102,103,104,105,106,107,108,109,110,111],"machine-learning","deep-learning","natural-language-processing","computer-vision","swift","neural-network","artificial-intelligence","speech-recognition","awesome-list","gpgpu","2026-03-27T02:49:30.150509","2026-04-18T22:35:22.634383",[],[]]