Apple 機(jī)器學(xué)習(xí)框架 Core ML 教程

今天是12.24號(hào)，阿chai在這里祝福大家平安夜快樂(lè)。一說(shuō)到平安夜，會(huì)想到平安果——蘋(píng)果，那今天阿chai就出一期Apple公司的機(jī)器學(xué)習(xí)框架Core ML的教程，喜歡的小伙伴可以傳遞下去，祝愿大家“手中有卡、眼里有丹”。

Core ML是Apple的機(jī)器學(xué)習(xí)框架，將機(jī)器學(xué)習(xí)模型集成到蘋(píng)果的應(yīng)用程序中。可使用coremltools 軟件包將TensorFlow等框架訓(xùn)練的模型轉(zhuǎn)換為Core ML格式。如果小伙伴想開(kāi)發(fā)Core ML，最好先有一臺(tái)Mac。

應(yīng)用程序使用Core ML API和用戶數(shù)據(jù)在用戶設(shè)備上進(jìn)行預(yù)測(cè)并微調(diào)模型。Core ML通過(guò)利用CPU，GPU和神經(jīng)引擎來(lái)優(yōu)化設(shè)備上的性能，同時(shí)最大程度地減少其內(nèi)存占用空間和功耗。

安裝與測(cè)試

1.安裝

安裝環(huán)境最好使用Conda，具體安裝請(qǐng)參考阿chai之前的教程。

創(chuàng)建虛擬環(huán)境：

conda?create?--name?coremltools-env

激活并安裝：

#?激活環(huán)境
conda?activate?coremltools-env

#?安裝
pip?install?--upgrade?coremltools

2. 測(cè)試

測(cè)試以TF2.x復(fù)現(xiàn)的MobileNetV2模型為例：

import?tensorflow?as?tf?
import?cv2

#?下載?MobileNetv2?
keras_model?=?tf.keras.applications.MobileNetV2(
????weights="imagenet",?
????input_shape=(224,?224,?3,),
????classes=1000,
)

import?urllib
label_url?=?'https://storage.googleapis.com/download.tensorflow.org/data/ImageNetLabels.txt'
class_labels?=?urllib.request.urlopen(label_url).read().splitlines()
class_labels?=?class_labels[1:]?

assert?len(class_labels)?==?1000

for?i,?label?in?enumerate(class_labels):
??if?isinstance(label,?bytes):
????class_labels[i]?=?label.decode("utf8")

模型轉(zhuǎn)換：

import?coremltools?as?ct

image_input?=?ct.ImageType(shape=(1,?224,?224,?3,),
???????????????????????????bias=[-1,-1,-1],?scale=1/127)

classifier_config?=?ct.ClassifierConfig(class_labels)

model?=?ct.convert(
????keras_model,?inputs=[image_input],?classifier_config=classifier_config,
)

CoreML可以設(shè)定一些描述模型特征的參數(shù)，在Xcode中使用可以查看部分信息，便于開(kāi)發(fā)者使用。

model.author?=?'xxxx'
model.license?=?'xxxx'
model.short_description?=?'xxxx'
model.version?=?'xxxx'

保存與加載模型：

#?保存模型
model.save("MobileNetV2.mlmodel")
??????????????????
#?加載模型
loaded_model?=?ct.models.MLModel("MobileNetV2.mlmodel")

進(jìn)行預(yù)測(cè)：

example_image?=?cv2.imread('dog.jpg')

#?預(yù)測(cè)
out_dict?=?model.predict({"input_1":?example_image})
print(out_dict["classLabel"])

Xcode的使用教程請(qǐng)前往B站、油管等資源網(wǎng)站尋找。

模型轉(zhuǎn)換

CoreML在iOS、iPad、Apple Watch上的模型加速效果非常棒，但是小伙伴們用的訓(xùn)練框架種類(lèi)很多，那今天就來(lái)個(gè)大雜燴，都來(lái)一遍。

1. TensorFlow 2.x

這里的TF2.x并不是Keras。

import?coremltools?as?ct
import?tensorflow?as?tf?

tf_model?=?tf.keras.applications.MobileNet()

model_from_tf?=?ct.convert(tf_model)

2. Keras

TF一定要注意版本，Theano做后端時(shí)會(huì)麻煩一些。

mport?coremltools?as?ct

model?=?ct.converters.keras.convert('keras_model.h5')

from?keras.models?import?load_model
keras_model?=?load_model("keras_model.h5")

model?=?ct.converters.keras.convert(keras_model)

3. PyTorch

PyTorch能直接轉(zhuǎn)換，并不需要ONNX。

import?coremltools?as?ct
import?torch
import?torchvision

model?=?torchvision.models.mobilenet_v2()
model.eval()
example_input?=?torch.rand(1,?3,?224,?224)
traced_model?=?torch.jit.trace(model,?example_input)
traced_model.save("torchvision_mobilenet_v2.pt")

mlmodel?=?ct.convert("torchvision_mobilenet_v2.pt",
????????????????????inputs=[ct.TensorType(shape=(1,?3,?224,?224))])

4.ONNX

ONNX與Core ML部分兼容，具體內(nèi)容可以參考官方的git查看源碼。

import?coremltools?as?ct

model??=?ct.converters.onnx.convert(model='my_model.onnx')

5.Caffe

首先下載如下文件：

• bvlc_alexnet.caffemodel
• deploy.prototxt
• class_labels.txt

import?coremltools?as?ct

model?=?ct.converters.caffe.convert(
????('bvlc_alexnet.caffemodel',?'deploy.prototxt'),
????predicted_feature_name='class_labels.txt'
)

model.save('BVLCObjectClassifier.mlmodel')

量化方法

Core ML模型轉(zhuǎn)換后的默認(rèn)精度為FP32。FP16shi 官方認(rèn)為最保險(xiǎn)的方法。

import?coremltools?as?ct
from?coremltools.models.neural_network?import?quantization_utils

model_fp32?=?coremltools.models.MLModel('model.mlmodel')

model_fp16?=?quantization_utils.quantize_weights(model_fp32,?nbits=16)

量化到8位可能會(huì)出現(xiàn)精度下降的情況。

#?linear
model_8bit?=?quantize_weights(model_fp32,?nbits=8)

#?kmeans
model_8bit?=?quantize_weights(model_fp32,?nbits=8,
?????????????????????????????quantization_mode="kmeans")

#?linearsymmetric
model_8bit?=?quantize_weights(model_fp32,?nbits=8,
?????????????????????????????quantization_mode="linear_symmetric")

linear：默認(rèn)模式，對(duì)權(quán)重使用線性量化，并帶有比例和偏差項(xiàng)。

linear_symmetric：對(duì)稱量化，只有比例項(xiàng)。

kmeans_lut：使用Kmeans算法構(gòu)造權(quán)重的查找表量化。

Core ML默認(rèn)對(duì)所有具有權(quán)重參數(shù)的圖層進(jìn)行量化。由于模型的準(zhǔn)確性可能對(duì)某些圖層敏感，因此不應(yīng)進(jìn)行量化，因此可以選擇跳過(guò)某些圖層。

有兩種方法可以執(zhí)行此操作。一種是通過(guò)使用類(lèi)，該類(lèi)允許您設(shè)置簡(jiǎn)單的屬性，例如圖層類(lèi)型，重量計(jì)數(shù)等。

from?coremltools.models.neural_network.quantization_utils?import?AdvancedQuantizedLayerSelector

selector?=?AdvancedQuantizedLayerSelector(
????skip_layer_types=['batchnorm',?'bias',?'depthwiseConv'],
????minimum_conv_kernel_channels=4,
????minimum_conv_weight_count=4096
)

quantized_model?=?quantize_weights(model,?
???????????????????????????????????nbits=8,
???????????????????????????????????quantization_mode='linear_symmetric',
???????????????????????????????????selector=selector)

編寫(xiě)自定義規(guī)則來(lái)通過(guò)擴(kuò)展類(lèi)來(lái)對(duì)圖層進(jìn)行量化。

from?coremltools.models.neural_network.quantization_utils?import?QuantizedLayerSelector

class?MyLayerSelector(QuantizedLayerSelector):

????def?__init__(self):
????????super(MyLayerSelector,?self).__init__()

????def?do_quantize(self,?layer,?**kwargs):
????????ret?=?super(MyLayerSelector,?self).do_quantize(layer)
????????if?not?ret?or?layer.name?==?'dense_2':
????????????return?True

selector?=?MyLayerSelector()
quantized_model?=?quantize_weights(
??mlmodel,?
??nbits?=?8,?
??quantization_mode='linear',?
??selector=selector
)

機(jī)器學(xué)習(xí)

Core ML同時(shí)也支持一下機(jī)器學(xué)習(xí)的加速推理，例如一些回歸、分類(lèi)的模型。

1.Scikit-learn

最好不要下載最新版本，阿chai測(cè)試出現(xiàn)了一些問(wèn)題。

from?sklearn.linear_model?import?LinearRegression
import?pandas?as?pd

#?導(dǎo)入數(shù)據(jù)
data?=?pd.read_csv('houses.csv')

#?訓(xùn)練模型
model?=?LinearRegression()
model.fit(data[["bedroom",?"bath",?"size"]],?data["price"])

#?轉(zhuǎn)換并保存
import?coremltools?as?ct
coreml_model?=?ct.converters.sklearn.convert(
??model,?["bedroom",?"bath",?"size"],?"price")
coreml_model.save('HousePricer.mlmodel')

2.XGBoost

XGBoot在建議源碼安裝，經(jīng)常有使用pip出問(wèn)題。

import?coremltools?as?ct

#?轉(zhuǎn)換、保存
coreml_model?=?ct.converters.xgboost.convert(model)
coreml_model.save('my_model.mlmodel')

3.LIBSVM

當(dāng)時(shí)看到支持LIBSVM的時(shí)候阿chai愣了一下，后來(lái)一想，也有道理。

import?svmutil
problem?=?svmutil.svm_problem([0,0,1,1],?[[0,1],?[1,1],?[8,9],?[7,7]])
libsvm_model?=?svmutil.svm_train(problem,?svmutil.svm_parameter())

import?coremltools?as?ct
coreml_model?=?ct.converters.libsvm.convert(libsvm_model)

coreml_model.save('./my_model.mlmodel')

coreml_model?=?ct.converters.libsvm.convert(libsvm_model,?input_names=['x',?'y'])

完整案例

前面對(duì)Core ML的安裝測(cè)試、模型轉(zhuǎn)換、量化以及結(jié)合機(jī)器學(xué)習(xí)框架等的方法進(jìn)行了描述，下面我們根據(jù)小伙伴們常用的PyTorch來(lái)實(shí)現(xiàn)一個(gè)完成整的模型轉(zhuǎn)換的案例。

以DeepLab v3為例，Xcode的操作以及分割效果放在代碼下面。

import?urllib
import?warnings
warnings.simplefilter(action='ignore',?category=FutureWarning)

import?torch
import?torch.nn?as?nn
import?torchvision
import?json

from?torchvision?import?transforms
from?PIL?import?Image

import?coremltools?as?ct

model?=?torch.hub.load('pytorch/vision:v0.6.0',?'deeplabv3_resnet101',?pretrained=True).eval()

input_image?=?Image.open("test.jpg")

preprocess?=?transforms.Compose([
????transforms.ToTensor(),
????transforms.Normalize(
????????mean=[0.485,?0.456,?0.406],
????????std=[0.229,?0.224,?0.225],
????),
])

input_tensor?=?preprocess(input_image)
input_batch?=?input_tensor.unsqueeze(0)

with?torch.no_grad():
????output?=?model(input_batch)['out'][0]
torch_predictions?=?output.argmax(0)

class?WrappedDeeplabv3Resnet101(nn.Module):
????
????def?__init__(self):
????????super(WrappedDeeplabv3Resnet101,?self).__init__()
????????self.model?=?torch.hub.load('pytorch/vision:v0.6.0',?'deeplabv3_resnet101',?pretrained=True).eval()
????
????def?forward(self,?x):
????????res?=?self.model(x)
????????x?=?res["out"]
????????return?x
????????
traceable_model?=?WrappedDeeplabv3Resnet101().eval()
trace?=?torch.jit.trace(traceable_model,?input_batch)

mlmodel?=?ct.convert(
????trace,
????inputs=[ct.TensorType(name="input",?shape=input_batch.shape)],
)

mlmodel.save("SegmentationModel_no_metadata.mlmodel")

mlmodel?=?ct.models.MLModel("SegmentationModel_no_metadata.mlmodel")

labels_json?=?{"labels":?["background",?"aeroplane",?"bicycle",?"bird",?"board",?"bottle",?"bus",?"car",?"cat",?"chair",?"cow",?"diningTable",?"dog",?"horse",?"motorbike",?"person",?"pottedPlant",?"sheep",?"sofa",?"train",?"tvOrMonitor"]}

mlmodel.user_defined_metadata["com.apple.coreml.model.preview.type"]?=?"imageSegmenter"
mlmodel.user_defined_metadata['com.apple.coreml.model.preview.params']?=?json.dumps(labels_json)

mlmodel.save("SegmentationModel_with_metadata.mlmodel")??

到這里Core ML的教程就結(jié)束了，就是這樣簡(jiǎn)單粗暴。其實(shí)框架都大同小異，Core ML其實(shí)是阿chai接觸的第一個(gè)移動(dòng)端推理的框架，用起來(lái)真的非常的方便。