开发者向 Swift 递交了优秀的可微分编程提案

在可微分编程 Mega 提案（ Differentiable Programming Mega-Proposal
）项目工作了一年半后，Richard Wei，一位来自谷歌大脑的开发者和他所在的团队，在 Swift 开发论坛（Swift Evolution forum）递交了一个 提案
。该提案旨在“在数值方面和机器学习方面，把 Swift 的能力推向另一高度”，实现这一目标的方式正是在 Swift 中引入可微分编程，这一新的语言特征。它是 Swift for Tensorflow 项目的一部分，团队成员通过这个项目把 Tensorflow 直接集成到 Swift 语言中，向开发者提供下一代机器学习平台。

可微分编程是什么？

随着深度学习模型日益增加的复杂度，以及现代化深度学习框架的引入，很多研究人员开始意识到构建神经网络和编程很相似。
Yann LeCun，Facebook 的 VP 和首席 AI 科学家，把可微分编程看作现代深度学习技术基础上做的少量的重新包装，和深度学习在现代神经网络上做的包装类似，深度学习只是网络层数大于两层的神经网络。他把可微分编程与常规编程进行比较，发现唯一的不同仅在于编程结果是“参数化的，自动微分的，且可训练 / 优化的。”
一些人也说可微分编程只是自动微分的另一种说法，自动微分技术是从数值上计算一个函数导数的方法。它可以被看做是一个新的编程样式，在该样式中，程序可以从头到尾进行微分求解。

参考一下这篇论文：“ Demystifying Differentiable Programming: Shift/Reset the Penultimate Backpropagation
”，可以更好地理解可微分编程。

为何可微分编程要被提交到 Swift？

Swift 是一个表达性强，高性能的语言，这使它成为数值应用程序的完美候选。根据提案作者说，Swift 中一流的可微分编程支持，将允许安全和强大的机器学习开发。
提案作者还相信这是“向着高级数值计算支持迈进的重要一步”。通过这个提案，他们旨在数值计算和机器学习领域把 Swift 变得真正有竞争力。
以下是在 Swift 中加入一流的可微分编程支持的优势：

• 更好的语言覆盖面
  ：一流的可微分编程支持将使微分功能与 Swift 中其他功能工作得更加顺畅。这将允许开发者可以正常地编码，而不用受限于 Swift 的某个功能子集。
• 可扩展性
  ：这将给开发者提供一套可扩展的微分编程系统。开发者们能够利用基础的算子（其在标准库中定义，在类型系统中得到支持），创造自定义的微分 API。
• 静态警告和报错
  ：这将使得编译器可以静态地确认哪些函数不是可微分的，或者会产生值为 0 的微分。然后，它会给出无法进行微分的错误或者警告。通过在同一个库中，直接调试机器学习运行时错误，能够提高生产力。

该提案将在 Swift 中加入的一些组件包括：

• 可微分协议：这是一项标准的库协议，它将生成所需的数据结构，这些数据结构可以是微分方程的参数或者是输出结果。
• @differentiable
  声明属性：这个属性可用于把类函数声明标记为可微分。
• @differentiable
  函数类型：这是正常函数的一个子类型，但是它有着不同的运行时表达方式和调用规则。可微分函数类型接收可微分参数，并输出可微分的结果。
• 微分算子：这部分是可微分 API 的核心，它把“@differentiable”函数作为输入，返回导函数或者计算出导数。
• @differentiating 和 @transposing 算子：
  这些属性是用于声明其他函数的某个自定义导函数。

这个提案在 Hacker News 上引发了激烈讨论。一些开发者对于把可微分编程支持引入 Swift 核心代码感到兴奋。一个用户评论道：“这个提案的影响是巨大的。我几年前在 Haskell 上看见过类似的 POC（proof of concept）工作，但看到它被集成到一个主流语言的核心部分，这真是令人赞叹不已。这可以让他们从 Python 中夺取一大块机器学习市场。希望他们后续能够继续改善机器学习的 API。”
一些人认为则提交一个单独的库可以达到同样的目的。“我知道一个编写良好的库也能实现同样的目的。现在这个看起来是不优雅的。比如说，Python 难道就不曾考虑加入这样的机制吗，Python 这样的语言才是真正能受益最多的语言，因为它已经具备了很多工具和诸多社区。这个提案看起来涉及的范畴过于狭窄，并且与开发语言不在一个抽象层次上。我看到过开发语言支持高层次的功能，这样一个库就可以不用做额外工作也能嵌入这个语言了（例如反射机制），“一位用户补充道。

开发者们还讨论另一个做了类似工作的项目： Julia Zygote
，它是一个源到源（source-to-sourc）的自动微分原型项目。一位用户评论道：”是的，Julia 的下一代 Zygote 项目正在快速发展。而且，作为一个普通用户来看超越深度学习的应用程序，我目前为止最喜欢的就是基于模型的增强学习和神经常微分方程。“

想了解更多细节，可点击查看该提案： Differentiable Programming Mega-Proposal
。