生活_傻大方

  1. 主页 > 生活百科 > >

大咖专栏| 使用 Apache MXNet 和 Apple Core ML 将机器学习引入

大咖专栏| 使用 Apache MXNet 和 Apple Core ML 将机器学习引入

大咖专栏

大咖专栏主要刊登 AWS 诸位大咖亲自撰写的 Blog，内容涉猎广泛，话题讨论前沿，且与实战紧密相连。我们非常欢迎小伙伴们在评论区留言，与大咖互动交流！

今天为大家撰文的大咖，是 AWS 合作伙伴解决方案架构师和 AWS 深度学习团队的成员—— Sebastien Menant 和 Pracheer Gupta.

大咖专栏| 使用 Apache MXNet 和 Apple Core ML 将机器学习引入

Sebastien Menant 

AWS解决方案架构师

他起初与悉尼的企业客户合作，现在帮助旧金山港湾区的客户进行 AWS 创新。他曾在 Apple 公司工作过，在那里，他培养了对 iOS 软件开发和 Swift 编程语言的兴趣。

大咖专栏| 使用 Apache MXNet 和 Apple Core ML 将机器学习引入
大咖专栏| 使用 Apache MXNet 和 Apple Core ML 将机器学习引入

Pracheer Gupta

AWS深度学习团队成员

他目前是 Apache MXNet 应用程序的技术负责人，帮助客户基于 MXNet 构建智能应用程序。在过去，他致力于构建一种基于 Paxos 的分布式锁管理器，该管理器成为了 AWS 大部分的基本构建块。他在业余时间喜欢研究历史和心理学。

背景

大咖专栏| 使用 Apache MXNet 和 Apple Core ML 将机器学习引入

利用 Apple 在 WWDC 2017 上发布的 Core ML，iOS、macOS、watchOS 和 tvOS，开发人员现在可以轻松地将机器学习模型集成到其应用程序中。这使得开发人员只需编写几行代码即可为用户带来智能的新功能。利用 Core ML，移动开发人员能够更方便地使用机器学习。它可让您进行快速原型设计，并使用不同的传感器（如摄像机、GPS 等）来创建具有比以往更强大的功能的应用程序。

大咖专栏| 使用 Apache MXNet 和 Apple Core ML 将机器学习引入

而随着苹果用于新一代iPhone的A11 Bionic处理芯片的发布，其内置的AI芯片——神经引擎（Neural Engine）可为Core ML模型提供加速，将极大的推动AI应用的发展与普及。

大咖专栏| 使用 Apache MXNet 和 Apple Core ML 将机器学习引入
大咖专栏| 使用 Apache MXNet 和 Apple Core ML 将机器学习引入

MXNet 社区的成员（括来自 Apple 和 AWS的参与者）已展开合作以生成用于将使用 MXNet 构建的机器学习模型转换为 Core ML 格式的工具。利用此工具，开发人员能够轻松构建面向 Apple 设备的由机器学习支持的应用程序。借助此转换工具，您现在将获得适用于支持深度学习的应用程序的快速管道。您可以从 AWS 云中使用 MXNet 的可扩展的高效分布式模型训练迁移到 Apple 设备上的快速运行时推理。

为了支持该转换工具的发布，我们已决定构建一个出色的 iOS 应用程序。我们从AWS AI 博客文章《在 AWS EC2 上使用 MXNet 和 Multimedia Commons 数据集估计图像的位置》（文章地址：http://t.cn/RpFkRcs）获得了灵感，这篇文章介绍了用于预测图片拍摄位置的 LocationNet 模型。

在这篇博客文章中，我们说明了如何设置环境以将 MXNet 模型转换为 Core ML，转换现有模型，然后将模型导入用 Swift 编写的示例 iOS 应用程序中。iOS 应用程序向模型提供图片，从而预测图片拍摄位置，然后在交互式地图上显示该位置。出于性能的考虑，我们建议您在安装了 iOS 11 的物理 iOS 设备（如 iPhone）上运行该应用程序，但您也可以在 Xcode 9.0 测试版附带的模拟器上试用该应用程序。

请注意，在编写 Xcode 9 时，iOS 11 和 Core ML 仍为测试版，并且您需要 Apple 开发人员计划账户来下载 Xcode 和 iOS。但是，在这些产品后公开发布，您便能使用 Mac 上的应用商店和 iOS 设备上的软件更新来获取它们。

MXNet 和该转换工具的安装

已在 macOS High Sierra 10.13 测试版 8 上安装并测试该工具。但是，只要您未在 Mac 上的 Core ML 模型上运行推理，便能在 macOS El Capitan (10.11) 及更高版本上运行该转换器。

要运行该转换工具，您需要安装 Python 2.7。

运行以下命令可安装 MXNet 框架以及 mxnet-to-coreml 工具：

pip install mxnet-to-coreml

MXNet 模型的转换

已在单个 p2.16xlarge Amazon EC2 实例上使用 MXNet 来训练 LocationNet 模型，该实例包含来自 AWS Multimedia Commons 数据集的带有地理标记的图像（查看数据集请访问：http://t.cn/RpFkgy8）。它会在 MXNet Model Zoo 上公开分享。

与任何 MXNet 模型一样，LocationNet 包含两个部分：

·    一个包含模型定义的 JSON 文件

·    一个包含参数的二进制文件

继续并下载存储在 Amazon S3 上的 .json 模型定义

（下载地址：http://t.cn/RpFksV3）和 .params 模型参数（下载地址：http://t.cn/RpFFZV1）。

此外，您还将需要从 GitHub 存储库下载类文件 grids.txt（下载地址：http://t.cn/RpFFVEo），该文件包含用于训练模型的地理单元格。已使用 Google 的 S2 Geometry Library 通过训练数据创建该文件。此文本文件中的每一行都采用 S2 单元格标记、纬度和经度的形式（例如，8644b594 30.2835162512 -97.7271641272）。iOS 应用程序中的 Swift 代码将删除 S2 单元格标记信息，并且仅使用坐标。

按 GitHub 存储库中对该转换工具的描述，我们现在将转换模型。

在将所有内容下载到同一目录中后，请运行此命令：

mxnet_coreml_converter.py --model-prefix="RN101-5k500" --epoch=12 --input-shape="{"data":"3,224,224"}" --mode=classifier --pre-processing-arguments="{"image_input_names":"data"}" --class-labels grids.txt --output-file="RN1015k500.mlmodel"

在内部，该模型首先由在内存中重新创建整个符号图的 MXNet 进行加载。转换器浏览此符号图，并将每个运算符转换为其 Core ML 等效项。提供给转换器的一些参数由 MXNet 用来生成该图，而其他参数由 Core ML 用来预处理输入 (在将输入传递到神经网络之前) 或以特定方式处理神经网络的输出。

您应看到正在处理模型的多个层的转换工具，然后通过所生成文件的名称确认 SUCCESS。在后面的阶段，您将生成的文件 RN1015k500.mlmodel 导入 Xcode 项目中。

大咖专栏| 使用 Apache MXNet 和 Apple Core ML 将机器学习引入

安装 Xcode 后，如果您双击此模型文件，则可以获得有关此文件的更多信息 (例如，文件的大小、名称和参数)，这些信息通常将在您的 Swift 代码中使用：

大咖专栏| 使用 Apache MXNet 和 Apple Core ML 将机器学习引入

在接下来的内容里，我们会介绍：

下载并配置 iOS 应用程序的代码

运行该应用程序，查看一些神奇的地方

总结以及接下来做什么？

请感兴趣的小伙伴点击“阅读原文”

或扫描/长按识别下方的二维码

阅读完整版文章

大咖专栏| 使用 Apache MXNet 和 Apple Core ML 将机器学习引入
大咖专栏| 使用 Apache MXNet 和 Apple Core ML 将机器学习引入



    上一篇：第十七届中原花博会开幕 千人雨中游园赏秋

    下一篇：《Hey 3D》栏目 | 传说中的隔壁老王终于要传授3D打印秘籍啦！小