Question

我尝试将sklearn规范化器转换为coreml模型，如下所示：

normalized = sklearn.preprocessing.Normalizer()

coreml_model = coremltools.converters.sklearn.convert(normalized)

但是我得到这个错误：

“错误处理功能列表：如果给出单个功能名称，则必须提供num_dimensions”

如何设置“ num_dimensions ”？

另一个选择是直接在CoreML中使用Normalizer：

但是，零文档说明了如何在IOS中利用此功能。例如，如何在浮点数组上运行它？

Answer 1

要在Core ML中创建规范化器，您需要构建管道模型。管道只是一系列Core ML模型，捆绑为新的Core ML模型。

管道中的第一个模型将是Normalizer模型。第二个是您的常规模型。然后，规范化模型的输出将成为常规模型的输入。

您可以手动执行此操作（请参阅我的书，在我的个人资料中的链接），但实际上，最简单的方法是让scikit-learn转换器处理此问题，因为这就是目的。

发生num_dimensions错误是因为仅转换sklearn Normalizer并不能为coremltools转换器提供足够的信息来使用。如果要在scikit-learn中进行标准化，则看起来还需要在scikit-learn中创建管道模型并将其转换。

Answer 2

您可以这样指定输入尺寸：

coreml_model = coremltools.converters.sklearn.convert(normalized, input_features={'input': [0, 1, 2]})

其中input是输入要素名称（默认为input），列表（[0, 1, 2]）是输入要素ID（为简单起见，您可以执行{ {1}}，或像我一样明确列出索引值。