WWDC2018之Create ML(一)

WWDC2018刚刚过去一个不到一个月，开发者们是不是对iOS12的新特性蠢蠢欲试，在WWDC2018上，库老板发布了iOS12，watchOS 5，macOS Mojave和tvOS12。这次发布会升级了ARKit2，CoreML2，新增了Create ML。那么，我们一定很好奇新增的这个Create ML是什么？和CoreML又有什么关系，下面我带大家看一下。

Create ML是什么？

如果你用过CoreML的话，你应该知道，使用CoreML的前提是你需要机器学习已经训练好的模型，这个模型怎么来呢？使用tensorflow等神经网络框架训练出来，然后通过苹果的工具转换成相应的格式才能使用，但是这样的话，你需要学习相应的神经网络算法，写相应的神经算法去训练模型，这样学习成本成吨的上涨。这个时候，Create ML的出现，能够让你更加轻松的训练出模型，苹果是不是很贴心呢！

如何去做？

下面我将一步一步的演示最基本的做法！
我们都知道CoreML主要用于识别图像和自然语言，那么，我们这一篇以识别图像作为演示。

环境

电脑系统：macOS Mojave
Xcode版本：Xcode 10 beta2
开发语言：Swift4.2

制作图像分类器

目标：分类猫、狗、狮子、老虎、羊的图片
1.数据预处理
首先我们要收集猫、狗、狮子、老虎、羊的不重复图片数据，里面的80%的图片当做训练集，20%的图片当做测试集。
新建一个叫Training Data的文件夹，这个文件夹当做训练集的总文件夹，再这个文件夹再新建要分类的文件夹。

Training Data的文件目录结构

新建一个叫Testing Data的文件夹，这个文件夹当做测试集的总文件夹，和Training Data一样，里面再新建分类的子文件夹。

Testing Data的文件目录结构

总分类文件夹下的每个子分类的图片张数必须要一样，Training Data的每个子分类的图片至少10张，图片的数量越大，学习后的精确度越高，学习的时间也越长。这些图像不必是相同的大小，也不必是任何特定的大小，最好使用299x299以上像素的图像。比较常用的图像格式都可以，例如JPEG and PNG都可以。
下面我将使用每个分类总共使用50张图片，Training Data下各个分类下的文件夹下的图片数目分别是40张，Testing Data下的各个分类下的文件夹下的图片数目分别是10张.
2.新建一个macOS的Playground文件，注意这里必须选择macOS类型的，如果是iOS或者tvOS的话是无法导入Create ML库的。

创建playground

3.新建好之后可以输入创建图片分类器UI的代码

生成并启动Live View

这个时候我们再最右面看到图片分类器的Live View。后面的所有操作都是根据这个来操作的。
4.开始操作
展开Live View的ImageClassifier，我们可以看到好多陌生名词，我们一一解释下：

Max iterations:迭代次数。默认是10，越大训练的时间越长，但是不要过大，所以可以通过逐步的增加迭代次数来改善正确率。
Augmentation下面有4个选项，这4个选项是为了通过Flip（翻转），Rotate（旋转），Expose（曝光），Shear（裁剪）四种方式对同一张图片进行处理，这样的话，一张图片经过这四种处理，就变成多张图片。更有利于模型学习，这种技术叫做数据增强。一般情况下，数据不足的情况下会用这种方式来提高训练的准确性。

数据增强

这里有一个bug，部分机型测试时在勾选Augmentation的时候训练时，Live View会消失，这可能是数据增强之后数据集变大对内存的压力也变大的的原因。
下面开始训练：可以将Training Data文件夹拖到虚框里或者在上面的Training Data的Choose..选择Training Data文件夹。这时候，数据就会开始训练，因为我这里迭代次数默认是10，训练的时候，Live View会有进度条，控制台也会有进度的打印。最后结果如下：

训练结果的准确度

这里会有人疑问，为什么训练也会有正确率？
答案是作为训练过程的一部分，图像分类器会自动将训练数据分割成训练部分和验证部分，这两者都会影响训练，但方式不同。由于分割是随机进行的，所以每次训练模型时，您可能会得到不同的结果。
我们从控制台也可以看出这一点。

训练时的控制台的输出

这里是将训练集中的5%拿出来做验证部分，结果也可以看出来验证的正确率100%。
如果你看了官方文档，官方文档给出的训练结果截图和我这种情况不一样，那么不要慌！因为当验证部分和训练部分的准确度不一样的时候，就会出现分别显示训练部分和验证部分的准确度。下面是官方文档演示的结果截图：

官方示例截图

然后，再将Testing Data文件夹拖进去。得到结果：

测试结果的准确度

上面显示测试集预测的准确度为100%，下面是每张测试数据的图片的测试结果。

测试时的控制台的输出

从控制台可以看出进度和每一分类的准确度。
从结果来看我们这个模型准确率已经很高了，这样差不多就完成了，最后只要把模型保存下来就够了。

最后的编辑保存

填写Author，Description，License，Version，选好保存的地址，点一下Save按钮就保存下来了。
这样我们就可以使用训练好的模型用CoreML去happy的去创建app了。