iOS CoreML 模型转换工具coremltools(一)

coremltools

Core ML 是苹果提供的一个易于集成到app中的机器学习库. 它目前支持iOS, watchOS,macOS 和 tvOS. Core ML 引入了公共文件格式 (.mlmodel) ，它支持机器学习方法包括深度神经网络 (卷积和循环), 基于树的集合 (boosted trees, 随机森林, 决策树) 和广义 线性模型. Core ML 名可以直接集成到 Xcode中.

coremltools 是一个Python 工具包，用于:

• 将由知名的机器学习工具(包括 Keras, Caffe, scikit-learn, libsvm 和 XGBoost)训练的模型 转换为 Core ML 格式的模型(.mlmodel).
• 采用简单的API 编写  Core ML 格式模型.
• 做预测.

安装

coremltools 依赖以下库:

• numpy (1.12.1+)
• protobuf (3.1.0+)

此外, 如果你想转换第三方的训练模型，那么请安装以下依赖库:

• Keras (==1.2.2) with Tensorflow (1.0.x, 1.1.x)
• Xgboost (0.6+)
• scikit-learn (0.15+)
• libSVM

安装 coremltools 参考standard python package installation steps. 假如你已经安装python, 执行:

pip install -U coremltools

即可安装 coremltools.

模型转换

coremltools 使用支持的库来便捷的转换模型. 以下案例 展示了 如何将 Caffe 模型 (Inception) 转换为 Core ML格式 (.mlmodel)

支持的文件: bvlc_alexnet.caffemodel, deploy.prototxt, class_labels.txt

import coremltools

# Convert a caffe model to a classifier in Core ML
coreml_model = coremltools.converters.caffe.convert(('bvlc_alexnet.caffemodel', 'deploy.prototxt'),
                                                    predicted_feature_name='class_labels.txt'
                                                   )


# Now save the model
coreml_model.save('BVLCObjectClassifier.mlmodel')

Here is another example with scikit-learn:

from sklearn.linear_model import LinearRegression
import pandas as pd

# Load data
data = pd.read_csv('houses.csv')

# Train a model
model = LinearRegression()
model.fit(data[["bedroom", "bath", "size"]], data["price"])

 # Convert and save the scikit-learn model
import coremltools
coreml_model = coremltools.converters.sklearn.convert(model, ["bedroom", "bath", "size"], "price")

模型接口

模型转换完, 你可以编辑模型的元数据，这些信息可以在XCode中展示出来. 许可证信息, 作者信息和其他的信息以及输入和输出描述信息.

# Set model metadata
coreml_model.author = 'John Smith'
coreml_model.license = 'BSD'
coreml_model.short_description = 'Predicts the price of a house in the Seattle area.'

# Set feature descriptions manually
model.input_description['bedroom'] = 'Number of bedrooms'
model.input_description['bathrooms'] = 'Number of bathrooms'
model.input_description['size'] = 'Size (in square feet)'

# Set the output descriptions
model.output_description['price'] = 'Price of the house'

# Save the model
model.save('HousePricer.mlmodel')

模型评估

模型转换完毕, 你可以使用Core ML 验证预测的结果并同原始模型进行对比. 为了采用代码的方式进行验证, 我们提供了一个简便的模型评估方式.

以下案例 我们采用已经转换后的HousePricer.mlmodel 来做预测:

import coremltools

# Load the model
model =  coremltools.models.MLModel('HousePricer.mlmodel')

# Make predictions
predictions = model.predict({'bedroom': 1.0, 'bath': 1.0, 'size': 1240})

支持的转换

Core ML 支持许多集成工具训练模型的转换. 下表列出了模型类型支持的转换工具:

模型 类型	支持的工具包
神经网络	Keras (1.2.2), Caffe 1.0
基于树的集合	XGboost (0.6), scikit-learn 0.18.1
广义线性回归	scikit-learn (0.18.1)
支持向量机	libSVM (3.22), scikit-learn (0.18.1)
特征工程	scikit-learn (0.18.1)
Pipelines	scikit-learn (0.18.1)

模型规范

Core ML的重要组件是表示机器学习模型的公共规范. 这个规范定义在 protobuf 文件中，可以由protobuf支持的语言创建并使用(例如. python, C++, Java, C#, Perl, 等等).

在上层,  protobuf 规范由以下组成:

• 模型描述: 编码模型的输入和输出名称和类型信息.
• 模型参数: 代表一个特定实例模型的参数集合.
• 元数据: 模型的信息包括 来源, 许可证 和作者.

内容

• Converters
• Models
• Utilities