将经过训练的模型转换为 Core ML

文章

将经过训练的模型转换为 Core ML

将使用第三方机器学习工具创建且经过训练的模型转换为 Core ML 模型格式。

概览

使用受支持的第三方机器学习框架创建和训练模型后，您可以使用 Core ML 工具或第三方转换工具 (如 MXNet 转换器 (英文) 、(ONNX 转换https://github.com/onnx/onnx-coreml)或 TensorFlow 转换器 (英文)) 将模型转换为 Core ML 模型格式。否则您将需要创建自己的转换工具。

 

使用 Core ML 工具(coremltools)

Core ML 工具 (英文) 是一个 Python 包，可将各种类型的模型转换为 Core ML 模型格式。下文表 1 中列出了受支持的模型和第三方框架。

具体安装使用参考“程序包文档 (英文)”。

 

表 1 

Core ML 工具支持的模型和第三方框架

模型类型	支持的模型	支持的框架
神经网络	前馈、卷积、循环	Caffe v1 Keras 1.2.2+
树集成	随机森林、提升树、决策树	scikit-learn 0.18 XGBoost 0.6
支持向量机	标量回归、多元分类	scikit-learn 0.18 LIBSVM 3.22
广义线性模型	线性回归、逻辑回归	scikit-learn 0.18
特征工程	稀疏向量矢量化、稠密向量矢量化、分类处理	scikit-learn 0.18
管道模型	顺序链模型	scikit-learn 0.18

 

 

转换模型

根据模型所用的第三方框架，您可以使用对应的 Core ML 转换器转换相应模型。调用转换器的 convert 方法，并将得到的模型存储为 Core ML 模型格式 (.mlmodel)。

例如，如果模型是使用 Caffe 创建的，请将 Caffe 模型 (.caffemodel) 传递给 coremltools.converters.caffe.convert 方法。

import coremltools
coreml_model = coremltools.converters.caffe.convert('my_caffe_model.caffemodel')

然后，将得到的模型存储为 Core ML 模型格式。

coremltools.utils.save_spec(coreml_model, 'my_model.mlmodel')

 

根据您的模型，您可能需要更新输入、输出和标签，或者可能需要声明图像名称、类型和格式。可用选项因工具而异，因此转换工具内置了更多文档。有关 Core ML 工具的更多信息，请参阅“程序包文档 (英文)”。

或者，自己编写自定义转换工具

如果上述所列工具不支持您需要转换的模型格式，您可以创建自己的转换工具。

在编写自己的转换工具时，会涉及到从模型的输入、输出和架构表示方法至 Core ML 模型格式的转换。为此，您需要定义每一层的模型架构以及每一层与其他层的连接。以 Core ML 工具 (英文) 提供的转换工具为例，它们展示了如何将使用第三方框架创建的各种模型类型转换为 Core ML 模型格式。

注释

Core ML 模型格式由一组协议缓冲文件定义，详见“Core ML 模型规范 (英文)”。