gaussrieman123的博客

接上一篇CoreML 的 C++部署 [1] 模型转换和预处理再解决了预处理的问题后，部署部署还剩下模型类的抽象，主要包括初始化、推理以及获取输出。模型类的抽象什么是模型类？可以参考：CoreML模型分析我们是以MobileNetV2.mlmodel为例说明了mlmodel的结构。这里有一个预备知识，模型头文件中的类仅仅是对底层MLModel和MLFeatureProvider的封装。也就是说，每一个mlmodel，真正的实现是通过MLModel和MLFeatureProvider进行的，上层做

背景深度学习是最新一波技术发展的最大增长点，随着研究的深入和算力的发展，深度学习也逐渐从论文走到了实际应用。由于现在我们仍然处于移动互联网的成熟期，手机仍然是今年最通用的计算平台，所以深度学习不可避免的也要跑在手机上，这是技术+时代的共同需求。为了应对这个需求，科技行业的巨头们都提出了自己的解决办法，2017年3月，Google就在TensorFlow的基础上开源了TensorFlow Lite，目标就是完成移动端深度学习计算。Google做这个事情是非常好理解的，因为TensorFlow太重了，不太可

背景当写下这个题目的时候，我是有疑问的。为什么要用C++来部署CoreML？是OC不香还是Swift不甜了？如此简单的CoreML模型部署，使用OC或者Swift几行代码就搞定的事情，非要整一个C++版本，实属想不通，是真的想不通。。。可能唯一能够理解的是，当模型推理只是一个很大的功能中的一部分，而这个功能又无法快速通过OC或者Swift搞定的时候，还是需要将整个模型推理部分下沉到C++中，与其他底层逻辑保持一致。简单来说就是为了满足程序架构的完整性，就牺牲了开发中的便捷性。但是如果是上面这个理由，

准备工作首先得有一个Xcode以及一个简单的添加了CoreMLFramework的工程；下载模型，如官方推荐的MobileNetV2将模型导入到工程中，并添加到你的编译项目中双击打开，会看到这么一个页面：然后点击 就可以进入到模型自动生成的头文件中：模型分析1.关键词@interface通过搜索关键词interface，我们可以得到三个结果：@interface MobileNetV2Input : NSObject@interface MobileNetV2Output :