2017年的WWDC上，苹果发布了Core ML这个机器学习框架。现在，开发者可以轻松的使用Core ML把机器学习功能集成到自己的应用里，让应用变得更加智能，给用户更牛逼的体验。
Core ML是做什么的
我们知道，机器学习的一个重要应用领域就是事先使用大量数据训练机器，让训练后的机器在面对从未见过的数据时能做出相应的判断。比如，学习大量病人体征数据后，预测疾病发生的概率；学习大量围棋对局后，面对一个陌生的棋局，知道在哪下棋赢的概率更高。
对机器的训练会产生一个关于特定问题的模型，对模型输入特定的数据，模型返回的判断的结果就是输出。Core ML实际做的事情是使用事先训练好的模型（trained model），在本地进行计算，最终返回结果。
应用和Core ML的交互流程大体如图所示：
应用和Core ML的交互流程集成Core ML
准备工作
-
Places205-GoogLeNet用于识别图片里的场景，比如机场航站楼、卧室、森林等。我们要准备一些测试用的图片，我在百度图片用关键字『森林』随便找个图做测试。
正式开工
1. 添加Core ML框架
在Xcode里打开一个工程。在这里我们创建一个叫CoreMLDemo的工程。在Build Phase的Link Binary With Libraries里，加上CoreML.framework。
2. 添加模型文件
把之前下载好的模型文件GoogLeNetPlaces.mlmodel拖到Xcode里，点击该文件能看到模型的详情。
我们看到中间有一个Model Class，它包括了以下几个部分，这些就是我们要调用的Core ML接口。
@interface GoogLeNetPlacesInput : NSObject<MLFeatureProvider>
/// Input image of scene to be classified as RGB image buffer, 224 pixels wide by 224 pixels high
@property (readwrite, nonatomic) CVPixelBufferRef sceneImage;
- (instancetype)init NS_UNAVAILABLE;
- (instancetype)initWithSceneImage:(CVPixelBufferRef)sceneImage;
@end
```
```objc
/// Model Prediction Output Type
@interface GoogLeNetPlacesOutput : NSObject<MLFeatureProvider>
/// Probability of each scene as dictionary of strings to doubles
@property (readwrite, nonatomic) NSDictionary<NSString *, NSNumber *> * sceneLabelProbs;
/// Most likely scene label as string value
@property (readwrite, nonatomic) NSString * sceneLabel;
- (instancetype)init NS_UNAVAILABLE;
- (instancetype)initWithSceneLabelProbs:(NSDictionary<NSString *, NSNumber *> *)sceneLabelProbs sceneLabel:(NSString *)sceneLabel;
@end
```
```objc
/// Class for model loading and prediction
@interface GoogLeNetPlaces : NSObject
@property (readonly, nonatomic, nullable) MLModel * model;
- (nullable instancetype)initWithContentsOfURL:(NSURL *)url error:(NSError * _Nullable * _Nullable)error;
/// Make a prediction using the standard interface
/// @param input an instance of GoogLeNetPlacesInput to predict from
/// @param error If an error occurs, upon return contains an NSError object that describes the problem. If you are not interested in possible errors, pass in NULL.
/// @return the prediction as GoogLeNetPlacesOutput
- (nullable GoogLeNetPlacesOutput *)predictionFromFeatures:(GoogLeNetPlacesInput *)input error:(NSError * _Nullable * _Nullable)error;
/// Make a prediction using the convenience interface
/// @param sceneImage Input image of scene to be classified as RGB image buffer, 224 pixels wide by 224 pixels high:
/// @param error If an error occurs, upon return contains an NSError object that describes the problem. If you are not interested in possible errors, pass in NULL.
/// @return the prediction as GoogLeNetPlacesOutput
- (nullable GoogLeNetPlacesOutput *)predictionFromSceneImage:(CVPixelBufferRef)sceneImage error:(NSError * _Nullable * _Nullable)error;
@end
```
#### 3. 添加Core ML调用代码
把测试图片拖到工程里，找个合适的地方开始写调用Core ML的代码。为了例子简单，我直接写在ViewController里了。
```objc
#import "GoogLeNetPlaces.h"
@implementation ViewController
...
- (NSString *)predictImageScene:(UIImage *)image {
GoogLeNetPlaces *model = [[GoogLeNetPlaces alloc] init];
NSError *error;
UIImage *scaledImage = [image scaleToSize:CGSizeMake(224, 224)];
CVPixelBufferRef buffer = [image pixelBufferFromCGImage:scaledImage];
GoogLeNetPlacesInput *input = [[GoogLeNetPlacesInput alloc] initWithSceneImage:buffer];
GoogLeNetPlacesOutput *output = [model predictionFromFeatures:input error:&error];
return output.sceneLabel;
}
...
@end
找个合适的地方调用上面写的代码：
UIImage *image = [UIImage imageNamed:@"testImage"];
NSString *sceneLabel = [self predictImageScene:image];
NSLog(@"Scene label is: %@", sceneLabel);
完工，运行程序在输出里看结果：
Scene label is: bamboo_forest
虽然上面贴的代码不少，但是实际调用Core ML的只有predictImageScene这一个方法里的两行，Core ML的使用已经不能更简单了。不知道是不是输入数据的问题，在测试过程中，我发现GoogLeNetPlaces对图片场景的识别还有些问题，具体的还需要进一步研究看看。
对Core ML的调用只是把机器学习集成进iOS的第一步。无论是训练出更准确的模型，还是为用户设计出实际的应用场景，都还有巨大的想象空间，同时也有很长的路要走。
一起努力吧。