iOS 开发迎来机器学习的春天--- TensorFlow
招聘信息：
人工智能、机器学习都已走进了我们的日常，尤其是愈演愈热的大数据更是跟我们的生活息息相关，做&人工智能、数据挖掘的人在其他人眼中感觉是很高大上的，总有一种遥不可及的感觉，在我司也经常会听到数据科学部的同事们提到&机器学习、数据挖掘&之类的词。但这些名词真的跟我们移动开发就没直接关系了吗？&&作为移动开发者来说，无时无刻不被这些名词狠狠地敲打着脆弱的内心。???? ???? ???? 何时才能够将机器学习、深度学习应用在移动端，敲响移动端机器学习工业化的大门呢？想象一下，某一天你身处一个完全陌生的环境，周围都是陌生的事物，而运行在iPhone的某个APP却对这个环境了如指掌，你要做的就是打开这个APP，输入你需要了解的事物，iPhone告诉你这个事物的信息，你也就没有了陌生事物了。世界就在眼前！如下图： 　　上面物体的识别准确率还是蛮不错的，基本识别出了键盘（49%的概率）、鼠标（46%的概率）和水杯（24%的概率）。但是在某些事物的识别准确度方便却差强人意，比如下图：Phone 6被识别成了iPod（59%的概率），而iPod的却是不怎么敢认（10%的概率）。想想最崩溃的估计是iPhone 6了，身价直接被降了好几个等级。　　上面的例子来自于TensorFlow官方iOSDemo，暂且不评述TensorFlow的识别准确度如何，毕竟它还年轻，但是仅凭其识别能力的体现，也给机器学习在移动端的运用带来了无限的可能。一、TensorFlow（简称TF）去年，Google资深系统专家Jeff Dean在湾区机器学习大会上隆重介绍了其第二代深度学习系统，一时间网络上针对TensorFlow的文章铺天盖地，、、等等文章，TensorFlow的燎原之火一直在燃烧蔓延着，其GitHub上的开源库在此文撰写时，也已经被star：27550，fork：11054了。???? ???? ???? ???? ????不负众望，Google一直宣称平台移植性非常好的TensorFlow，终于在日，发布0.9版本，宣布移动端支持。( 有墙???? )，同时也给出了移动端的，对于代码为生的程序员，身处大数据处理为主导的TalkingData，也小试身手了一把，下载TensorFlow源码，查看编译指南，开始跳坑、填坑之路，也成就了此篇拙文的产生。二、从TensorFlow到iOS静态库对于iOS平台下如何使用TensorFlow，TensorFlow给出了详细的编译脚本命令，详情请查看。第一步. 工具准备工欲善其事必先利其器，在开始编译工作之前，需要准备一些编译所必须的工具：: Mac os x 上包管理工具，具体使用方法可参考。$&/usr/bin/ruby&-e&"$(curl&-fsSL&/Homebrew/install/master/install)"Homebrew安装好之后，依次安装三个辅助性编译工具：$&brew&install&libtool&&&
$&brew&install&autoconf&&&
$&brew&install&automake三个工具的含义，请参考：第二步. 克隆TensorFlowGoogle以Apache 2.0开源协议将TensorFlow开源在GitHub上，我们可以直接使用TensorFlow源码。在任意你想存放TensorFlow源码的地方（建议不要放在桌面。^_^），clone项目。$&git&clone&/tensorflow/tensorflow第三步. 编译前准备在TensorFlow的tensorflow/contrib/makefile/目录下，有很多可使用的编译脚本，其中build_all_ios.sh脚本专门用来一键编译TensorFlow iOS静态库。虽然可以直接使用此脚本进行一键编译，但是因为有墙，某些依赖需要提前做处理。&1、下载protobuf& & & & protobuf 是编译前唯一需要特殊处理的依赖库，，下载protobuf之后，解压，备用。& 2、下载googlemock& & & & 虽然protobuf编译脚本autogen.sh中的googlemock链接地址/files/gmock-1.7.0.zip无法直接下载到，但是细心的人会发现，在浏览器中输入 & & & & & & & & &/地址后，会跳转到/google/googlemock地址，google在GiHub上的仓库地址。而GitHub上的仓库，我们可以直接的下载，克隆等。我们直接在GitHub上下载googlemock(点击下载)，下载完成后，修改压缩包名字为gmock-1.7.0.zip，修改后将此压缩包移至上一步protobuf文件夹目录下，备用。&3、修改下载依赖脚本，移除protobuf的下载在tensorflow/contrib/makefile/目录下，download_dependencies.sh脚本用来下载相关依赖，打开此脚本文件，注释掉或者直接删掉git clone /google/protobuf.git ${DOWNLOADS_DIR}/protobuf部分，目的是不让脚本去下载protobuf。上面三步准备好后，接下来就进入静态库编译了。第四步. 一键编译前面已经知道在TensorFlow文件夹tensorflow/contrib/makefile/目录下的build_all_ios.sh脚本是用来编译iOS静态库的脚本，因此可以直接执行此脚本，开始静态库的编译工作了。但是有一个问题大家可能会发现，由于编译TensorFlow需要用到protobuf，但是protobuf使我们自己手动下载的，该怎么让手动下载的protobuf能够直接让build_all_ios.sh脚本使用呢？答案是复制、粘贴。可能有些low，但是有效。执行命令&build_all_ios.sh之后，立即把之前手动下载的protobuf文件夹拷贝进tensorflow/contrib/makefile/downloads目录。（放心，你拷贝的速度会很快，不会影响编译的执行的。^_^）$&build_all_ios.sh一切准备就绪，接下来就是静静的等待编译完成了。在Mac编译的过程中，建议插上电源，最好不要让设备休眠断电，也最好不要去干别的东西，出去溜达一圈，回来后就看到战果了。编译完成之后，会在tensorflow/contrib/makefile/gen/目录下看到编译的结果，关于这些静态库该如何使用，自己的项目如何应用，请参考。三、遇到的问题1、被墙了，需要翻墙！（目前测试挂了VPN也没用），这也是上面编译前准备为什么要那么做的原因。curl:&(7)&Failed&to&connect&to&&port&443:&Operation&timed&out解决： 请参考 『第三步. 编译前准备』。2、没有Xcode。xcrun:&error:&SDK&"iphoneos"&cannot&be&located
xcrun:&error:&SDK&"iphoneos"&cannot&be&located
xcrun:&error:&unable&to&lookup&item&'PlatformPath'&in&SDK&'iphoneos'
+&IPHONEOS_PLATFORM=解决：安装Xcode，从上面报错的命令中可以看到，在编译静态库的过程中使用了xcrun，而此命令是xCode本身具有的能力。3、你的Xcode版本不是7.3或以后，或者你有多个Xcode，而默认的安装路径版本不是7.3或以后。``` error: Xcode 7.3.0 or later is required.exit 1 ```/解决：更新Xcode至最新版本，并且保证默认路径下是最新/版本。如果Xcode是7.3，并且没有条件更新Xcode，你可以修改tensorflow/contrib/makefile/compile_ios_tensorflow.sh&里的REQUIRED_XCODE_VERSION=7.3.0，为REQUIRED_XCODE_VERSION=7.3。（这样修改，目前还不确定会不会带来一些其他影响，最好是升级你的Xcode）想了解TensorFlow在Android平台的使用可以，看看 TalkingData SDK Team 另一篇的技术博客四、参考链接
微信扫一扫
订阅每日移动开发及APP推广热点资讯公众号：CocoaChina
您还没有登录！请或
点击量6310点击量5802点击量3843点击量3827点击量3807点击量3777点击量3648点击量3064点击量3060
&2016 Chukong Technologies,Inc.
京公网安备89深度学习框架的比较（MXNet, Caffe, TensorFlow, Torch, Theano)
时间： 23:51:27
1. 基本概念
1.1 MXNet相关概念
深度学习目标：如何方便的神经网络，以及如何快速训练得到模型
CNN(卷积层)：表达空间相关性(学表示)
RNN/LSTM：表达时间连续性(建模信号)
命令式编程(imperative programming)：嵌入的较浅，其中每个语句都按原来的意思执行，如numpy和Torch就是属于这种
声明式语言(declarative programing)：嵌入的很深，提供一整套针对具体应用的语言。即用户只需要声明要做什么，而具体执行则由系统完成。这类系统包括Caffe，Theano和TensorFlow。命令式编程显然更容易懂一些，更直观一些，但是声明式的更做优化，以及更利于做自动求导，所以都保留。
浅嵌入，命令式编程
深嵌入，声明式编程
如何执行a=b+1
需要b已经被赋值。立即执行，将结果保存在a中。
返回对应的计算图(computation graph)，我们可以之后对b进行赋值，然后再执行加法运算
语义上容易理解，灵活，可以精确控制行为。通常可以无缝的和言交互，方便的利用主语言的各类算法，工具包，bug和性能调试器。
在真正开始计算的时候已经拿到了整个计算图，所以我们可以做一系列优化来提升性能。实现辅助函数也容易，例如对任何计算图都提供forward和backward函数，对计算图进行可视化，将图保存到硬盘和从硬盘读取。
实现统一的辅助函数和提供整体优化都很困难。
很多主语言的特性都用不上。某些在主语实现简单，但在这里却经常麻烦，例如if-else语句 。debug也不容易，例如监视一个复杂的计算图中的某个节点的中间结果并不简单。
目前现有的系统大部分都采用上两种编程模式的一种。与它们不同的是，MXNet尝试将两种模式无缝的结合起来。在命令式编程上MXNet提供张量运算，而声明式编程中MXNet支持符号表达式。用户可以自由的混合它们来快速实现自己的想法。例如我们可以用声明式编程来描述神经网络，并利用系统提供的自动求导来训练模型。另一方便，模型的迭代训练和更新模型法则中可能涉及大量的控制逻辑，因此我们可以用命令式编程来实现。同时我们用它来进行方便的和与主语言交互数据。
1.2 深度学习的关键特点
（1）层级抽象
（2）端到端学习
TensorFlow
C++/Lua/cuda
Python/c++/cuda
Python/Matlab
Python/R/Julia/Go
CPU/GPU/FPGA
CPU/GPU/Mobile
CPU/GPU/Mobile
Linux, OSX
Linux, OSX
C++/Python
Python/R/Julia/Go
符号张量图
符号张量图
$T.total > 0 && $T.page <= $T.pageNum}
{#foreach $T.data as r}
{$T.r.formt_tm}{#if $T.r.nickname}{#else}匿名{#/if}
{$T.r.content}
{#if $T.page > 1 && $T.pageNum > 1)
$T.s_num > 2}
{#for index = $T.s_num to $T.e_num}
$T.pageNum > $T.pageNavSize+ 2 && $T.s_num != $T.pageNum - $T.pageNavSize}
{#if $T.pageNum > 1}
{#if $T.pageNum != $T.page && $T.pageNum > 1}
<a href="javascript:void(0);" page="{$T.page 下一页
您的回应...
也许你感兴趣
(window.slotbydup=window.slotbydup || []).push({
id: '3465635',
container: s,
size: '120,240',
display: 'float'
(C)2012 本站提供的内容来源于广大网络用户，我们不保证内容的正确性。如果转载了您的内容，希望删除的请联系我们！}