Core ML是蘋果公司於2017年6月發布的機器學習框架，支持在iOS、macOS等設備的本地端離線運行機器學習模型。
該框架可將各類預訓練模型轉換為統一的.mlmodel格式，通過協調CPU、GPU與神經網路引擎最佳化運算性能，降低記憶體與功耗消耗，實現無需網路連線的預測與訓練功能。位元組跳動開發的單目深度估計模型Depth Anything V2入選蘋果官方發布的Core ML模型庫。
Core ML基於Accelerate、BNNS及Metal Performance Shaders底層架構開發，支持神經網路、樹集成、支持向量機等模型類型。開發者通過Xcode自動生成接口類集成模型，利用Vision、自然語言等特定領域框架實現圖像分類、文本分析等功能。新增組合式權重壓縮技術，支持生成式AI模型在Apple晶片運行，並強化模型加密功能。該框架兼容TensorFlow、PyTorch、SciKit-learn等第三方模型轉換工具，開發者還可通過Create ML訓練定製模型直接部署套用。蘋果公司通過HuggingFace發布了涵蓋自然語言處理和圖像識別領域的20個新Core ML模型及4個數據集。
基本介紹
模型原理,主要特點,
模型原理
“模型”是對一組訓練數據套用機器學習算法而得到的結果。使用模型來基於新的輸入數據進行預測。有很多依靠編寫代碼僅能低效甚至很難完成的任務，使用模型能更好地完成。例如，可以訓練模型來歸類照片，或者直接根據像素檢測照片內的特定對象。
Core ML 通過利用 CPU、GPU 和神經網路引擎，同時最大程度地減小記憶體占用空間和功耗，來最佳化設備端性能。由於模型嚴格地在用戶設備上，因此無需任何網路連線，這有助於保護用戶數據的私密性和 app 的回響速度。
Core ML 是域特定的框架和功能的基礎所在。Core ML 支持使用計算機視覺 (英文) 框架分析圖像，使用自然語言 (英文) 框架處理文本，使用語音 (英文) 框架將音頻轉換為文本，以及使用 SoundAnalysis (英文) 來識別音頻中的聲音。Core ML 本身是基於 Accelerate (英文) 和 BNNS (英文) 等底層語言以及 Metal Performance Shaders (英文) 而構建的。
主要特點
Core ML 支持多種機器學習模型，包括神經網路、樹集成、支持向量機和廣義線性模型。Core ML 要求使用 Core ML 模型格式 (檔案擴展名為 .mlmodel的模型)。
利用 Create ML 和自己的數據，可以訓練定製模型來完成某些任務，例如識別圖像、提取文本含義或查找數字值之間的關係。使用 Create ML 訓練的模型使用 Core ML 模型格式，並能直接在 app 中使用。
