本文是翻译于AppCoda社区，如有版权问题，请告知，会配合处理

原文地址

欢迎来到 Core ML 教程系列的第二篇。在本篇教程中你将会学到如何设置 Python 虚拟环境；接下来，你将会获取一个非 Core ML 格式的数据模型，并学会将该模型转换成 Core ML 模型；最后，我将教你如何把该模型集成到你的应用程序中。在继续开始本教程之前极力推荐你去阅读一下前一篇教程。

在本项目中，我们将会创建一个类似于下面的花朵识别应用。然后，我们主要聚焦在，向你展示对于一个 iOS 开发者如何将一个已经训练好的模型转换成一个 Core ML 格式。

注意：你将需要在 Xcode 9 中完成下面的教程。同时需要一个跑了 iOS 11 的设备去测试本教程的一些功能。最重要的是所有的代码都是用 Swift 4 和 Python 2.7 编写。

开始之前 …

本教程的目的是帮助你学习如何将各种各样格式的数据模型转换成 Core ML 格式。然后在我们开始之前，我先给你介绍一些机器学习框架的背景。有许多流行的深度学习框架为开发者提供工具，用于设计、构建和训练他们自己的模型。我们将会使用来来自于 Caffe 的模型。 Caffe 是由 Bekerley 人工智能公司 ( BAIR ) 创建的，它是用于创建机器学习模型最常用的框架之一。

除了 Caffe ，还有很多其它的框架，比如：Keras，TensorFlow 和 Scikit-learn 。这些框架都有各自的优缺点，你可以在这里了解。

在机器学习中，实现预测和识别系统都是从模型开始的。教计算机去从一个包含训练数据的机器学习算法中学习，训练产生的输出通常称为机器学习模型。解决同样问题（如：物体识别）的机器学习模型有不同的类型，但使用了不同的算法。神经网络、 Tree Ensembles 、 SVMs 就是这些机器算法中的一部分。

作者提示: 如果你想了解更多的关于机器学习模型知识，你可以看一个这个和这篇文章。

在 Core ML 刚发布的时候，不支持将所有其它框架模型转换成 Core ML 模型。下面这张图由苹果提供，展示了 Core ML 支持的模型和第三方工具。

我们使用Core ML 工具将其他数据模型转换成 Core ML 格式，我们将使用 Python 去下载这些工具并使用它们完成转换。

安装 Python 并设置环境

许多研究人员和工程师已经用各种结构和数据为不同任务制作了 Caffe 模型。这些模型被学习并应用到从简单的回归、到大规模视觉分类、图片相似性的 Siamese 网络、语言和机器人应用中。

– Caffe Model Zoo

你可以在 GitHub 中发现不同的已经被训练好的 Caffe 模型。为了有效的共享模型， BAIR 引入了模型动物园框架，你可以在这里找到一些可用的模型。在本文中，我使用这个 Caffe 模型向你展示如何将它转换成 Core ML 格式，以及去实现花朵识别。

首先，在这里下载启动项目。如果你打开项目看一下代码，你就会发现需要访问相机和相册的代码以及被写好了。你可能回认出这就是从上一篇文章来的，只是缺少了 Core ML 模型。

你应该也注意到了在项目 bundle 中多出来的三个文件： oxford102.caffemodel ， deploy.prototxt 和 class_labels.txt 。这就是 Caffe 模型和将要在 demo 中用到的文件。在后面会做详细介绍。

为了使用 Core ML 工具，第一步就是在你的 Mac 中安装 Python。首先，下载 Anaconda （选择 Python 2.7 版本）。 Anaconda 是一种超简单的方式，在你的 Mac 中跑 Python 而不会造成任何问题。一旦你的 Anaconda 安装好了，打开终端，输入以下指令：

conda install python=2.7.13
conda update python

在这两行代码中，我们安装了我们想要的 Python 版本。在编写本文的时候， Python 2 的最新版是 2.7.13 。以防万一，一旦安装了 Python，输入第二行便可以升级到最新版的 Python 。

下一步就是创建一个虚拟环境，在虚拟环境中，你可以使用不同版本的 Python 或包( packages )去编程。输入下面一行指令去创建一个新的虚拟环境。

conda create --name flowerrec

当终端给你以下提示时：

proceed ([y]/n)?

输入「 y 」表示 yes 。恭喜！你现在已经有一个叫做 flowerrec 名字的虚拟环境了。

最后，输入下面的命令去安装 Core ML 工具：

pip install -U coremltools

转换 Caffe 模型

再次打开终端，输入下面的指令，进入虚拟环境：

source activate flowerrec

然后就切换到启动项目的目录下，就是包含了 class_labels.txt 、 deploy.prototxt 和 oxford102.caffemodel 这三个文件的项目。

cd <directory>

一旦你进入文件夹后，就可以初始化 python 了。只要输入 python 就可以在终端中打开一个 Python 界面。第一步就是导入 Core ML 工具，这就是我们要做的事情。

import  coremltools

下面一行非常重要，请特别注意。输入下面一行代码但不要按回车键。

coreml_model = coremltools.converters.caffe.convert(('oxford102.caffemodel', 'deploy.prototxt'), image_input_names='data', class_labels='class_labels.txt')

现在只是很短的一行，这里还有很多。让我们解释一下这三个文件是什么。

1. deploy.prototxt - 描述神经网络结构
2. oxford102.caffemodel - 用 Caffe 格式训练的数据模型
3. class_labels.txt - 包含了模型可能识别出的所有花朵的列表

在上面的语句中，我们定义了一个模型名为 coreml_model 接受coremltools.converters.caffe.convert 函数的结果，该函数作为 Caffe 到 Core ML 的转换器。这一行最后两个参数是：

1. image_input_names='data'
2. class_labels='class_labels.txt'

这两个参数定义了我们想 Core ML 接受的输入和输出。这么说吧：计算机只能理解数字，因此，如果我们不添加这两个参数，我们的 Core ML 模型只能接受数字作为输入和输出，而不是接受一个图片作为输入，字符串作为输出。

现在，你可以按回车，然后休息一下。根据你机器的计算能力，转换器需要运行一段时间。当转换完成之后，你将会被一个简单的 >>> 欢迎。

现在 Caffe 模型已经被转换好了，你需要把它保存下来。可以输入下面的代码完成保存：

coreml_model.save('Flowers.mlmodel')

.mlmodel 文件将会保存在当前文件/目录下。

集成模型到 Xcode

现在我们来到了最后一步，把我们刚刚转换好的模型集成到 Xcode 的项目中。如果你读过上一篇文章，那么你对这一部分会很熟悉。打开启动项目，基于到目前为止你所学习的，我给你一个挑战，将 Core ML 模型集成到你的应用中去。

我希望你能够完成这个任务，至少试一试。如果你完不成，不用担心，接着往下走！

第一步就是把 Flowers.mlmodel 拖拽到我们的 Xcode 项目中，确保 Target Membership 选项是被选中的。

现在，我们打开 ViewController.swift ，然后定义一下代码：

var model: Flowers!
 
override func viewWillAppear(_ animated: Bool) {
    model = Flowers()
}

在这两行代码中，我们定义了数据模型并在视图出现之前初始化好它。

接下来，我们只需要定义一个常量 prediction 去接受模型的预测数据。在 ViewController 的扩展中，把下面的代码输入到 imageView.image = newImage 语句的后面。

guard let prediction = try? model.prediction(data: pixelBuffer!) else {
    return
}
        
classifier.text = "I think this is a \(prediction.classLabel)."

就这样，构建然后运行应用，你应该会看它和上一篇文章中的图片识别应用功能相似。唯一不同的地方在于，这个只适用于花朵，并且我们知道我们可以把一个 Caffe 模型转换成一个 Core ML 模型。

结语

现在你知道如何转换数字模型，你可能在思考在哪里可以获取这些模型。一个简单的 Google 搜索就可以给你很多结果。你几乎可以找到所有类别的数字模型，比如：不同类型的汽车、动物，甚至是一个可以告诉你最像哪个明星的模型。这里有几个地方可以让你开始！

• Caffe Model Zoo
• UCI Machine Learning Repository
• Deep Kearning Datasets

如果你没有找到想要的模型，你可能会想知道能否创建一个自己的模型。这是可以的，但想要实现有点难，我建议你从 Scikit-Learn 或 TensorFlow 开始，可以通过浏览他们的主页学习。

作为参考，你可以参考 GitHub 上完整的项目。

关于 Core ML 模型转换更多的细节，你可以参考下面的资料：

• Apple Developer’s Article on Conversion of Models
• Python Documentation on Core ML
• Coremltools Package Documentation
• Coremltools Package Documentation on Different Converters

你认为这篇文字怎么样？如果你觉得它有用或者任何意见，请告诉我。