我之前一直都是通过tensorflow训练模型再通过tfcoreml转换成mlmodel使用，这样做中间的过程是非常的复杂，还需要把输入输出用coremltools做对应的转换，偶然之间我发现了turicreate这个库，使用之后感觉体验是非常的棒，简直是我等iOS开发者的福音
先放上turicreate的API文档
这个东西其实中文资料并不多，使用起来还得靠看文档摸索，但是这里面的API调用起来非常方便，比起tensorflow是使用感觉又好上了不少，因为不需要考虑网络的结构。但是我这次训练完的模型与测试集作比较的准确率只有0.5312，暂时还不知道是哪里出现了问题导致这么低的准确率，有可能是迭代次数不够多
cifar-10下载地址 没有的同学先下载一下
下载下来的数据集是二进制的
我们要了解一下turicreate是如何加载图片的
首先
import turicreate as tc
根据官方文档，有个方法叫
image_analysis.load_images()
点到方法里看一下注释
这里注释写得很清楚，要求加载的图片是JPEG和PNG（.jpg也是可以的），放在一个文件夹里加载，比如
data = tc.image_analysis.load_images('train', with_path=True)
既然知道我们要用jpg或者png格式的图片，那cifar-10的二进制显然不能满足我的需求，所以我们需要先把他转化为jpg格式
from scipy.misc import imsave
import numpy as np
# 解压缩，返回解压后的字典
def unpickle(file):
import pickle
fo = open(file, 'rb')
dic = pickle.load(fo, encoding='bytes')
fo.close()
return dic
# 生成训练集图片，如果需要png格式，只需要改图片后缀名即可。
for j in range(1, 6):
dataName = "cifar-10-batches-py/data_batch_" + str(j)
Xtr = unpickle(dataName)
print(dataName + " is loading...")
for i in range(0, 10000):
# Xtr['data']为图片二进制数据
img = np.reshape(Xtr[b'data'][i], (3, 32, 32))
# 读取image
img = img.transpose(1, 2, 0)
# Xtr['labels']为图片的标签，值范围0-9，本文中，train文件夹需要存在，并与脚本文件在同一目录下。
picName = 'train/' + str(Xtr[b'labels'][i]) + '_' + str(i + (j - 1)*10000) + '.jpg'
imsave(picName, img)
print(dataName + " loaded.")
print("test_batch is loading...")
# 生成测试集图片
testXtr = unpickle("cifar-10-batches-py/test_batch")
for i in range(0, 10000):
img = np.reshape(testXtr[b'data'][i], (3, 32, 32))
img = img.transpose(1, 2, 0)
picName = 'test/' + str(testXtr[b'labels'][i]) + '_' + str(i) + '.jpg'
imsave(picName, img)
print("test_batch loaded.")
这段代码是我从网上找来的，来自代码，注释也写得很清楚，改改就可以用了（我懒得写...）
好了跑完这段代码以后你的train和test文件夹下就都是jpg格式的图片了
接着你就可以如愿以偿的使用
tc.image_analysis.load_images()
那接着就是看看数据集长啥样咯，所以
data.explore()
两列，50000行，都加载进来了
光有这两列肯定是不够的还需要一列label，这个表叫做SFrame，列就是SArray了，所以我们需要一个SArray类型的数据加到SFrame里。
那首先还是得把每张图对应的label给标上对吧，之前我们生成jpg格式的图片的时候命名下划线前的是类别，根据cifar-10提供的10个类别，我对每个图片都做了一次判断存到了list里
label = []
data_path = data['path']
for i in range(0, len(data_path)):
path = data_path[I]
if "0_" in path:
label.append("飞机")
elif "1_" in path:
label.append("汽车")
elif "2_" in path:
label.append("鸟")
elif "3_" in path:
label.append("猫")
elif "4_" in path:
label.append("鹿")
elif "5_" in path:
label.append("狗")
elif "6_" in path:
label.append("青蛙")
elif "7_" in path:
label.append("马")
elif "8_" in path:
label.append("轮船")
elif "9_" in path:
label.append("卡车")
label_array = tc.SArray(data=label, dtype=str)
data就是加载完图片的SFrame，然后我先获取了data['path']这一列，拿到路劲，通过字符串包含关系判断这个图片是哪个类别（我怀疑就是这里出了问题导致准确率极低），这么做其实挺傻的，应该会有更好的办法
通过tc.SArray()就可以把list转成SArray了
接着
data = data.add_column(data= label_array, column_name='label')
就可以把这一列加载进去了，来看看效果
好了，加载进去了
我们使用
data.save('cifar-10.sframe')
就可以把SFrame保存起来，下次直接
data = tc.load_sframe('cifar-10.sframe')
即可
接下来就是训练模型了
model = tc.image_classifier.create(data, target='label')
因为我们是图像分类，所以使用tc.image_classifier.create，过程长这样
我用MacBook Pro跑的，加测试集跑了4个多小时...
别忘了保存模型
model.save('cifar-10_model')
跑完之后就是跟测试集做比较，测试集生成的过程我就略过了
result = model.evaluate(test_data)
print(result['accuracy'])
这样就可以看你的准确率了
导出成mlmodel
model.export_coreml('cifar-10.mlmodel')
