图灵汇官网

Core ML 的简介与应用

Apple 在 WWDC 2017 发布了一系列令人振奋的新框架和 API，其中最受欢迎的莫过于 Core ML。Core ML 让开发者可以轻松地将机器学习模型集成到应用程序中，而无需具备额外的神经网络或机器学习知识。开发者只需将已经训练好的模型转换为 Core ML 格式即可使用。

Core ML 的特点

Core ML 支持多种机器学习模型，包括深度学习、树集成、SVMs 和广义线性模型等。它利用底层技术如 Metal 和 Accelerate，从而在设备上高效运行，确保数据处理无需离开设备。本文将展示如何将 Core ML 应用到一个简单的图像识别程序中。

演示程序概览

本文将实现一个简单的程序，允许用户拍摄或从相册中选择照片，然后通过机器学习算法预测照片中的物体。尽管预测结果可能不完全准确，但读者可以借此了解如何将 Core ML 应用到应用程序中。

开始

首先，打开 Xcode 9 beta 并创建一个新项目。选择单视图应用程序模板，并确保使用的语言设置为 Swift。

创建用户界面

如果不想从头开始搭建 UI，可以下载起始项目并直接跳转到 Core ML 部分。在 Main.storyboard 中，添加一些 UI 元素到视图中，并嵌入导航控制器。将导航栏命名为“Core ML”。

实现拍照和相册功能

在 ViewController.swift 中，首先遵从 UIImagePickerControllerDelegate 协议。接下来，添加两个 IBOutlet 分别用于 UIImageView 和 UILabel，并将它们命名为 imageView 和 classifier。此外，还需添加两个按钮点击事件处理方法，分别处理拍照和从相册选择照片的功能。

集成 Core ML 数据模型

为了将 Core ML 数据模型集成到程序中，需要下载并添加一个训练好的模型。本文使用的是 Inception v3 模型。该模型需要输入一张 299x299 的图像，并输出最可能的类型及对应的概率。

转换图片

在 ViewController.swift 中，更新代码以处理选中的图像。使用 Core Image 将选中的图像转换为 299x299 的尺寸，并将其传递给 Inceptionv3 模型进行预测。

使用 Core ML

最后，将处理后的图像传递给 Inceptionv3 模型进行预测，并更新 classifier 标签以显示预测结果。

测试应用

编译并在模拟器或实际设备上运行应用，测试其识别图像中物体的能力。尽管预测可能不总是准确，但通过本文的步骤，读者可以初步了解如何将 Core ML 应用到实际项目中。

总结

通过本文，读者可以掌握如何将 Core ML 集成到应用程序中，实现图像识别等功能。更多关于 Core ML 的详细信息，请参考官方文档和相关视频教程。