WWDC19 内参
Cd08b26b1f6d440869075bb14aef89ca
机器学习新工具: Create ML App
D9fd3626d59860b0b0094f11c5776105
故胤道长
预计阅读时间5分钟

本文是 WWDC 2019 Session 430的读后感，其视频及配套 PDF 文稿链接如下：Introducing the Create ML App。
本文首先介绍 Create ML 的背景知识，然后讲解全新 Create ML App 的进步，最后介绍 Create ML 所对应的使用场景。

Create ML 的背景

Create ML 是苹果于2018年 WWDC 推出的生成机器学习模型的工具。它可以接收用户给定的数据，生成 iOS 开发中需要的机器学习模型（Core ML 模型）。

iOS 开发中，机器学习模型的获取主要有以下几种：

  • 从苹果的官方主页下载现成的模型。2017年有4个现成的模型，2018年有6个，今年增加到了9个（8个图片、1个文字），数量有限，进步速度缓慢。

  • 用第三方的机器学习框架生成模型，再用 Core ML Tools 转成 Core ML 模型。2017年苹果宣布支持的框架有6个，包括 Caffee、Keras。2018年宣布支持的第三方框架增加到了11个，包括了最知名的 TensorFlow、IBM Watson、MXNet。至此 Core ML 已经完全支持市面上所有主流的框架。

  • 用 Create ML 直接训练数据生成模型。2018年推出的初代 Create ML有三个特性：使用 Swift 编程进行操作、用 Playground 训练和生成模型、在 Mac OS 上完成所有工作。

今年的 Create ML 在易用性上更进一步：无需编程即可完成操作、独立成单独的 Mac OS App、支持更多的数据类型和使用场景。

Create ML App 的主要功能

去年推出的 Create ML 的工作流程是这样的：定义数据源 -> 用数据源训练并生成模型 -> 验证和测试 -> 保存模型。整个过程需要在 Playground 中编写 Swift 代码，示例代码如下：

import Foundation
import CreateML

// 定义数据源
let trainDirectory = URL(fileURLWithPath: "/Users/createml/Desktop/Fruits")
let testDirectory = URL(fileURLWithPath: "/Users/createml/Desktop/TestFruits")

// 训练模型
let model = try MLImageClassifier(trainingData: .labeledDirectories(at: trainDirectory))

// 评估模型
let evaluation = model.evaluation(on: .labeledDirectories(at: testDirectory))

// 保存模型
try model.write(to: URL(fileURLWithPath: "/Users/createml/Desktop/FruitClassifier.mlmodel"))

今年的 Create ML App 成为了一个单独的 Mac OS 应用，它的工作流程不变，但操作却是异常简便，这里我们以花朵图片分类器为例：

  • 打开 Create ML App。打开 Xcode，选择左上菜单 Xcode 选项，在开发者工具中找到 Create ML，点击打开。
top Created with Sketch.