Core ML学习

最新推荐文章于 2024-08-07 09:16:09 发布

BianHuanShiZhe

最新推荐文章于 2024-08-07 09:16:09 发布

阅读量648

点赞数

分类专栏： iOS

本文链接：https://blog.csdn.net/BianHuanShiZhe/article/details/77417668

版权

iOS 专栏收录该内容

292 篇文章 0 订阅

订阅专栏

Core ML，这是个全新的机器学习基础框架，它于全系 Apple 产品当中，其中包括 Siri、Camera 以及 QuickTime。Core ML 提供惊的速性能，能够轻松地集成机器学习模型，从让您仅通过代码就构建出更具智能的应用

Core ML 允许您将各种机器学习模型集成到的应当中。除持超过 30 层类型的深度学习之外，它同样还持诸如组合树、SVM、义线性模型之类的标准模型。由于 Core ML是基于 Metal、Accelerate 之类的底层技术建立的，因此它可以缝 CPU 和 GPU 来提供最效的性能和效率。您可以在设备上独立运机器学习模型，因此数据需离开执分析的设备。

Vision

您可以轻松地将计算机视觉学习功能放到的应当中。Vision 所持的功能包括脸追踪、脸识别、脸特征点识别 (landmarks)、本识别、矩形识别、条形码识别、对象追踪以及图像配准 (image registration)。

然语处

Foundation 中的然语处 API 使机器学习，从能够通过语辨识、词语切分(tokenization)、词形还原 (lemmatization)、词性 (part of speech) 以及命名实体识别 (namedentity recognition) 来深入解语本。

获取 Core ML 模型

获取 Core ML 模型，以能在您的应当中使。
Core ML 持多种机器学习模型，其中包括神经络 (Neural Network)、

组合树 (Tree

Ensemble)、持向机 (Support Vector Machine) 以及义线性模型 (Generalized LinearModel)。Core ML 的运需要使 Core ML 模型格式(也就是以 .mlmodel 扩展名结尾的模型)。

Apple 提供些常的开源模型供家使，这些模型已经使 Core ML 模型格式。您可以下载这些模型，然后就可以开始在应中使它们。此外，其他的研究机构和学都发布不少机器学习模型和训练数据，这些往往都不是以 Core ML 模型格式发布出来的。如果您打算使这些模型的话，需要对它们进转换，具体内容详「将已训练模型转换为Core ML」。

将 Core ML 模型集成到应中向应中添加个简单的模型，然后向模型中传入输入数据，并对模型的预测值进处。

点击此处下载  应 。
概述

本应使个已训练模型 MarsHabitatPricer.mlmodel，以预测火星上的殖地价值。

将模型添加到 Xcode 项中
要想将模型添加到 Xcode 项当中，只需要将模型拖曳进项导航器 (project navigator) 当

中即可。

您可以通过在 Xcode 中打开这个模型，从来查看它的相关信息，其中包括有模型类型以及其预期输入和输出。模型的输入为太阳能板和温室的数，以及殖地的规模 (以英亩为单位)。模型的输出则是对这个殖地价值的预测。

代码创建模型

Xcode 同样也会使模型的输入输出信息，来动为模型成个定义的编程接，从就可以在代码当中与模型进交互。对于这个 MarsHabitatPricer.mlmodel ，Xcode 会成相应的接，来分别表模型本 (MarsHabitatPricer)、模型输入 (MarsHabitatPricerInput)以及模型输出 (MarsHabitatPricerOutput)。

使所成的 MarsHabitatPricer 类的构造器，可以创建这个模型:let model = MarsHabitatPricer()

获取输入值以传递给模型

应使 UIPickerView，以从户那获取模型的输入值。

func selectedRow(for feature: Feature) Int {
return pickerView.selectedRow(inComponent: feature.rawValue)

}

let solarPanels = pickerDataSource.value(for: selectedRow(for: .solarPanels),feature: .solarPanels)
let greenhouses = pickerDataSource.value(for: selectedRow(for: .greenhouses),feature: .greenhouses)
let size = pickerDataSource.value(for: selectedRow(for: .size), feature: .size)使模型来进预测

MarsHabitatPricer 类会成个名为 prediction(solarPanels:greenhouses:size:) 法，从就可以根据模型的输入值来预测价值，在本当中，输入值为太阳能板的数、温室的数以及殖地的规模 (以英亩为单位)。这个法的结果为个 MarsHabitatPricerOutput 实，这我们将其取名为 marsHabitatPricerOutput。

guard let marsHabitatPricerOutput = try? model.prediction(solarPanels: solarPanels,greenhouses: greenhouses, size: size) else {

fatalError("Unexpected runtime error.")}

通过读取 marsHabitatPricerOutput 的 price 属性，就可以获取所预测的价值，然后就可以在应的 UI 当中对这个结果进展。

let price = marsHabitatPricerOutput.price
priceLabel.text = priceFormatter.string(for: price)
注意
所成的 prediction(solarPanels:greenhouses:size:) 法会抛出异常。在使 Core ML 的时候，您多数时候遇到的错误通常是:传递给法的输入数据类型与模型预期的输入类型不同—— 如，错误格式表的图片类型。在应当中，预期的输入类型为 Double。所有的类型不匹配错误都会在编译时被捕获，如果遇到某种错误，那么应就会弹出个致命错误。
构建并运 Core ML 应

Xcode 会将 Core ML 模型编译到资源当中，从进优化并能够在设备上运。优化过的模型表征会包含在您的应程序包当中，在应在设备上运的时候，就可以之来进预测。

将已训练模型转换为 Core ML将由第三机器学习具所创建的已训练模型，转换为 Core ML 模型格式。

概述

如果您已经使第三机器学习具来创建和训练模型，只要这个具是受持的，那么就可以使 Core ML Tools 来将这些模型转换为 Core ML 模型格式。表 1 出我们持的模

型和第三具。

注意
Core ML Tools 是个 Python 包 (coremltools)，并挂载在 Python Package Index (PyPI) 上。要解关于 Python 包的多信息，请参阅 Python Packaging User Guide。
模型类型持的模型持的具
神经络 (Neural network) 前馈 (Feedforward)、卷积 (Convolutional)、循环 (Recurrent)Caffe / Keras 1.2.2
组合树 (Neural networks) 随机森 (Random Forests)、提升树 (Boosted Trees)、决策树(Decision Trees) scikit-learn 0.18 / XGBoost 0.6
持向机 (Support vector machines) 标回归 (Scalar Regression)、多级分类 (Multiclassclassification) scikit-learn 0.18 / LIBSVM 3.22
义线性模型 (Support vector machines) 线性回归 (Linear Regression)、逻辑回归(Logistic Regression) scikit-learn 0.18
特征程 (Feature engineering) 稀疏向化 (Sparse Vectorization)、稠密向化(Dense Vectorization)、分类处 (Categorical Processing)scikit-learn 0.18
管道模型 (Pipeline models) 顺序链模型 (Sequentially Chained Models) scikit-learn 0.18模型转换

您可以使 Core ML 转换器，并根据对应的模型第三具，来对模型进转换。通过调转换器的 convert 法，然后再将结果保存为 Core ML 模型格式 (.mlmodel)。如，如果您的模型是使 Caffe 来创建的，您可以将 Caffe 模型 (.caffemodel) 传递给coremltools.converters.caffe.convert 法。

import coremltools
coreml_model = coremltools.converters.caffe.convert('my_caffe_model.caffemodel')然后将结果保存为 Core ML 模型格式。

coreml_model.save('my_model.mlmodel')

根据您模型的不同，您可能会需要 新输入、输出以及相关的参数标签，或者您还可能会需要
声明图片名称、类型以及格式。转换 具内置  详细的 档，因为可 的选项因 具 异。

或者，还可以编写定义的转换具
如果您需要转换的格式不在表 1 当中，那么您可以创建的转换具。

编写定义的转换具，包括将模型的输入、输出和架构表转换为 Core ML 模型格式。您可以通过将每层模型架构，以及层之间的连接关系进定义，来实现这个操作。您可以通过 Core ML Tools 所提供的转换具作为参考;它们演如何将各种第三具创建的模型

类型，转换为 Core ML 模型格式。

注意
Core ML 模型格式由系 Protocol Buffer 件所定义，具体信息请参 Core ML ModelSpecification。
Core ML API

直接使 Core ML API，从持定义作流以及为级的。在绝多数情况下，您只需要与模型动态成的接进交互即可，也就是说当您将模型添加到 Xcode 项当中的时候，这个接就由 Xcode 动创建完毕。您可以直接使 Core MLAPI，以持定义作流或者为级的。举个，如果您需要将输入数据异步收集到定义结构体，从来执预测的话，那么您就可以让这个结构体实现MLFeatureProvider 协议，从来为模型提供输入功能。