長期以來，蘋果公司一直在其產品中使用了機器學習：Siri回答我們的問題，并供我們娛樂；iPhoto能在我們的照片中進行人臉識別；Mail app能檢測垃圾郵件。作為應用開發者，我們已經利用了蘋果的API提供的一些功能，如人臉檢測，并且從iOS10開始，我們將獲得能用于語音識別和SiriKit的高級API。
　　有時候，我們可能想超越平臺內置API的限制，創造獨一無二的東西。但更多的時候，我們是使用了一些現成的庫或直接建于Accelerate或Metal的快速計算功能之上，推出自己的機器學習功能。
　　例如，我的同事專為辦公室建立了一個錄入系統，只使用一臺可檢測人臉的iPad，然后在Slack投遞一個gif，并允許用戶通過自定義命令開門。
　　
　　但是現在，我們有了用于神經網絡的第一方支持：在2016年的WWDC上，蘋果公司推出了兩個神經網絡的API，分別稱為基礎神經網絡子程序（BNNS）和卷積神經網絡（CNN）。
　　機器學習和神經網絡
　　AI先驅Arthur Samuel將機器學習定義為“沒有明確編程的情況下，給予計算機學習能力的研究領域”。人們用機器學習系統理解一些數據的意義，而這些數據不能很容易地使用傳統模型來描述。
　　例如，編寫一段計算房子建筑面積的程序很容易，我們可以考慮到所有房間和其他空間的規模和形狀，但是卻不能在公式中計算房子的價值；而另一方面，機器學習系統卻非常適合解決這樣的問題。通過給系統提供已知的具體數據，如市場價值、房屋尺寸、臥室數量等，從而可以利用它預測價格。
　　神經網絡是構建機器學習系統最常用的模型之一。早在半個多世紀前的1940年，已經發展了神經網絡的數學基礎，而上世紀80年代，并行計算才使其更為可行；并且到了2000年，人們對于深度學習的興趣又引發了神經網絡的回潮。
　　神經網絡由多個層構造，其中每個層由一個或多個節點組成。最簡單的神經網絡具有三層：輸入、隱藏和輸出。輸入層節點可以代表圖像中的各個像素或一些其他參數；如果我們試著自動檢測照片的內容，輸出層節點則經常作為分類的結果，例如“狗”或“貓”；隱藏層節點配置為對輸入執行操作，或配置為應用激活函數。
　　
　　層類型
　　三種常見的層的類型為：池化（pooling）層、卷積層和全連接層。
　　池化層通常通過使用輸入的最大值或平均值來匯集數據，降低其大小。一系列的卷積和池化層可以結合起來，用于將照片逐步提煉成越來越高層次的特征集合。
　　卷積層將卷積矩陣用于圖像的每個像素，實現圖像變換。如果你已經用過Pixelmator或Photoshop濾鏡，那你很可能也用過了卷積矩陣。卷積矩陣通常是一個3×3或5×5的矩陣，被施加到輸入圖像的像素中，以計算輸出圖像中新的像素值。為獲得輸出像素值，我們就乘以原圖像中的像素值，并計算平均值。
　　例如，該卷積矩陣用于圖像模糊：
　　1 1 1 1 1 1 1 1 1
　　而下面的矩陣能夠銳化圖像：
　　0 -1 0 -15-10 -1 0
　　神經網絡的卷積層使用卷積矩陣處理輸入，并產生下一層的數據。例如，提取圖像中的諸如邊緣特征的新特性。
　　全連接層可以被認為是濾波器尺寸和原始圖像相同的卷積層。換句話說，你可以這么認為，全連接層是一個函數，能夠為每個像素分配權重，平均其結果，然后給出單個的輸出值。
　　訓練和推理
　　每一層都需要配置適當的參數。例如，卷積層需要輸入和輸出圖像的信息（規模、通道數目等），也需要卷積層參數（內核大小、矩陣等）。全連接層通過輸入和輸出向量、激活函數和權重來定義。
　　要獲得這些參數，必須訓練神經網絡。需要以下幾步才能完成：通過神經網絡傳遞輸入，確定輸出，測量誤差（即實際結果與預測結果相差多遠），并通過反向傳播調整權重。訓練神經網絡可能需要數百、數千甚至成千上萬的樣本。
　　目前，蘋果公司新的機器學習API，可用于構建只做推理的神經網絡，而不是訓練。這都是Big Nerd Ranch的功勞。
　　Accelerate： BNNS
　　第一個新的API是Accelerate框架的一部分，被稱為基礎神經網絡子程序（BNNS，Basic Neural Network Subroutines）。BNNS補充了BLAS（基礎線性代數子程序），并用于一些第三方的機器學習應用。
　　BNNS在BNNSFilter類中定義層。Accelerate支持三種類型的層：
　　卷積層（由BNNSFilterCreateConvolutionLayer函數創建）全連接層（BNNSFilterCreateFullyConnectedLayer）池化層（BNNSFilterCreatePoolingLayer）
　　MNIST 數據庫是一個眾所周知的數據集，包含數以萬計的手寫數字，用于掃描和調整，以適應20乘20像素的圖像。
　　一種處理圖像數據的方法是將圖像轉換成矢量，并使之通過一個全連接層。對于MNIST數據，一個20×20的圖像將成為400個值的矢量。下面展示了如何將手寫的數字“1”轉換為向量：
　　
　　下面是配置全連接層的實例代碼，該層將大小為400的矢量作為輸入，采用S形的激活函數，輸出矢量大小為25：
　　// input layer deor BNNSVectorDeor i_desc = { .size= 400， .data_type = BNNSDataTypeFloat32， .data_scale = 0， .data_bias = 0， };// hidden layer deor BNNSVectorDeor h_desc = { .size= 25， .data_type = BNNSDataTypeFloat32， .data_scale = 0， .data_bias = 0， };// activation function BNNSActivation activation = { .function= BNNSActivationFunctionSigmoid， .alpha= 0， .beta= 0， };BNNSFullyConnectedLayerParameters in_layer_params = { .in_size = i_desc.size， .out_size = h_desc.size， .activation= activation， .weights.data= theta1， .weights.data_type = BNNSDataTypeFloat32， .bias.data_type = BNNSDataTypeFloat32， };// Common filter parameters BNNSFilterParameters filter_params = { .version= BNNSAPIVersion_1_0; // API version is mandatory};// Create a new fully connected layer filter （ih = input-to-hidden） BNNSFilter ih_filter = BNNSFilterCreateFullyConnectedLayer（&i_desc， &h_desc， &in_layer_params， &filter_params）;float * i_stack = bir; // （float *）calloc（i_desc.size， sizeof（float））;float * h_stack = （float *）calloc（h_desc.size， sizeof（float））;float * o_stack = （float *）calloc（o_desc.size， sizeof（float））;int ih_status = BNNSFilterApply（ih_filter， i_stack， h_stack）;
　　Metal！
　　該部分會得到更多的Metal嗎？確實是的，因為第二個神經網絡API是Metal Performance Shaders（MPS）框架的一部分。Accelerate是在CPU上進行快速計算的框架，而Metal將GPU發揮了極致。Metal的特點是卷積神經網絡（CNN，Convolution Neural Network）。
　　MPS自帶了一個類似的API集。
　　創建卷積層需要使用MPSCNNConvolutionDeor和MPSCNNConvolution函數。MPSCNNPoolingMax將為池化層提供參數。全連接層由MPSCNNFullyConnected函數創建。激活函數由MPSCNNNeuron的子類定義：
　　MPSCNNNeuronLinearMPSCNNNeuronReLUMPSCNNNeuronSigmoidMPSCNNNeuronTanHMPSCNNNeuronAbsolute
　　BNNS和CNN的比較
　　下表為Accelerate和Metal激活函數列表：
　　Accelerate/BNNS
　　Metal Performance Shaders/CNN
　　BNNSActivationFunctionIdentity
　　BNNSActivationFunctionRectifiedLinear MPSCNNNeuronReLU
　　MPSCNNNeuronLinear
　　BNNSActivationFunctionLeakyRectifiedLinear
　　BNNSActivationFunctionSigmoid MPSCNNNeuronSigmoid
　　BNNSActivationFunctionTanh MPSCNNNeuronTanH
　　BNNSActivationFunctionScaledTanh
　　BNNSActivationFunctionAbs MPSCNNNeuronAbsolute
　　池化函數：
　　Accelerate/BNNS
　　Metal Performance Shaders/CNN
　　BNNSPoolingFunctionMax MPSCNNPoolingMax
　　BNNSPoolingFunctionAverage MPSCNNPoolingAverage
　　Accelerate和Metal為神經網絡提供的一組函數功能非常相似，所以二者選擇取決于每個應用程序。GPU通常首選各種機器學習所需的計算，而數據局部性可能會導致Metal CNN的運行性能比Accelerate BNNS版本要差。如果神經網絡對已存入GPU的圖像進行操作，例如，使用MPSImage和新MPSTemporaryImage時，很明顯，這時更適合用Metal。
?

电信下载联通下载

相關電子資料下載

• 如何創建FPGA控制的機器人手臂 49
• 機器學習需要掌握的九種工具盤點 16
• 深度學習在工業缺陷檢測中的應用 63
• 智慧礦山：AI算法為何能提高未戴安全帶識別準確率！ 51
• Hugging Face被限制訪問 404
• 《人工智能在指揮和控制系統中的決策支持》 133
• 生成式人工智能和機器學習正在這9個學科中打造未來 216
• 利用PyTorch實現NeRF代碼詳解 79
• 卷積神經網絡中的池化方式 81
• 使用DNN深度神經網絡實現圖像AIGC的開發-基于米爾瑞薩RZ/G2L開發板的創新應用 148