原文：Core ML and Vision: Machine Learning in iOS 11 Tutorial
作者：Audrey Tam
译者：kmyhy

注意：本教程需要 Xcode 9 Beta 1 以上，SWift 4 和 iOS 11。

机器学习风头正旺。许多人听说过它，但了解得并不多。

在本教程中，将教你使用 Core ML 和 Vision，这是 iOS 11 中出现的两个全新框架。

最重要的是，你将学习如何使用新的 API 以及 Places205-GoogLeNet 模型来识别图片中的场景。

开始

从这里下载开始项目。其中已经包含了一个用于显示用户从照片库中挑选出的图片的 UI。你可以把精力集中在 app 的机器学习和视觉方面。

Build & run，你会看到一张城市夜景照片和一个按钮：

从照片库中选择其它图片。这个开始项目的 Info.plist 已经添加了 Privacy – Photo Library Usage Description，因此可能会弹出请求授权的窗口。

在图片和按钮之间有一片空白，这里有一个 Label,用于显示对图片中所示场景进行模型识别的结果。

iOS 机器学习

机器学习是一种人工智能技术，计算机不需要经过显示的编程就能够学会一些东西。和进行算法编码不同，机器学习工具能够让计算机发现并提炼出算法，通过在海量数据中查找出模式。

深度学习

从上世纪 50 年代开始，AI 专家发现了许多机器学习的方法。苹果的 Core ML 框架支持神经网络，tree ensembles,支持向量机、广义线性模型、特征工程和管道模型。但是神经网络自从 Google 2012 年用 YouTube 视频训练 AI 识别猫和人开始，创造了一系列显著的成果。而在 5 年之后，Google 赞助了一次识别 5000 种动植物的比赛。Siri 和 Alexa 之类的 app 的出现也得归功于神经网络。

神经网络通过将多层级的节点以不同方式连接在一起，来模拟人类大脑进行处理的过程。每增加一层都需要增加大量的计算能力：Inception v3，一个对象识别模型，拥有 48 层接近 20,000,000 的参数。计算基本上矩阵乘法，GPU 处理起来非常高效。GPU 成本的下降导致人们能够创建多层深度神经网络，也就是所谓的深度学习。

神经网络需要大量的训练数据，最理想的情况是全面模拟各种可能性。用户数据的爆发导致了机器学习焕发生机。

训练模型意味着用训练数据提供给神经网络，让它计算出一个通过输入产生输出的公式。训练是离线的，通常是在一个拥有多 GPU 的机器上进行。

要使用这个模型，只需要给它一个输入，它就会计算出输出：这叫推断。推断也需要大量计算，才能从新的输入计算出输出。通过 Metal 这样的框架，可以在便携式设备上进行推断。

在教程最后你会看到，深度学习远远还未达到完美。因为很难构造真正有代表性的训练数据，而且很容易出现过度训练，这会导致一些罕见特性被放大。

苹果做了些什么？

苹果从 iOS 5 开始引入 NSLinguisticTagger 用于分析神经语言。在 iOS 8 中又出现了 Metal，Metal 提供了对 GPU 底层进行访问的能力。

去年，苹果在 Accelerate 框架中加入了基本神经网络子例程(BNNS），使得开发者能够创建用于推断（不是训练）的神经网络。

今年，苹果推出了 Core ML 和 Vision！

• Core ML 使得在你的 app 中使用训练模型更加容易。

• Vision 允许你轻松访问到苹果的面部识别、面部特征、文本、矩形、条形码和对象模型。

你可以任何图像分析 Core ML 模型封装成 Vision 模型，这正是本教程中要做的。因为这两个框架是内置在 Metal 中的，它们高效运行在设备上，因此你并不需要将用户数据发送给服务器。

集成 Core ML

本教程使用 Places205-GoogLeNet 模型，你可以去苹果的机器学习网页，找到 Working with Models， 下载第一个。在这页面中还有另外 3 个模型，那是用于检测照片中其它对象比如树、动物和人的。

注意：如果你有用兼容的机器学习工具比如 Caffe、Keras 或者 scikit-learn 做出的其它训练模型，这篇文章“将训练模型转变为 Core ML会告诉你如何将它转换为 Core ML 格式。

添加模型

下完 GoogLeNetPlaces.mlmodel,将它从 Finder拖进项目导航器的 Resource 文件组。

选中这个文件，稍等一小会。当 Xcode 生成模型类完成之后，会出现一个箭头：

点击这个箭头，查看生成的类：

Xcode 会生成输入和输出类，以及一个 model 属性和两个 prediction 方法的主类 GoogLeNetPlaces。

GoogLeNetPlacesInput 有一个 sceneImage 属性，类型是 CVPixelBuffer。齐声惊呼：这是什么鬼？。别担心，Vision 框架会为你将我们熟悉的图片格式转换为正确的输入类型:]

Vision 框架还会将 GoogLeNetPlacesOutput 属性转换成它自己的结果类型，并负责调用 predition 方法，因此抛开这些自动生成的代码，你的代码只会和 model 属性打交道。

将 Core ML 模型封装成 Vision 模型

终于开始编写代码了！打开 ViewController.swift,导入两个框架：

import CoreML
import Vision

然后，在 IBActions 扩展后添加新扩展：

// MARK: - Methods
extension ViewController {

  func detectScene(image: CIImage) {
    answerLabel.text = "detecting scene..."

    // Load the ML model through its generated class
    guard let model = try? VNCoreMLModel(for: GoogLeNetPlaces().model) else {
      fatalError("can't load Places ML model")
    }
  }
}

代码解释如下：

首先，显示一段文本，告诉用户将发生什么事情。

GoogLeNetPlaces 的指定初始化方法会抛出一个错误，因此在创建实例时必须使用 try 关键字。

VNCoreMLModel 是一个简单 Core ML 模型容易，用于请求 Visio。

标准的 Vision 框架是创建模型、创建一个或多个请求，创建并执行请求 handler。现在我们只是创建模型，下一步就来创建请求。

在 detectScene(image:) 方法中添加代码：

// Create a Vision request with completion handler
let request = VNCoreMLRequest(model: model) { [weak self] request, error in
  guard let results = request.results as? [VNClassificationObservation],
    let topResult = results.first else {
      fatalError("unexpected result type from VNCoreMLRequest")
  }

  // Update UI on main queue
  let article = (self?.vowels.contains(topResult.identifier.first!))! ? "an" : "a"
  DispatchQueue.main.async { [weak self] in
    self?.answerLabel.text = "\(Int(topResult.confidence * 100))% it's \(article) \(topResult.identifier)"
  }
}

VNCoreMLRequest 是一个图形分析请求，使用 Core ML 模型作为参数。它的完成回调中带一个 request 参数和一个错误对象。

首先判断 request.results 是否是一个 VNClassificationObservation 对象数组，当 Core ML 模型是一个分类器，而不是预测器和图像处理器的时候会返回这种类型的数组。GoogLeNetPlaces 是一个分类器，因为它只会预测一种特性：图片的场景类型。

VNClassificationObservation 有两个属性: identifier — 一个字符串 — 和 confidence — 一个 0 和 1 之间的数字 — 表示分类正确性的概率。当使用对象检测模型时，你可能是通过大于某个可信度来识别对象的，比如 30%.

然后拿到第一个结果，它的可信度是最高的，然后设置冠词为 a 或 an，这取决于 identifier 的一个字母。最后，在主线程中刷新 Label。稍后你会看到识别工作将放在主线程之外进行，因为它速度较慢。

现在是第三步：创建并执行请求回调。

在 detectScene(image:)方法最后加入代码：

// Run the Core ML GoogLeNetPlaces classifier on global dispatch queue
let handler = VNImageRequestHandler(ciImage: image)
DispatchQueue.global(qos: .userInteractive).async {
  do {
    try handler.perform([request])
  } catch {
    print(error)
  }
}

VNImageRequestHandler 是 Vision 框架中的标准请求 handler；它不针对任何特定的 Core ML 模型。我们将方法的 image 参数传递给它。然后调用它的 perform 方法运行这个 handler，将一个请求数组传递给它。当然，现在我们只有一个请求。

perform 方法会抛出一个错误，因此要用 try-catch 块包裹。

使用模型识别场景

嘘，写了好多的代码！但现在，你只需要在两个地方调用 detectScene(image:) 方法。

在 viewDidLoad() 方法最后和 imagePickerController(_:didFinishPickingMediaWithInofo:) 方法最后添加代码：

guard let ciImage = CIImage(image: image) else {
  fatalError("couldn't convert UIImage to CIImage")
}

detectScene(image: ciImage)

Build & run。不一会你会看到一个分类结果：

神了，图中真的有摩天大楼！还有一列列车。

点击按钮，从照片库中选择一张图片，一张阳光斑驳的树叶的特写。

嗯，还真别说，如果你眯起眼，看起来还真像是小丑鱼或小渔船在游动？但有一点是确认的，a 和 an 是对的。

苹果 Core ML 示例 app

本教程的 demo 和“WWDC 2017 会议视频 506 Vision 框架：Building on Core ML”的 demo 项目 类似。这个 Vision + ML Example app 使用的是 MNINST 分类器，它用于识别手写数字——对于邮政自动分拣非常有用。它同样使用了原生 Vision 框架的 VNDetectRectangleRequest 方法，并调用 Core Image 去矫正矩形的透视。

你可以从 Core ML 文档页 下载其它示例项目。MarsHabitatPricePredictor 模型的输入只能是数字，因此可以直接调用生成的 MarsHabitatPricer 方法和属性，而不用将模型封装成 Vision 模型。一次只修改一个参数，这样就很容易看到这个模型是一个线性回归:

137 * solarPanels + 653.50 * greenHouses + 5854 * acres

结尾

你可以从这里下载完成项目。如果模型显示为不存在，请替换成你下载的模型。

你现在已经掌握如何在项目中集成已有模型了。

更多内容，请参考：

• 苹果的 Core ML 框架文档
• WWDC 2017 会议视频 703：介绍 Core ML
• WWDC 2017 会议视频 710：深入 Core ML

以及 2016 年:

• WWDC 2016 会议视频 605 What’s New in Metal, Part 2: demos show how fast the app does the Inception model classification calculations 感谢 Metal。
• 苹果的基本神经网络子例程文档

想创建自己的模型？这已经大大超出本文的范畴了（以及我的专业水平）。你可以参考下列资源：

• RWDevCon 2017 会议视频 3 iOS 中的机器学习: Alexis Gallagher 做了一件很了不起的事情，教你如何采集某个神经网络所需的训练数据（你微笑或者皱眉头的视频），然后检查它是否运行良好（或者相反）。他得出了结论：除了数学家和大公司之外，你也可以构建实用的模型。
• 苹果AI 科研论文中的 Quartz 文章：Dave Gershgorn 的关于 AI 的文章非常清晰透彻。这篇文章做了一件非常棒的事情，总结了苹果的第一个 AI 科研论文： 研究者用训练神经网络去通过真实图片来生成合成图片，同时高效低生成了海量的优质训练数据，从而避免个人数据隐私问题。

最后，我也从 Andreessen Horowitz 公司的 Frank Chen 写的这篇AI 简史中获益良多：AI 和深度学习 a16z 播客。

希望本文对你有所帮助。请在下面留言！