使用Keras和Core ML进行mnist机器学习

Apple的Core ML和Vision框架已经让开发人员进入了一个勇敢的机器学习新世界，并带来了令人兴奋的可能性。Vision允许您检测和跟踪面部，Apple的机器学习页面提供了可立即使用的模型，可以检测对象和场景，以及NSLinguisticTagger自然语言处理。如果您想构建自己的模型，请尝试使用Apple的新Turi Create来扩展其预先训练的模型之一。

为什么要使用Keras？

ML模型涉及许多复杂的代码，操纵数组和矩阵。但ML已经存在了很长时间，研究人员已经创建了库，使像我们这样的人更容易创建ML模型。其中许多是用Python编写的，尽管研究人员还使用R，SAS，MATLAB和其他软件。但您可能会在基于Python的工具中找到所需的一切：

• scikit-learn提供了一种运行许多经典ML算法的简便方法，例如线性回归和支持向量机。我们的初学机器学习与scikit-learn教程向您展示如何训练这些。
• 另一方面是PyTorch和Google的TensorFlow，它可以让您更好地控制深度学习模型的内部工作。
• 微软的CNTK和Berkeley的Caffe是类似的深度学习框架，它们使用Python API来访问他们的C ++引擎。

那么Keras在哪里适合？这是TensorFlow和CNTK的包装，亚马逊的MXN​​et即将推出。（它也与Theano合作，但蒙特利尔大学于2017年9月停止了这项工作。）它提供了一个易于使用的API，用于构建模型，您可以在一个后端训练，并在另一个后端部署。

使用Keras而不是直接使用TensorFlow的另一个原因是coremltools包括Keras转换器，但不包括TensorFlow转换器 - 尽管存在TensorFlow到CoreML转换器和MXNet到CoreML转换器。虽然Keras支持CNTK作为后端，但coremltools仅适用于Keras + TensorFlow。

 

代码：https://www.raywenderlich.com/188-beginning-machine-learning-with-keras-core-ml