iOS Core ML框架机器学习

 iOS 11.0+      //目前iOS低版本系统不支持

 macOS 10.13+

---

参考苹果官方文档Core ML

使用Core ML，可以将经过训练的机器学习模型整合到app中，如图1所示：

图1

Core ML支持视觉图像分析，自然语言处理，GameplayKit评估学会决策树。Core ML本身建立在Accelerate、BNNS、Metal Performance Shaders。

图2

Vision：应用高性能图像分析和计算机视觉技术来识别人脸，检测特征并对图像和视频中的场景进行分类。

Core ML通过轻松整合机器学习模型提供极快的性能，可以使用几行代码构建具有智能新功能的应用程序。并对性能进行了优化，最大限度地减少了内存占用量和功耗。在设备上严格运行可确保用户数据的隐私。

Core ML支持多种机器学习模型，包括神经网络，决策树，支持向量机和广义线性模型。核心ML需要核心ML模型格式（带有.mlmodel文件扩展名的模型）

转换你的模型

可以使用Core ML Tools或第三方转换工具（如MXNet转换器或TensorFlow转换器）将模型转换为Core ML模型格式。否则，需要创建自己的转换工具。

建议用Core ML Tools工具，（毕竟是苹果提供的，后期升级维护有保障）支持的模型和第三方框架如图所示：

图3

下载coremltools：coremltools详细使用方法

    pip install -U coremltools

调用转换器的convert方法并将生成的模型保存为Core ML模型格式（.mlmodel）。

例如，如果您的模型是使用Caffe创建的，则将Caffe模型（.caffemodel）传递给该方法。coremltools.converters.caffe.convert

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

现在将结果模型保存在Core ML模型格式中。

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，或者您可能需要声明图像名称，类型和格式。转换工具捆绑了更多文档，因为可用选项因工具而异。