2024-02-08 19:41:20

totrans/prac-dl-cld_12.yaml

@@ -765,6 +765,8 @@
   id: totrans-108
   prefs: []
   type: TYPE_NORMAL
+  zh: 使用Create ML的一个主要动机是其输出的模型大小。完整模型可以分解为基础模型（生成特征）和更轻的特定任务分类层。苹果将基础模型内置到其每个操作系统中。因此，Create
+    ML只需要输出特定任务的分类器。这些模型有多小？仅几千字节（与MobileNet模型的15 MB相比，后者已经相当小了）。在越来越多的应用开发人员开始将深度学习整合到其应用中的今天，这一点至关重要。同一神经网络不需要在多个应用程序中不必要地复制，消耗宝贵的存储空间。
 - en: In short, Create ML is easy, speedy, and tiny. Sounds too good to be true. Turns
     out the flip-side of having full vertical integration is that the developers are
     tied into the Apple ecosystem. Create ML exports only *.mlmodel* files, which
@@ -774,10 +776,13 @@
   id: totrans-109
   prefs: []
   type: TYPE_NORMAL
+  zh: 简而言之，Create ML易于使用，速度快，体积小。听起来太好了。事实证明，完全垂直集成的反面是开发人员被绑定到苹果生态系统中。Create ML只导出*.mlmodel*文件，这些文件只能在iOS、iPadOS、macOS、tvOS和watchOS等苹果操作系统上使用。遗憾的是，Create
+    ML尚未实现与Android的集成。
 - en: 'In this section, we build the Not Hotdog classifier using Create ML:'
   id: totrans-110
   prefs: []
   type: TYPE_NORMAL
+  zh: 在本节中，我们使用Create ML构建Not Hotdog分类器：
 - en: Open the Create ML app, click New Document, and select the Image Classifier
     template from among the several options available (including Sound, Activity,
     Text, Tabular), as shown in [Figure 12-10](part0014.html#choosing_a_template_for_a_new_project).
@@ -787,22 +792,27 @@
   prefs:
   - PREF_OL
   type: TYPE_NORMAL
+  zh: 打开Create ML应用程序，点击新建文档，从可用的几个选项中选择图像分类器模板（包括声音、活动、文本、表格），如[图12-10](part0014.html#choosing_a_template_for_a_new_project)所示。请注意，这仅适用于Xcode
+    11（或更高版本），macOS 10.15（或更高版本）。
 - en: '![Choosing a template for a new project](../images/00277.jpeg)'
   id: totrans-112
   prefs:
   - PREF_IND
   type: TYPE_IMG
+  zh: '![选择新项目的模板](../images/00277.jpeg)'
 - en: Figure 12-10\. Choosing a template for a new project
   id: totrans-113
   prefs:
   - PREF_IND
   - PREF_H6
   type: TYPE_NORMAL
+  zh: 图12-10。选择新项目的模板
 - en: In the next screen, enter a name for the project, and then select Done.
   id: totrans-114
   prefs:
   - PREF_OL
   type: TYPE_NORMAL
+  zh: 在下一个屏幕中，输入项目名称，然后选择完成。
 - en: We need to sort the data into the correct directory structure. As [Figure 12-11](part0014.html#train_and_test_data_in_separate_director)
     illustrates, we place images in directories that have the names of their labels.
     It is useful to have separate train and test datasets with their corresponding
@@ -811,33 +821,39 @@
   prefs:
   - PREF_OL
   type: TYPE_NORMAL
+  zh: 我们需要将数据分类到正确的目录结构中。如[图12-11](part0014.html#train_and_test_data_in_separate_director)所示，我们将图像放在以其标签名称命名的目录中。将训练和测试数据分别放在相应的目录中是有用的。
 - en: '![Train and test data in separate directories](../images/00235.jpeg)'
   id: totrans-116
   prefs:
   - PREF_IND
   type: TYPE_IMG
+  zh: '![将训练和测试数据放在不同的目录中](../images/00235.jpeg)'
 - en: Figure 12-11\. Train and test data in separate directories
   id: totrans-117
   prefs:
   - PREF_IND
   - PREF_H6
   type: TYPE_NORMAL
+  zh: 图12-11。将训练和测试数据放在不同的目录中
 - en: Point the UI to the training and test data directories, as shown in [Figure 12-12](part0014.html#training_interface_in_create_ml).
   id: totrans-118
   prefs:
   - PREF_OL
   type: TYPE_NORMAL
+  zh: 将UI指向训练和测试数据目录，如[图12-12](part0014.html#training_interface_in_create_ml)所示。
 - en: '![Training interface in Create ML](../images/00200.jpeg)'
   id: totrans-119
   prefs:
   - PREF_IND
   type: TYPE_IMG
+  zh: '![Create ML中的训练界面](../images/00200.jpeg)'
 - en: Figure 12-12\. Training interface in Create ML
   id: totrans-120
   prefs:
   - PREF_IND
   - PREF_H6
   type: TYPE_NORMAL
+  zh: 图12-12。Create ML中的训练界面
 - en: '[Figure 12-12](part0014.html#training_interface_in_create_ml) shows the UI
     after you select the train and test data directories. Notice that the validation
     data was automatically selected by Create ML. Additionally, notice the augmentation
@@ -848,23 +864,28 @@
   prefs:
   - PREF_OL
   type: TYPE_NORMAL
+  zh: 在选择训练和测试数据目录后，[图12-12](part0014.html#training_interface_in_create_ml)显示了UI。请注意，验证数据是由Create
+    ML自动选择的。此外，请注意可用的增强选项。在这一点上，我们可以点击播放按钮（右向三角形；参见[图12-13](part0014.html#create_ml_screen_that_opens_after_loadin)）开始训练过程。
 - en: '![Create ML screen that opens after loading train and test data](../images/00164.jpeg)'
   id: totrans-122
   prefs:
   - PREF_IND
   type: TYPE_IMG
+  zh: '![加载训练和测试数据后打开的Create ML屏幕](../images/00164.jpeg)'
 - en: Figure 12-13\. Create ML screen that opens after loading train and test data
   id: totrans-123
   prefs:
   - PREF_IND
   - PREF_H6
   type: TYPE_NORMAL
+  zh: 图12-13。加载训练和测试数据后打开的Create ML屏幕
 - en: Note
   id: totrans-124
   prefs:
   - PREF_IND
   - PREF_H6
   type: TYPE_NORMAL
+  zh: 注意
 - en: As you experiment, you will quickly notice that each augmentation that we add
     will make the training slower. To set a quick baseline performance metric, we
     should avoid using augmentations in the first run. Subsequently, we can experiment
@@ -874,6 +895,7 @@
   prefs:
   - PREF_IND
   type: TYPE_NORMAL
+  zh: 当您进行实验时，您会很快注意到每个添加的增强都会使训练变慢。为了设定一个快速的基准性能指标，我们应该避免在第一次运行中使用增强。随后，我们可以尝试添加更多增强来评估它们对模型质量的影响。
 - en: When the training completes, we can see how the model performed on the training
     data, (auto-selected) validation data, and the test data, as depicted in [Figure 12-14](part0014.html#the_create_ml_screen_after_training_comp).
     At the bottom of the screen, we can also observe how long the training process
@@ -883,17 +905,21 @@
   prefs:
   - PREF_OL
   type: TYPE_NORMAL
+  zh: 当训练完成时，我们可以看到模型在训练数据、（自动选择的）验证数据和测试数据上的表现，如[图12-14](part0014.html#the_create_ml_screen_after_training_comp)所示。在屏幕底部，我们还可以看到训练过程花费的时间以及最终模型的大小。在不到两分钟内达到97%的测试准确率。而且输出只有17
+    KB。相当不错。
 - en: '![The Create ML screen after training completes](../images/00113.jpeg)'
   id: totrans-127
   prefs:
   - PREF_IND
   type: TYPE_IMG
+  zh: '![训练完成后的Create ML屏幕](../images/00113.jpeg)'
 - en: Figure 12-14\. The Create ML screen after training completes
   id: totrans-128
   prefs:
   - PREF_IND
   - PREF_H6
   type: TYPE_NORMAL
+  zh: 图12-14。训练完成后的Create ML屏幕
 - en: We’re so close now—we just need to export the final model. Drag the Output button
     (highlighted in [Figure 12-14](part0014.html#the_create_ml_screen_after_training_comp))
     to the desktop to create the *.mlmodel* file.