https://developer.apple.com/documentation/coreml#topics
看到今年的WWDC推出一系列机器学习框架，激动的不行。其实iOS10就有 Accelerate and BNNS。都是更基础的API。 iOS11搭载了封装更好用的Core ML, 而且在Core ML还有封装了更为强大的图像识别处理库Vision, 文本处理的NSLinguisticTagger
Core ML Model
是的，iPhone上将会出现大批的App在客户端本地跑机器学习、深度学习的Model。其实Prisma, DJI-GO内部都有一些机器学习引擎,内置一些神经网络模型。只是现在，苹果粑粑也要来参赛了。
苹果说Core ML 支持很多种模型，神经网络、集成学习、SVM、广义线性模型。苹果自己也提供了四个模型，都是经典， GoogLeNet是ILSVRC 2014的冠军，22 层卷积神经网络构成的模型，Google出品。CNN 架构——残差网络，微软出品，ImageNet 竞赛时达到了 3.57% 的误差率。VGG Network，牛津大学出品，ILSVR（ImageNet）2014的冠军。
虽然VGG16模型的500多M大小对移动开发看起来很吓人，可以用GoogLeNet嘛。以后客户端跑本地模型，大势所趋...想象空间好大。
如果以前自己的模型是用第三方工具训练出来的，也可以用苹果工具Core ML Tools 做模型格式转换. 对，它用Python写的。一行命令安装，只是要注意依赖的包numpy和protobuf版本。
sudo pip install -U coremltools
不过，第三方支持有限：
| Modeltype | Supported models | Supported tools |
|---|---|---|
| Neural networks | Feedforward, convolutional, recurrent | Caffe Keras 1.2.2 |
| Tree ensembles | Random forests,boosted trees, decision trees | scikit-learn 0.18 XGBoost 0.6 |
| Support vector machines | Scalar regression, multiclass classification | scikit-learn 0.18 LIBSVM 3.22 |
| Generalized linear models | Linear regression, logistic regression | scikit-learn 0.18 |
| Feature engineering | Sparse vectorization, dense vectorization, categorical processing | scikit-learn 0.18 |
| Pipeline models | Sequentially chained models | scikit-learn 0.18 |
如何在客户端本地使用Core ML Model
苹果提供了一个小Demo，run起来看比较简单啦, 加载本地的Model,只有3个feature，来预测火星探测器的价格。feature很少，模型也是逻辑回归，内存和cpu都没啥压力。
Run完的交互UI，选完特征，输出价格：
重点关注代码：
图像处理Vision
Vision 看起来更6了。看看它的API。
https://developer.apple.com/documentation/vision
图像识别、跟踪 (想想另一个刚出来的 ARKit中的跟踪是传感器跟踪,陀螺仪啦，陀螺仪跟踪消耗小容易跟丢，图像跟踪性能有挑战但更准)；用于机器学习的图像特征提取、分类；文本识别；二维码检测和识别都来了。。。
性能
Core ML 号称特为移动设备做过性能优化。周末有空拿复杂的几个Model和Vision玩玩. 未完待续.....