原文：https://github.com/alexsosn/iOS_ML

iOS开发人员的主题资源列表，主题如下：

• 核心ML
• 机器学习库
• 深度学习图书馆
  • 深度学习：模型压缩
• 计算机视觉
• 自然语言处理
• 语音识别（TTS）和生成（STT）
• 文本识别（OCR）
• 其他AI
• 机器学习Web API
• 开源ML应用程序
• 游戏AI
• 其他相关人员
  • 线性代数
  • 统计，随机数
  • 数学优化
  • 特征提取
  • 数据可视化
  • 生物信息学（有点）
  • 大数据（不是真的）
• iOS ML博客
• 移动ML书籍
• GPU计算博客
• 学习机器学习
• 其他名单

AI相关领域中的大多数事实上的标准工具都是用iOS不友好的语言（Python / Java / R / Matlab）编写的，因此找到适合您的iOS应用程序的东西可能是一项具有挑战性的任务。

该列表主要包括用Objective-C，Swift，C，C ++，JavaScript和其他一些可以轻松移植到iOS的语言编写的库。此外，我还提供了一些相关网络API，博客文章，视频和学习资料的链接。

资源按字母顺序或随机排序。订单不反映我的个人喜好或其他任何内容。有些资源很棒，有些很棒，有些很有趣，有些可以作为灵感。

玩得开心！

拉请求，欢迎在这里。

核心ML

• coremltools是一个Python包。它包含从一些流行的机器学习库到Apple格式的转换器。
• Core ML是一个在设备上运行推理的Apple框架。它针对Apple硬件进行了高度优化。

目前，CoreML通过coremltools python包与以下机器学习包兼容（部分）：

• 咖啡
• Keras
• LIBSVM
• scikit学习
• XGBoost

某些型号的第三方转换器也适用于CoreML格式：

• Turicreate
• TensorFlow
• MXNet
• Torch7
• CatBoost

核心ML格式的预训练神经网络有许多精选列表：[1]，[2]，[3]。

Core ML目前不支持培训模型，但您仍可以通过在运行时从服务器下载新模型来替换模型。这是一个如何做到这一点的演示。它使用MNIST GAN的发生器部分作为核心ML模型。

通用机器学习库

图书馆	算法	语言	执照	码	依赖管理器
AIToolbox

• 图/树

• 深度优先搜索

• 广度优先搜索

• 爬山搜索

• 光束搜索

• 最优路径搜索

• Alpha-Beta（游戏树）

• 遗传算法

• 约束传播

• 线性回归

• 非线性回归

• 参数-Δ

• 梯度下降

• 高斯 - 牛顿

• Logistic回归

• 神经网络

• 多层，几个非线性模型

• 在线和批量培训

• 前馈或简单的复发层可以在一个网络中混合

• 实施LSTM网络层 - 需要更多测试

• 梯度检查例程

• 支持向量机

• K均值

• 主成分分析

• 马尔可夫决策过程

• 蒙特卡洛（每次访问，第一次访问）

• SARSA

• 单变量和多变量高斯

• 高斯混合物

• 模型验证

• 深度网络

• 卷积层

• 汇集层

• 完全连接的NN层

| 迅速 | Apache 2.0 |

GitHub上

| |

| [ image

DLIB](http://dlib.net/) |

• 深度学习
• 支持向量机
• 用于大规模分类和回归的降秩方法
• 用于分类和回归的相关向量机
• 多类SVM
• 结构SVM
• 一个大规模的SVM-Rank
• 在线内核RLS回归
• 一种在线SVM分类算法
• 半定量度量学习
• 在线核心质心估计器/新颖性检测器和离线支持向量一类分类
• 聚类算法：线性或内核k-means，中文Whispers和Newman聚类
• 径向基函数网络
• 多层感知器

| C ++ | 促进 | GitHub上 | |
| FANN |

• 多层人工神经网络
• 反向传播（RPROP，Quickprop，Batch，Incremental）
• 不断发展的拓扑训练

| C ++ | GNU LGPL 2.1 | GitHub上 | 可可豆荚 |
| lbimproved | k-最近邻和动态时间扭曲 | C ++ | Apache 2.0 | GitHub上 | |
| 机器学习 |

• 神经网络

• 激活功能：线性，ReLU，Step，sigmoid，TanH

• 成本函数：平方误差，交叉熵

• 反向传播：标准，弹性（又称RPROP）。

• 按样品或批量进行培训。

• 一袋字

• 单词向量

| Objective-C的 | BSD 3条款 | GitHub上 | |
| [[图片上传失败...(image-dbeb7f-1555056467289)]

MLKit](https://github.com/Somnibyte/MLKit) |

• 线性回归：简单，脊，多项式
• 多层感知器和Adaline ANN架构
• K-Means聚类
• 遗传算法

| 迅速 | MIT | GitHub上 | 可可豆荚 |
| [[图片上传失败...(image-63a942-1555056467289)]

孟德尔](https://github.com/saniul/Mendel) | 进化/遗传算法 | 迅速 | ？ | GitHub上 | |
| 多分支 - 数学 |

• 线性代数和张量

• 主成分分析

• 用于降维的多线性子空间学习算法

• 线性和逻辑回归

• 随机梯度下降

• 前馈神经网络

• 乙状结肠

• RELU

• Softplus激活功能

| 迅速 | Apache 2.0 | GitHub上 | Swift包管理器 |
| [[图片上传失败...(image-202599-1555056467289)]

OpenCV的](http://opencv.org/) |

• 多层感知器
• 提升树分类器
• 决策树
• 期望最大化
• K-Nearest Neighbors
• Logistic回归
• 贝叶斯分类器
• 随机森林
• 支持向量机
• 随机梯度下降SVM分类器
• 网格搜索
• 分层k均值
• 深度神经网络

| C ++ | 3条款BSD | GitHub上 | 可可豆荚 |
| [

image

鲨鱼](http://image.diku.dk/shark/sphinx_pages/build/html/index.html) |

• 监督：

• 线性判别分析（LDA）

• 费雪LDA

• 线性回归

• 支持向量机

• FF NN

• RNN

• 径向基函数网络

• 正规化网络

• 回归的高斯过程

• 迭代最近邻分类和回归

• 决策树

• 随机森林

• 无监督：

• PCA

• 受限制的玻尔兹曼机器

• 分层聚类

• 用于有效的基于距离的聚类的数据结构

• 优化：

• 进化算法

• 单目标优化（例如，CMA-ES）

• 多目标优化

• 基本线性代数和优化算法

| C ++ | GNU LGPL | GitHub上 | 可可豆荚 |
| [

image

YCML](https://github.com/yconst/YCML) |

• 梯度下降反向传播

• 弹性反向传播（RProp）

• 极限学习机（ELM）

• 使用正交最小二乘（RBF网）进行前向选择，也使用PRESS统计

• 二元受限玻尔兹曼机器（CD和PCD）

• 优化算法：

• 梯度下降（单目标，无约束）

• RProp梯度下降（单目标，无约束）

• NSGA-II（多目标，受限制）

| Objective-C的 | GNU GPL 3.0 | GitHub上 | |
| [

image

Kalvar Lin的图书馆](https://github.com/Kalvar) |

• ios-KRHebbian算法 - Hebbian理论
• ios-KRKmeans-Algorithm - K-Means聚类方法。
• ios-KRFuzzyCMeans算法 - 模糊C均值，模糊聚类算法。
• IOS-KRGreyTheory - 灰色理论 / 在时间序列预测灰色系统理论为基础的模型
• ios-KRSVM - 支持向量机和SMO。
• ios-KRKNN - kNN实施。
• ios-KRRBFNN - 径向基函数神经网络和OLS。

| Objective-C的 | MIT | GitHub上 | |

多层感知器实现：

• Brain.js - JS
• SNNeuralNet - brain.js的 Objective-C端口
• MLPNeuralNet - Objective-C，加速
• Swift-AI - Swift
• SwiftSimpleNeuralNetwork - Swift
• ios-BPN-NeuralNetwork - Objective-C
• ios-Multi-Perceptron-NeuralNetwork - Objective-C
• ios-KRDelta - Objective-C
• ios-KRPerceptron - Objective-C

深度学习库：

设备上的培训和推理

• Birdbrain - 在金属和加速之上的RNNs和FF NNs。尚未准备好投入生产。
• BrainCore - 用Swift编写的简单但快速的神经网络框架。它使用Metal框架尽可能快。ReLU，LSTM，L2 ......
• Caffe - 一个深度学习框架，以清洁，可读性和速度为基础。GitHub。[BSD]
  • iOS端口
  • caffe-mobile - 另一个iOS端口。
  • C ++示例：对ImageNet进行分类，提取特征
  • Caffe iOS样本
• Caffe2 - 一个跨平台的框架，以表达，速度和模块化为考虑。
  • 可可豆荚
  • iOS演示应用
• Convnet.js - ConvNetJS是一个用于培训Andrej Karpathy深度学习模型的Javascript库。GitHub上
  • ConvNetSwift - Swift端口[正在进行中]。
• Deep Belief SDK - 用于Jetpac的iOS Deep Belief图像识别框架的SDK
• TensorFlow - 一个使用数据流图进行数值计算的开源软件库。图中的节点表示数学运算，而图表边表示在它们之间传递的多维数据阵列（张量）。灵活的体系结构允许您使用单个API将计算部署到桌面，服务器或移动设备中的一个或多个CPU或GPU。
  • iOS示例
  • 另一个例子
  • 完美-TensorFlow - TensorFlow结合完美（服务器端斯威夫特框架）。仅包含C TF API。
• tiny-dnn - 仅限头文件，C ++ 11中的无依赖性深度学习框架。
  • iOS示例
• Torch是一种科学计算框架，广泛支持机器学习算法。
  • Torch4iOS
  • 火炬的iOS

深度学习：在设备上运行预先训练的模型

这些库不支持培训，因此您需要在某些ML框架中预先训练模型。

• Bender - 构建快速NN的框架。支持TensorFlow模型。它在引擎盖下使用金属。
• 核心ML
• DeepLearningKit - 来自Memkite的开源深度学习框架，适用于Apple的tvOS，iOS和OS X.
• Espresso - 在iOS上运行的最小高性能并行神经网络框架。
• Forge - Metal的神经网络工具包。
• Keras.js -运行Keras模型在Web视图。
• KSJNeuralNetwork - 在BNNS和MPS之上构建的神经网络推理库
  • 适用于Torch型号的转换器
• MXNet - MXNet是一个深度学习框架，旨在提高效率和灵活性。
  • 将预先训练好的mxnet模型部署到智能手机
• 用于移动设备的量化CNN压缩卷积神经网络
• WebDNN - 如果需要，您可以在Web视图中运行深度学习模型。三种模式：WebGPU加速，WebAssembly加速和纯JS（在CPU上）。没有培训，仅推理。

深度学习：低级例程库

• BNNS - Apple Basic神经网络子程序（BNNS）是一组函数，您可以使用以前获得的训练数据来实现和运行神经网络。
  • iOS 10采样器中的BNNS使用示例。
  • 由tensorflow训练并使用BNNS执行的神经网络的示例
• MetalPerformanceShaders - 来自Apple的GPU上的CNN。
  • MetalCNNWeights - 用于为MPS转换Inception v3的Python脚本。
  • MPSCNNfeeder - Keras到MPS模型的转换。
• NNPACK - 多核CPU上神经网络的加速包。Prisma 在移动应用程序中使用此库。
• STEM - 用于机器学习的Swift Tensor引擎
  • 文档

深度学习：模型压缩

• TensorFlow实现知识提取方法
• MobileNet-Caffe - Caffe实施Google的MobileNets
• keras-surgeon - 修剪受过训练的Keras模型。

计算机视觉

• ccv - 基于C /缓存/核心计算机视觉库，现代计算机视觉库
  • iOS演示应用
• OpenCV - 开源计算机视觉库。[BSD]
  • OpenCV速成课程
  • OpenCVSwiftStitch
  • 教程：在iOS设备上使用和构建openCV
  • 适用于iOS的OpenCV示例集合
• OpenFace - 一种最先进的开源工具，用于面部标志检测，头部姿势估计，面部动作单元识别和眼睛注视估计。
  • iOS端口
  • iOS演示
• trackingjs - JS中的对象跟踪
• Vision是计算机视觉的Apple框架。

自然语言处理

• CoreLinguistics - POS标记（HMM），ngrams，Naive Bayes，IBM对齐模型。
• GloVe Swift包。矢量字表示。
• NSLinguisticTagger
• Parsimmon
• Twitter文本 - Twitter文本处理库的Objective-C实现。该库包括用于提取用户名，提及标题，主题标签等的方法 - 您可能想要的所有推文特定语言语法。
• Swift的语言表达，就像人类的正则表达式一样。
• Word2Vec - Word2Vec深度学习算法的原始C实现。像iPhone一样在iPhone上工作。

语音识别（TTS）和生成（STT）

• Kaldi-iOS框架 - 使用深度学习的设备上语音识别。
  • 概念证明app
• MVSpeechSynthesizer
• OpenEars：适用于iPhone的免费语音识别和语音合成 - OpenEars使您可以快速轻松地将离线语音识别和合成语音/ TTS添加到iPhone应用程序中。它让每个人都可以在应用程序中获得使用高级语音UI概念（如统计语言模型和有限状态语法）的优异成果，但不会比创建NSArray或NSDictionary更省力。
  • 教程（俄语）
• TLSphinx，教程

文本识别（OCR）

• ocrad.js - JS OCR
• 正方体
  • 在iOS上安装和使用Tesseract
  • 正方体-IOS-LIB
  • 正方体-IOS
  • 正方体-OCR-IOS
  • OCR-IOS的实施例

其他AI

• Axiomatic - 用于逻辑编程的Swift统一框架。
• 在Swift中构建自己的Lisp
• Logician - Swift中的逻辑编程
• Swiftlog - 一种简单的Prolog类语言，完全在Swift中实现。

机器学习Web API

• IBM Watson - 使用IBM Watson的语言，视觉，语音和数据API在您的应用程序中启用认知计算功能。
  • 介绍（beta）IBM Watson iOS SDK
• AlchemyAPI - 使用自然语言处理的语义文本分析API。现在是IBM Watson的一部分。
• Microsoft Project Oxford
• 谷歌预测引擎
  • Objective-C API
• 谷歌翻译API
• Google Cloud Vision API
• 亚马逊机器学习 - Amazon ML是面向开发人员的基于云的服务。它提供了可视化工具来创建机器学习模型。使用API​​获取应用程序的预测。
  • iOS开发者指南。
  • iOS SDK
• PredictionIO - 面向开发人员和ML工程师的开源机器学习服务器。基于Apache Spark，HBase和Spray构建。
  • Swift SDK
  • Tapster iOS演示 - 此演示演示了如何使用PredictionIO Swift SDK将iOS应用程序与PredictionIO引擎集成，以使您的移动应用程序更有趣。
  • 使用Swift和PredictionIO的教程。
• Wit.AI - NLP API
• Yandex SpeechKit用于俄语的文本到语音和语音到文本。iOS SDK可用。
• Abbyy OCR SDK
• Clarifai - 用于图像字幕的深度学习web api。iOS入门项目
• MetaMind - 用于图像字幕的深度学习web api。
• Api.AI - 为应用程序，设备和Web构建智能语音界面
• CloudSight.ai - 用于细粒度对象检测或整个屏幕描述的深度学习Web API，包括自然语言对象标题。Objective-C API客户端可用。

开源ML应用程序

深度学习

• DeepDreamer - Deep Dream应用程序
• DeepDreamApp - Deep Dream Cordova应用程序。
• Texture Networks，Lua实现
• 前馈式转移，Lua实现
• TensorFlow实现神经风格
• 腐蚀检测应用
• ios_camera_object_detection - 基于TensorFlow和YOLO模型的基于实时移动可视化的对象检测
• TensorFlow MNIST iOS演示 - iOS上的Deep MNIST和TensorFlow入门
• 使用RNN和Swift的Drummer App
• 这是什么
• enVision - iOS上视觉任务的深度学习模型
• iOS上的GoogLeNet演示
• Android中的神经风格
• mnist-bnns - TensorFlow MNIST演示端口到BNNS
• BNNS与MPS的基准
• VGGNet on Metal
• 一个利用TensorFlow和iOS BNNS进行深度学习的数独求解器。
• HED CoreML实现是一个演示，其中包含如何在iOS上使用CoreML和Swift进行整体嵌套边缘检测的教程

传统计算机视觉

• SwiftOCR
• GrabCutIOS - 使用GrabCut算法的iOS图像分割

NLP

• Swift中的经典ELIZA聊天机器人
• InfiniteMonkeys - 由Keras训练的RNN模仿由BrainCore提供动力的着名诗人的作品

其他

• 快速实施Joel Grus的“数据科学从头开始”
• 使用Swift在Apple Playground中构建的神经网络

游戏AI

• 游戏AI编程简介
• dlib是一个包含许多有用工具的库，包括机器学习。
• MicroPather是一个路径查找器和A *求解器（astar或a-star），用独立于平台的C ++编写，可以轻松集成到现有代码中。
• 以下是OGRE3D网站上建议的一些AI库列表。似乎它们大多是用C ++编写的。
• GameplayKit编程指南

其他相关人员

线性代数

• Accelerate-in-Swift - Accelerate.framework的 Swift示例代码
• cuda-swift - Swift绑定到CUDA。不是iOS，但仍然很有趣。
• Dimensional - Swift矩阵，具有友好的语义和熟悉的界面。
• Eigen - 用于线性代数，矩阵和向量运算，数值求解器和相关算法的模板头的高级C ++库。[MPL2]
• 矩阵 - 方便的矩阵类型，具有不同类型的下标，自定义运算符和预定义矩阵。浪涌的一把叉子。
• NDArray - 用于Swift的Float库，通过Accelerate Framework加速。
• Swift-MathEagle - 一个简单易用数学的通用数学框架。目前支持函数求解和优化，矩阵和向量代数，复数，大int，大压缩，大理性，图形和一般方便的扩展和功能。
• SwiftNum - 线性代数，fft，梯度下降，共轭GD，绘图。
• Swix - Swift实现NumPy和OpenCV包装器。
• 浪涌从Mattt
• 热潮 - 通用张量，加速之上的矩阵。浪涌的一把叉子。
• YCMatrix - 用于Objective-C和Swift的灵活Matrix库（OS X / iOS）

统计，随机数

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

数学优化

• fmincg-c - C中的共轭梯度实现
• libLBFGS - 有限记忆Broyden-Fletcher-Goldfarb-Shanno（L-BFGS）的C库
• SwiftOptimizer - QuantLib Swift端口。

特征提取

• IntuneFeatures框架包含用于从相应MIDI文件的音频文件和功能标签生成功能的代码。
• matchbox - 用于iOS / OSX的Mel频率 - 倒谱系数和动态时间扭曲。警告：上次iOS 4仍然很热时，库已更新。
• LibXtract是一个简单，便携，轻量级的音频特征提取功能库。

数据可视化

• 图表 - MPAndroidChart的Swift端口。
• IOS的图表
• 核心情节
• 令人敬畏的iOS图表
• JTChartView
• VTK
  • VTK在行动
• D3.js iOS绑定

生物信息学（有点）

• BioJS - 一套用于浏览器中生物信息学的工具。BioJS构建了一个基础设施，指南和工具，以避免重新发明生命科学的轮子。社区构建的模块比任何人都可以重用。
• BioCocoa - BioCocoa是一个用Objective-C编写的开源OpenStep（GNUstep / Cocoa）生物信息学框架。[死亡项目]。
• iBio - 适用于iPhone的生物信息学应用程序。

大数据（不是真的）

• HDF5Kit - 这是HDF5文件格式的Swift包装器。HDF5用于科学社区管理大量数据。目标是使从Swift中读取和写入HDF5文件变得容易，包括游乐场。

IPython + Swift

• iSwift - 用于IPython笔记本的Swift内核。

iOS ML博客

常规移动ML

• Matthijs Hollemans撰写的“机器，思考！”博客
  • 神经网络的“hello world” - Swift和BNNS
  • 使用VGGNet的iPhone上的卷积神经网络
• Pete Warden的博客
  • 如何用TensorFlow量化神经网络

意外移动ML

• 谷歌研究博客
• Apple机器学习期刊
• 入侵代码博客
  • 适用于iOS的机器学习
  • iOS 10和macOS中的卷积神经网络
• Big Nerd Ranch - 使用TensorFlow和BNNS将机器学习添加到您的Mac或iOS应用程序

其他

• 移动应用智能
• 内部独家研究人工智能和机器学习如何在Apple工作
• 关于为移动设备挤压DNN的介绍
• 关于深度学习模型压缩和加速的文章列表

GPU计算博客

• OpenCL for iOS - 只是一个测试。

• 在iOS上探索GPGPU。

  • 文章
  • 码

• 适用于Mac和iOS的GPU加速视频处理。文章。

• 并发和OpenGL ES - Apple编程指南。

• 关于iOS GPU使用的OpenCV - 讨论。

金属

• Simon的Gladman（又名flexmonkey）博客
  • 在Realm Altconf上使用Swift和Metal 进行iOS GPU编程。
  • 口袋里的超级计算机：金属和斯威夫特 - 来自2015年斯威夫特峰会的视频
  • https://github.com/FlexMonkey/MetalReactionDiffusion
  • https://github.com/FlexMonkey/ParticleLab
• Memkite博客 - 初创公司旨在为iOS创建深度学习库。
  • 用于Apple TVOS 9.0上的通用GPU处理的Swift和Metal示例
  • 用于iOS8的GPU上的Swift和Metal数据并行处理
  • iOS8中使用Swift和Metal在GPU和CPU之间共享内存的示例
• Metal by Example博客
• 关于金属的objc-io文章

移动ML书籍

• Pete Warden 用TensorFlow构建移动应用程序。书页。免费下载

学习机器学习

请注意，在本节中，我不是要尝试收集所有机器学习学习资源的另一个列表，而是仅编写我认为有用的事项列表。

• 学术洪流。有时很棒的课程或数据集从他们的网站上删除。但这并不意味着他们迷失了。
• Arxiv Sanity Preserver - 与ML研究进展保持同步的工具。

免费书籍

• 由J.Ström，K.Åström和T. Akenine-Möller撰写的沉浸式线性代数交互式书籍。
• “使用Python进行自然语言处理” - 免费在线图书。
• 黑客的概率编程和贝叶斯方法 - 从计算/理解 - 数学 - 第二的观点出发介绍贝叶斯方法和概率规划。
• “深度学习” - Ian Goodfellow和Yoshua Bengio以及Aaron Courville的书

免费课程

• Andrew Ng的原创机器学习课程。
• Youtube上的机器学习播放列表。
• 免费在线互动书籍“神经网络和深度学习”。
• 异构并行编程课程。
• 2015年秋季，弗吉尼亚理工大学电气和计算机工程深入学习感知：ECE 6504
• 第5415章 - UCF的计算机视觉
• CS224d：斯坦福大学自然语言处理的深度学习
• 机器学习：2014-2015牛津课程教材
• 斯坦福CS类CS231n：用于视觉识别的卷积神经网络。
• 自然语言处理的深度学习（无魔法）
• 2015年蒙特利尔深度学习暑期学校的视频。
• 深度学习暑期学校，蒙特利尔2016

其他名单

• 非常棒的机器学习
• 机器学习课程
• 令人敬畏的数据科学
• 令人敬畏的计算机视觉
• 言语和语言处理
• 聊天机器人的兴起： Pavlo Bashmakov的有用链接，文章，图书馆和平台。
• 用于网络安全的令人敬畏的机器学习