1 引言

作為曾經的iOS開發者，在研究深度學習的時候，總有一個想法就是在iPhone上執行深度學習，不管是在手機上訓練還是利用訓練好的資料進行測試。
因為iOS的開發環境支援C++，因此，只要你的程式碼是C/C++，本質上就可以在iOS上執行。
怎麼才能更快更好地在iOS上執行CNN呢？

2 方法1：通過Matlab轉碼

Matlab自帶轉成c的工具，如果你研究過UFLDL的深度學習教程，就知道如何在Matlab上使用CNN，那麼，轉換成c後，放到iOS的開發環境中，然後將引數存成txt格式再讀取分割，也就是可以實現。
如下圖就是已經將matlab程式碼轉換為c後匯入的結果：

開啟predict.h檔案，可以看到可以呼叫的介面：

/* Function Declarations */
extern real_T predict(const real_T Theta1[10025], const real_T Theta2[260], const real_T X[400]);

這是訓練MNIST的一個神經網路，我這邊用了測試手寫數字的識別。

因此，接下來需要對圖片進行處理，從而轉換為x[400]的向量格式。

這個只要能讀取圖片的畫素，進行轉換就可以。可以考慮用opencv來實現。

這裡我的方法是在用手畫出數字之後，將圖片轉換為20*20畫素的圖片，如右下角所示，再將右下角的圖片轉換為400的陣列，輸入predict得到的結果。

3 方法2：使用DeepBeliefSDK

4 方法3：使用tinyCNN

https://github.com/nyanp/tiny-cnn
這個很不錯，它對比Caffe，Theano等框架最大的特點就是不需要安裝，只要能用C++ 11.然後裡面的例子使用了boost庫。因此，為了執行它，我們需要在xcode安裝ios的boost庫。

匯入boost庫的方法非常簡單：

In Xcode Build Settings for your project:

Add to Library Search Paths ( LIBRARY_SEARCH_PATHS ) $(SRCROOT)/../../../addons/ofxiOSBoost/libs/boost/lib/ios
Add to
 
 Header Search Paths ( HEADER_SEARCH_PATHS )
$(SRCROOT)/../../../addons/ofxiOSBoost/libs/boost/include
In the Target under Build Phases

Add to 'Link Binary With Libraries' the boost.a found in the ofxiOSBoost/libs/boost/lib/ios directory.
If not openFrameworks just add the libs/boost/include to Header Search Paths and the libs/boost/ios to Library Search Paths

那麼具體在建立iOS應用的時候，這裡使用作者提供的訓練MNIST的例子，那麼要注意在使用資料時，要更改路徑：

NSString *trainLabels = [[NSBundle mainBundle] pathForResource:@"train-labels" ofType:@"idx1-ubyte"];
    NSString *trainImages = [[NSBundle mainBundle] pathForResource:@"train-images" ofType:@"idx3-ubyte"];
    NSString *t10kLabels = [[NSBundle mainBundle] pathForResource:@"t10k-labels" ofType:@"idx1-ubyte"];
    NSString *t10kImages = [[NSBundle mainBundle] pathForResource:@"t10k-images" ofType:@"idx3-ubyte"];


    parse_mnist_labels([trainLabels cStringUsingEncoding:NSUTF8StringEncoding], &train_labels);
    parse_mnist_images([trainImages cStringUsingEncoding:NSUTF8StringEncoding], &train_images);
    parse_mnist_labels([t10kLabels cStringUsingEncoding:NSUTF8StringEncoding], &test_labels);
    parse_mnist_images([t10kImages cStringUsingEncoding:NSUTF8StringEncoding], &test_images);

基本上這樣就可以執行開始訓練了。

如果想在Mac上訓練，同樣需要安裝boost庫。這個只要在官網下載boost，我用的是1.58版本。然後在terminal中安裝，cd到路徑，然後./boostrap.sh 然後./b2 安裝就可以。然後在xcode引入路徑：

The Boost C++ Libraries were successfully built!

The following directory should be added to compiler include paths:

    /Users/.../.../.../boost

The following directory should be added to linker library paths:

    /Users/.../.../.../boost/stage/lib

路徑初始為自己boost的資料夾地址。

4 小結

上面說了一些很方便的方法來實現在iOS下執行CNN。當然，我們更多需要就是進行影象的識別。相信大家自己測試會覺得很有趣。