人工智能每年都在接近，直到昨天才只有少数人可以使用。今天，我们可以自己创建机器学习模型，并在我们的项目中使用它们。在本文中，我们将介绍Create ML工具，并尝试训练模型对图像进行分类。但是在开始之前，请先回顾一下历史和解释。在面向开发人员WWDC2018的年度会议上，Apple介绍了用于与机器学习Create ML配合使用的工具。在Create ML中训练的模型是将机器学习算法应用于一组训练数据的结果。模型不会占用太多空间（大约3Mb），因此可以将它们存储在项目中。最初，有人提议在Xcode 10中使用Playgrounds训练模型，并支持使用图像，文本和表格。启动项目的操场时，有必要导入CreateML库并运行MLImageClassifierBuilder（以防我们训练模型对图像进行分类）。import CreateMLUI
let builder = MLImageClassifierBuilder()
builder.showInLineView()
苹果在2019年推出了一种全新的工具，用于将机器学习模型与Playgrounds分开使用。无需一行代码即可训练模型。数据类型列表已被声音和活动所补充。总共提供了5种数据类型和9种模型模板。让我们看一下每种数据类型以及结果可以得到的模型。图片
使用图像训练时，有两个模板可用-图像分类器（图像分类器）和对象检测器（对象检测器）。图像分类器用于根据图像内容对图像进行分类。训练好模型后，我们可以识别图像中的一个对象并将其归为某种类型。例如，为了识别图像中的动物，甚至区分照片中描绘的花朵。在创建ML中，图像分类器模板使用传递训练。传递训练是将预先训练的模型与用户数据结合在一起的能力，这使您可以在少量图像上训练模型。对象检测器是一种深度学习模型。使您可以识别图像中的多个对象，例如人，建筑物，汽车。而所有这些都在一个图像中。还应该添加的是，在训练对象检测器模型时，将使用计算机GPU。声音
处理声音时，只有一个模板可用于创建模型-声音分类器（声音分类器）。声音分类器是一个新模板，可让您确定音频流中最主要的声音。例如，您可以确定哪些乐器在音频中发出声音。声音分类器与图像分类器一样，使用传递训练。活动
活动仅由一个模板表示-活动分类器。活动分类器是Create ML中的新模板，用于对来自加速度计和陀螺仪的运动数据进行分类。这样的模型是深度学习模型，并使用计算机的GPU进行训练。文本
文本由两个模板表示：文本分类器（text classifier）和单词标记器（Word Tagger）（单词标记）。文本分类器用于根据句子，段落甚至整个文章的内容来识别它们。Word Tagger用于标记单词或识别文本中的任何名称。桌子
表由三个模板表示：表格回归器（table regressor），表格分类器（table classifier）和推荐器（recommender）。表格回归器是可以基于某些数据预测数值的模型。例如，您可以训练一个可以预测天气的模型。表格分类器根据对象的功能对对象进行分类。例如，您可以训练模型来根据各种用户参数确定在线商店中衣服的大小。如果目标是离散值，则模型可以使用整数，双精度型，字符串和long之类的类型。推荐器允许您根据用户行为来推荐内容，并且所有计算都直接在设备上执行。现在我们已经熟悉了所有可用的模板，我们可以开始创建第一个机器学习模型。让我们从图像分类器开始。图像分类器
您看过HBO硅谷系列吗？在第四季度的系列之一中，他们展示了一种可在图像中识别“热狗”和“非热狗”的应用程序。使用图像分类器，可以创建此应用程序的类似物。但是首先，您需要准备数据以训练模型。在此处存档图像。训练图像分类器模型的一些要求。图片不得少于299 x 299像素。培训套件必须包含至少10张图像，但数量越多越好。现在我们知道，在训练图像分类器时，将使用传递训练，这使您可以在少量图像上训练模型。每组图像的数量必须相等，否则将朝着其中一种类别转移。大约80％的图像用于训练模型，其余20％用于测试。同样，不应重复图像，即在用于训练的图像文件夹中，不应有将进一步用于测试的图像。用于培训的文件夹的名称将用作相应类别的标识符，使用模型时。我的示例使用名称HotDog或NotHotDog。图像名称本身不起作用，可以随意命名。我用序列号指定了它们。现在我们的数据已经准备好了，我们可以开始训练模型了。要使用Create ML，我们需要Xcode 11或更高版本。我将使用Xcode 11.3.1。要运行创建ML工具，您需要转到Xcode-> Open Developer Tool->创建ML。将出现一个窗口，您可以在其中选择现有的窗口或创建新的项目。选择新文档。接下来，您需要选择一个模板，在本例中，我们将使用图像分类器。为我们的项目命名，单击“下一步”，然后选择要存储项目的位置。将打开一个用于处理模型的工作环境。
如我们所见，这是一个完全独立的项目，您可以在其中创建和训练多个模型。项目的名称（Project）显示在左侧的检查器中，单击该名称将显示有关该项目的信息并允许您对其进行编辑。在下面的“模型源”中，包含了我们项目中使用的所有模型。现在让我们看一下工具主窗口中的“数据输入”部分。训练数据-您需要在此处添加训练模型的图像。验证数据-您可以在此处添加一组图像来测试模型训练（在我的情况下，我离开了“自动”）。测试数据-在这里您需要添加图像以测试模型训练中未涉及的图像。在“参数”部分，您可以指定在模型训练期间对单个图像执行的最大迭代次数。在“增强”部分中，您可以选择叠加在图像上的效果。熟悉了Create ML之后，我们就可以开始训练我们的第一个模型了。我们只需将Training Data文件夹（名称可以是任意名称）拖到Training Data选项卡中。现在单击训练。学习过程开始。
因此，我花了大约27秒钟来训练，模型几乎准备就绪。训练后，您可以评估模型对训练数据集中的图像进行分类的程度。由于模型是在这些图像中训练的，因此可以对它们进行很好的分类。就我而言，该模型识别出训练集中的所有图像和测试集中的97％的图像。测试时间到了。
转到“测试”选项卡。与用于训练模型的数据一样，只需将“测试数据”文件夹拖到“测试数据”窗口中即可。实际上，在开始培训之前，我们可以设置一个包含图像的文件夹进行测试。但是对于过程的线性度，我们将以不同的方式进行。单击测试模型。根据测试结果，该模型处理了98％。
通过输出，您可以验证模型的性能而无需将其添加到项目中。为此，请添加热狗而非热狗的图像，然后检查结果。我添加了沙拉和热狗的图像，在两种情况下，模型都很好。当然，严肃的项目可能需要更多的数据进行培训，更多的迭代等等。但是对于一个测试项目，这就足够了。要保存模型，只需将其从Output传输到所需的文件夹。
现在，我建议尝试将模型集成到测试项目中，可以在这里找到。模型已经添加到项目中，但是您可以使用任何其他分类器。这不会破坏应用程序，因为模型是可互换的，并且您可以在项目中使用多个模型。只需将完成的模型转移到项目中即可。
在机器学习模型部分，您可以找到有关模型的信息。可以在“创建ML”工具项目中指定此信息。请注意，我们训练的模型仅占用17 KB。此外，在“模型类”部分中，警告您将创建一个名为MyImageClassifier的Swift类，我强烈建议您不要触摸其中的任何内容，因为这可能会影响应用程序。预测部分描述了输入参数以及我们得到的结果。如果您使用的模型不是您要教的，则可以在“实验”部分中检查模型，只需传输图像即可。
转到ImageClassifierService类，在这里您可以看到如何初始化模型。private func makeImageClassifierModel() -> VNCoreMLModel? {
return try? VNCoreMLModel(for: MyImageClassifier().model)
}
很简单吧？接下来，您需要创建，处理和执行分类请求。private func makeClassifierRequest(for model: VNCoreMLModel, ciImage: CIImage) {
let request = VNCoreMLRequest(model: model) { [weak self] request, error in
self?.handleClassifierResults(request.results)
}
let handler = VNImageRequestHandler(ciImage: ciImage)
DispatchQueue.global(qos: .userInteractive).async {
do {
try handler.perform([request])
} catch {
self.onDidUpdateState?(.requestFailed)
}
}
}
它仅用于处理结果。 private func handleClassifierResults(_ results: [Any]?) {
guard let results = results as? [VNClassificationObservation],
let firstResult = results.first else {
onDidUpdateState?(.requestFailed)
return
}
DispatchQueue.main.async { [weak self] in
let confidence = (firstResult.confidence * 100).rounded()
let resultModel = ClassifierResultModel(identifier: firstResult.identifier, confidence: Int(confidence))
self?.onDidUpdateState?(.receiveResult(resultModel: resultModel))
}
}
现在我们可以运行应用程序并检查模型的准确性。
我们可以看到，该模型运行良好。现在，让我们尝试向我们的模型显示不是热狗的图像，并查看她如何应对。
可以看到，该模型将汉堡图像定义为“不是热狗”。我建议稍微混淆一下模型，并在热狗服装中添加狗的图像。
在这里，我们训练有素的模型做得很好。结论
在这篇简短的文章中，我们介绍了创建ML工具。了解了它可以使用的类型以及工具使用的模式。他们还尝试训练他们的模型。创建机器学习模型中最困难的部分是查找和准备要学习的数据。您不能训练模型，但可以使用已经训练的模型。例如，已经有可以使用图像和文本的现成模型。github上有许多自定义模型。训练模型的图像也很容易找到，例如Google的档案。但是，如果您需要为目标明确的任务训练模型，则必须收集图像并创建档案。