苹果在 WWDC 2017 大会上发布了一个全新的机器学习 API 框架 Core ML 。与其他雄心勃勃的科技公司一样，苹果也不甘示弱，意欲让移动设备上的 AI 变得更快、更强大。
Core ML 致力于提升在苹果移动设备上执行 AI 任务的速度，如 iPhone、iPad 和 Apple Watch，包括文本分析和面部识别等任务，同时也会大范围地影响到各类应用程序。这意味着 iPhone 上的图像识别可能比 Google 的 Pixel 快上 6 倍。
Core ML 包含在最新发布的 iOS 11 里，今年晚些时候就可以升级使用。Core ML 将会支持各种主要的机器学习工具，包括全系列的神经网络技术，以及线性模型和组合树。出于对隐私的保护，Core ML 运行在用户设备上，也就是说，用于改进用户体验的数据不会离开用户的设备。开发人员可以将训练过的模型加载到设备上，并将其用在应用程序上。
在设备上运行机器学习的好处显而易见，应用程序不再依赖网络连接，而且避免了在网络上来回传输相关信息，从而加快处理的速度。对于用户来说，他们的隐私得到了保护，因为他们的信息不需要传输到云端。
开发者需要将训练过的模型转成特殊的格式才能在 Core ML 上使用，转换过的模型被加载到 Xcode 里，然后部署到设备上。目前，苹果基于一些开源项目发布了 4 个内建的机器学习模型，并提供了一个转化器用于转换模型的格式。转换器兼容各种流行的框架，如 Caffe、Keras、scikit-learn、XGBoost 和 LibSVM。除此以外，开发者还能自定义转换器。
Core ML 专门为苹果的移动设备进行了优化，尽量减少内存的使用，并降低功耗，这些对于在设备上运行执行机器学习任务来说是非常关键的。
苹果不是唯一一家发力移动 AI 的公司，Core ML 的发布只是顺应了行业的潮流。Google 和 Facebook 之前就为移动设备发布过机器学习框架，高通也发布了神经网络处理引擎，用于提升移动设备的 AI 体验。
感谢陈思对本文的审校。
给InfoQ 中文站投稿或者参与内容翻译工作，请邮件至 editors@cn.infoq.com 。也欢迎大家通过新浪微博（ @InfoQ ， @丁晓昀），微信（微信号： InfoQChina ）关注我们。
暂无签名
Java 避坑指南：Java 高手笔记代码篇
本迷你书包括 86 个业务开发中常见踩坑点。每一个知识点都相当的实用，是程序员业务开发中的必备避坑指南...
评论