Core ML 文档翻译

「爱情、让人受尽委屈。」 2022-06-14 02:00 184阅读 0赞

> 本文来自简书，原文地址:[http://www.jianshu.com/p/6c2dff59eaaf][http_www.jianshu.com_p_6c2dff59eaaf]
> 
> 将机器学习模型集成到您的应用当中。

## 概览 ##

借助 Core ML，您可以将已训练好的机器学习模型，集成到自己的应用当中。

![1240][]

所谓已训练模型 (trained model)，指的是对一组训练数据应用了某个机器学习算法后，所生成的一组结果。举个例子，通过某个地区的历史房价来训练出一个模型，那么只要指定房间有几卧几卫，就有可能对未来该房间的房价做出预测。  
Core ML 是领域特定 (domain-specific) 框架和功能的基础所在。Core ML 为 [Vision][] 提供了图像处理的支持，为 [Foundation][] 提供了自然语言处理的支持（例如 [NSLinguisticTagger][] 类），为 [GameplayKit][] 提供了对学习决策树 (learned decision tree) 进行分析的支持。Core ML 本身是基于底层基本类型而建立的，包括 [Accelerate][]、[BNNS][] 以及 [Metal Performance Shaders][] 等。

![1240 1][]

Core ML 针对设备的性能进行了优化，最大限度地减少内存占用和功耗。通过在设备上运行的严格要求，不仅保护了用户数据隐私，而且当网络连接丢失的时候，还能够保证应用能正常工作和响应。

## 获取 Core ML 模型 ##

> 获取 Core ML 模型，以便能在您的应用当中使用。

Core ML 支持多种机器学习模型，其中包括了神经网络 (Neural Network)、组合树 (Tree Ensemble)、支持向量机 (Support Vector Machine) 以及广义线性模型 (Generalized Linear Model)。Core ML 的运行需要使用 Core ML 模型格式（也就是以 `.mlmodel` 扩展名结尾的模型）。

Apple 提供了一些常见的开源[模型][Link 1]供大家使用，这些模型已经使用了 Core ML 模型格式。您可以自行下载这些模型，然后就可以开始在应用中使用它们了。此外，其他的研究机构和大学都发布了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。如果您打算使用这些模型的话，需要对它们进行转换，具体内容详见「将已训练模型转换为 Core ML」。

## 将 Core ML 模型集成到应用中 ##

> 向应用中添加一个简单的模型，然后向模型中传入输入数据，并对模型的预测值进行处理。
> 
> [点击此处][Link 2]下载示例应用。

### 概述 ###

本示例应用使用了一个已训练模型 `MarsHabitatPricer.mlmodel`，用以预测火星上的殖民地价值。

### 将模型添加到 Xcode 项目中 ###

要想将模型添加到 Xcode 项目当中，只需要将模型拖曳进项目导航器 (project navigator) 当中即可。

您可以通过在 Xcode 中打开这个模型，从而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量，以及殖民地的规模大小（以英亩为单位）。模型的输出则是对这个殖民地价值的预测。

![1240 2][]

### 用代码创建模型 ###

Xcode 同样也会使用模型的输入输出信息，来自动为模型生成一个自定义的编程接口，从而就可以在代码当中与模型进行交互。对于这个 `MarsHabitatPricer.mlmodel` 而言，Xcode 会生成相应的接口，来分别表示模型本身(`MarsHabitatPricer`)、模型输入 (`MarsHabitatPricerInput`) 以及模型输出 (`MarsHabitatPricerOutput`)。

使用所生成的 `MarsHabitatPricer` 类的构造器，便可以创建这个模型：

let model = MarsHabitatPricer()

### 获取输入值以传递给模型 ###

示例应用使用了 `UIPickerView`，以便从用户那里获取模型的输入值。

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)

### 使用模型来进行预测 ###

`MarsHabitatPricer` 类会生成一个名为 `prediction(solarPanels:greenhouses:size:)` 方法，从而就可以根据模型的输入值来预测价值，在本例当中，输入值为太阳能板的数量、温室的数量以及殖民地的规模大小（以英亩为单位）。这个方法的结果为一个 `MarsHabitatPricerOutput` 实例，这里我们将其取名为 `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，然后就可以在应用的 UI 当中对这个结果进行展示。

let price = marsHabitatPricerOutput.price
    priceLabel.text = priceFormatter.string(for: price)

> 注意  
> 所生成的 `prediction(solarPanels:greenhouses:size:)` 方法会抛出异常。在使用 Core ML 的时候，您大多数时候遇到的错误通常是：传递给方法的输入数据类型与模型预期的输入类型不同——例如，用错误格式表示的图片类型。在示例应用当中，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，如果遇到了某种错误，那么示例应用就会弹出一个致命错误。

### 构建并运行 Core ML 应用 ###

Xcode 会将 Core ML 模型编译到资源当中，从而进行优化并能够在设备上运行。优化过的模型表征会包含在您的应用程序包当中，在应用在设备上运行的时候，就可以用之来进行预测。

## 将已训练模型转换为 Core ML ##

> 将由第三方机器学习工具所创建的已训练模型，转换为 Core ML 模型格式。

### 概述 ###

如果您已经使用了第三方机器学习工具来创建和训练模型，只要这个工具是受支持的，那么就可以使用 [Core ML Tools][Link 1] 来将这些模型转换为 Core ML 模型格式。表 1 列出了我们支持的模型和第三方工具。

> 注意  
> Core ML Tools 是一个 Python 包 (`coremltools`)，并挂载在 Python Package Index (PyPI) 上。要了解关于 Python 包的更多信息，请参阅 [Python Packaging User Guide][]。

<table style="border-collapse:collapse; border-spacing:0px; width:620px; margin-bottom:20px; border-top:1px solid rgb(221,221,221); border-right:1px solid rgb(221,221,221); border-bottom:1px solid rgb(221,221,221); border-left:none; word-break:normal; color:rgb(47,47,47); font-size:16px"> 
 <thead style=""> 
  <tr style=""> 
   <th style="padding:8px; border:1px solid rgb(221,221,221); line-height:20px; vertical-align:middle"> 模型类型</th> 
   <th style="padding:8px; border:1px solid rgb(221,221,221); line-height:20px; vertical-align:middle"> 支持的模型</th> 
   <th style="padding:8px; border:1px solid rgb(221,221,221); line-height:20px; vertical-align:middle"> 支持的工具</th> 
  </tr> 
 </thead> 
 <tbody style=""> 
  <tr style=""> 
   <td style="padding:8px; border:1px solid rgb(221,221,221); line-height:20px; vertical-align:middle"> 神经网络 (Neural network)</td> 
   <td style="padding:8px; border:1px solid rgb(221,221,221); line-height:20px; vertical-align:middle"> 前馈 (Feedforward)、卷积 (Convolutional)、循环 (Recurrent)</td> 
   <td style="padding:8px; border:1px solid rgb(221,221,221); line-height:20px; vertical-align:middle"> Caffe / Keras 1.2.2</td> 
  </tr> 
  <tr style=""> 
   <td style="padding:8px; border:1px solid rgb(221,221,221); line-height:20px; vertical-align:middle"> 组合树 (Neural networks)</td> 
   <td style="padding:8px; border:1px solid rgb(221,221,221); line-height:20px; vertical-align:middle"> 随机森林 (Random Forests)、提升树 (Boosted Trees)、决策树 (Decision Trees)</td> 
   <td style="padding:8px; border:1px solid rgb(221,221,221); line-height:20px; vertical-align:middle"> scikit-learn 0.18 / XGBoost 0.6</td> 
  </tr> 
  <tr style=""> 
   <td style="padding:8px; border:1px solid rgb(221,221,221); line-height:20px; vertical-align:middle"> 支持向量机 (Support vector machines)</td> 
   <td style="padding:8px; border:1px solid rgb(221,221,221); line-height:20px; vertical-align:middle"> 标量回归 (Scalar Regression)、多级分类 (Multiclass classification)</td> 
   <td style="padding:8px; border:1px solid rgb(221,221,221); line-height:20px; vertical-align:middle"> scikit-learn 0.18 / LIBSVM 3.22</td> 
  </tr> 
  <tr style=""> 
   <td style="padding:8px; border:1px solid rgb(221,221,221); line-height:20px; vertical-align:middle"> 广义线性模型 (Support vector machines)</td> 
   <td style="padding:8px; border:1px solid rgb(221,221,221); line-height:20px; vertical-align:middle"> 线性回归 (Linear Regression)、逻辑回归 (Logistic Regression)</td> 
   <td style="padding:8px; border:1px solid rgb(221,221,221); line-height:20px; vertical-align:middle"> scikit-learn 0.18</td> 
  </tr> 
  <tr style=""> 
   <td style="padding:8px; border:1px solid rgb(221,221,221); line-height:20px; vertical-align:middle"> 特征工程 (Feature engineering)</td> 
   <td style="padding:8px; border:1px solid rgb(221,221,221); line-height:20px; vertical-align:middle"> 稀疏向量矢量化 (Sparse Vectorization)、稠密向量矢量化 (Dense Vectorization)、分类处理 (Categorical Processing)</td> 
   <td style="padding:8px; border:1px solid rgb(221,221,221); line-height:20px; vertical-align:middle"> scikit-learn 0.18</td> 
  </tr> 
  <tr style=""> 
   <td style="padding:8px; border:1px solid rgb(221,221,221); line-height:20px; vertical-align:middle"> 管道模型 (Pipeline models)</td> 
   <td style="padding:8px; border:1px solid rgb(221,221,221); line-height:20px; vertical-align:middle"> 顺序链模型 (Sequentially Chained Models)</td> 
   <td style="padding:8px; border:1px solid rgb(221,221,221); line-height:20px; vertical-align:middle"> scikit-learn 0.18</td> 
  </tr> 
 </tbody> 
</table>

### 模型转换 ###

您可以使用 Core ML 转换器，并根据对应的模型第三方工具，来对模型进行转换。通过调用转换器的 `convert` 方法，然后再将结果保存为 Core ML 模型格式 (`.mlmodel`)。  
例如，如果您的模型是使用 Caffe 来创建的，您可以将 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，您可能会需要更新输入、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。转换工具内置了更详细的文档，因为可用的选项因工具而异。

### 或者，还可以编写自定义的转换工具 ###

如果您需要转换的格式不在表 1 当中，那么您可以创建自己的转换工具。

编写自定义的转换工具，包括了将模型的输入、输出和架构表示转换为 Core ML 模型格式。您可以通过将每一层模型架构，以及层之间的连接关系进行定义，来实现这个操作。您可以通过 [Core ML Tools][Link 1] 所提供的转换工具作为参考；它们演示了如何将各种第三方工具创建的模型类型，转换为 Core ML 模型格式。

> 注意  
> Core ML 模型格式由一系列 Protocol Buffer 文件所定义，具体信息请参见 [Core ML Model Specification][Link 1]。

## Core ML API ##

> 直接使用 Core ML API，从而支持自定义工作流以及更为高级的用例。

在绝大多数情况下，您只需要与模型动态生成的接口进行交互即可，也就是说当您将模型添加到 Xcode 项目当中的时候，这个接口就由 Xcode 自动创建完毕了。您可以直接使用 Core ML API，以便支持自定义工作流或者更为高级的用例。举个例子，如果您需要将输入数据异步收集到自定义结构体，从而来执行预测的话，那么您就可以让这个结构体实现 [MLFeatureProvider][] 协议，从而来为模型提供输入功能。

具体的 API 列表请参见 [Core ML API][]。

[http_www.jianshu.com_p_6c2dff59eaaf]: http://www.jianshu.com/p/6c2dff59eaaf
[1240]: /images/20220614/62341a28244f4180a76567831395f5c4.png
[Vision]: https://developer.apple.com/documentation/vision
[Foundation]: https://developer.apple.com/documentation/foundation
[NSLinguisticTagger]: https://developer.apple.com/documentation/foundation/nslinguistictagger
[GameplayKit]: https://developer.apple.com/documentation/gameplaykit
[Accelerate]: https://developer.apple.com/documentation/accelerate
[BNNS]: https://developer.apple.com/documentation/accelerate/bnns
[Metal Performance Shaders]: https://developer.apple.com/documentation/metalperformanceshaders
[1240 1]: /images/20220614/9d112613b9904cfbba176a59068ff634.png
[Link 1]: https://developer.apple.com/machine-learning
[Link 2]: https://docs-assets.developer.apple.com/published/51ff0c1668/IntegratingaCoreMLModelintoYourApp.zip
[1240 2]: /images/20220614/67a4cfce1b00471ca80b5552af061ff3.png
[Python Packaging User Guide]: https://packaging.python.org/
[MLFeatureProvider]: https://developer.apple.com/documentation/coreml/mlfeatureprovider
[Core ML API]: https://developer.apple.com/documentation/coreml/core_ml_api