[譯] iOS 11：機(jī)器學(xué)習(xí)人人有份

Core ML

本文同步發(fā)布于公眾號(hào)：AIMaster。在這里，我們一起學(xué)習(xí) AI.

WWDC 2017 使一件事情變得非常清楚，那就是：Apple 正在全力以赴地支持「設(shè)備上的機(jī)器學(xué)習(xí)」了。

他們希望 App 的開發(fā)者們能夠盡可能的簡(jiǎn)單的加入他們的行列中。

Apple 去年發(fā)布了可以用于創(chuàng)建基本的卷積神經(jīng)網(wǎng)的 Metal CNN 和 BNNS 框架。今年，Metal 得到了進(jìn)一步擴(kuò)展，增加了一個(gè)全新的計(jì)算機(jī)視覺框架，以及 Core ML：一個(gè)能夠輕松地將機(jī)器學(xué)習(xí)集成到 App 中的工具包。

在這片文章中，我將就 iOS 11 和 macOS 10.13 中這些新推出的機(jī)器學(xué)習(xí)的內(nèi)容，分享我自己的一些想法和經(jīng)驗(yàn)。

Core ML

Core ML 在 WWDC 上獲得了極大的關(guān)注度，原因很簡(jiǎn)單：大部分開發(fā)者希望能夠在他們的 App 中使用這個(gè)框架。

Core ML 的 API 非常簡(jiǎn)單。你只能用它做這些事情：

  1. 加載一個(gè)訓(xùn)練好的模型
  2. 做出預(yù)測(cè)
  3. 收益?。。?/li>

這看起來好像很有限，但實(shí)際上你一般只會(huì)在 App 中加載模型和做出預(yù)測(cè)這兩件事。

在 Core ML 之前，加載訓(xùn)練好的模型是非常困難的 —— 實(shí)際上，我寫過一個(gè)框架來減輕這種痛苦。所以現(xiàn)在我對(duì)這一個(gè)簡(jiǎn)單的兩步過程感到非常高興。

模型被包含在了一個(gè) .mlmodel 的文件中。這是一種新的開源文件格式，用于描述模型中的 layer、輸入輸出、標(biāo)簽，以及需要在數(shù)據(jù)上產(chǎn)生的任何預(yù)處理過程。它還包括了所有的學(xué)習(xí)參數(shù)（權(quán)重和偏置）。

使用模型所需的一切都在這一個(gè)文件里面了。

你只需要將 mlmodel 文件放入你的項(xiàng)目中，Xcode 將會(huì)自動(dòng)生成一個(gè) Swift 或 Objective-C 的包裝類，使你能簡(jiǎn)單的使用這個(gè)模型。

舉個(gè)例子，如果你把文件 ResNet50.mlmodel 添加到你的 Xcode 項(xiàng)目中，那么你就可以這么寫來實(shí)例化這個(gè)模型：

let model = ResNet50()

然后做出預(yù)測(cè)：

let pixelBuffer: CVPixelBuffer = /* your image */if let prediction = try? model.prediction(image: pixelBuffer) {
  print(prediction.classLabel)
}

這差不多就是所有要寫的東西了。你不需要編寫任何代碼來加載模型，或者將其輸出轉(zhuǎn)換成可以從 Swift 直接使用的內(nèi)容 —— 這一切都將由 Core ML 和 Xcode 來處理。

注意: 要了解背后發(fā)生了什么，可以在 Project Navigator 里選擇 mlmodel 文件，然后點(diǎn)擊 Swift generated source 右邊的箭頭按鈕，就能夠查看生成的幫助代碼了。

Core ML 將決定自己到底是在 CPU 上運(yùn)行還是 GPU 上運(yùn)行。這使得它能夠充分的利用可以用的資源。Core ML 甚至可以將模型分割成僅在 GPU 上執(zhí)行的部分（需要大量計(jì)算的任務(wù)）以及 CPU 上的其他部分（需要大量?jī)?nèi)存的任務(wù)）。

Core ML 使用 CPU 的能力對(duì)于我們開發(fā)者來說另一個(gè)很大的好處是：你可以從 iOS 模擬器運(yùn)行它，從而運(yùn)行那些對(duì)于 Metal 來說做不到，同時(shí)在單元測(cè)試中也不太好的任務(wù)。

Core ML 支持什么模型？

上面的 ResNet50 例子展示的是一個(gè)圖像分類器，但是 Core ML 可以處理幾種不同類型的模型，如：

  • 支持向量機(jī) SVM
  • 諸如隨機(jī)森林和提升樹的決策樹集成
  • 線性回歸和 logistic 回歸
  • 前饋神經(jīng)網(wǎng)、卷積神經(jīng)網(wǎng)、遞歸神經(jīng)網(wǎng)

所有這些模型都可以用于回歸問題和分類問題。此外，你的模型可以包含這些典型的機(jī)器學(xué)習(xí)預(yù)處理操作，例如獨(dú)熱編碼（one-hot encoding）、特征縮放（feature scaling）、缺失值處理等等。

Apple 提供了很多已經(jīng)訓(xùn)練好的模型可供下載，例如 Inception v3、ResNet50 和 VGG16 等，但你也可以使用 Core ML Tools 這個(gè) Python 庫(kù)來轉(zhuǎn)換自己的模型。

目前，你可以轉(zhuǎn)換使用 Keras、Caffe、scikit-learn、XGBoost 和 libSVM 訓(xùn)練的模型。轉(zhuǎn)換工具只會(huì)支持具體指定的版本，比如 Keras 支持 1.2.2 但不支持 2.0。辛運(yùn)的是，該工具是開源的，所以毫無疑問它將來會(huì)支持更多的訓(xùn)練工具包。

如果這些都不行，你還是可以隨時(shí)編寫自己的轉(zhuǎn)換器。mlmodel 文件格式是開源且可以直接使用的（由 Apple 制定發(fā)布的一種 protobuf 格式）

局限

如果你想在你的 App 上馬上運(yùn)行一個(gè)模型， Core ML 很不錯(cuò)。然而使用這樣一個(gè)簡(jiǎn)單的 API 一定會(huì)有一些限制。

  • 僅支持有監(jiān)督學(xué)習(xí)的模型，無監(jiān)督學(xué)習(xí)和增強(qiáng)學(xué)習(xí)都是不行的。（不過有一個(gè)「通用」的神經(jīng)網(wǎng)絡(luò)類型支持，因此你可以使用它）
  • 設(shè)備上不能進(jìn)行訓(xùn)練。你需要使用離線工具包來進(jìn)行訓(xùn)練，然后將它們轉(zhuǎn)換到 Core ML 格式。
  • 如果 Core ML 不支持某種類型的 layer，那么你就不能使用它。在這一點(diǎn)上，你不能使用自己的 kernel 來擴(kuò)展 Core ML。在使用 TensorFlow 這樣的工具來構(gòu)建通用計(jì)算圖模型時(shí)，mlmodel 文件格式可能就不那么靈活了。
  • Core ML 轉(zhuǎn)換工具只支持特定版本的數(shù)量有限的訓(xùn)練工具。例如，如果你在 TensorFLow 中訓(xùn)練了一個(gè)模型，則無法使用此工具，你必須編寫自己的轉(zhuǎn)換腳本。正如我剛才提到的：如果你的 TensorFlow 模型具有一些 mlmodel 不支持的特性，那么你就不能在 Core ML 上使用你的模型。
  • 你不能查看中間層的輸出，只能獲得最后一層網(wǎng)絡(luò)的預(yù)測(cè)值。
  • 我感覺下載模型更新會(huì)造成一些問題，如果你不想每次重新訓(xùn)練模型的時(shí)候都重寫一個(gè)新版本的 App，那么 Core ML 不適合你。
  • Core ML 對(duì)外屏蔽了它是運(yùn)行在 CPU 上還是 GPU 上的細(xì)節(jié) —— 這很方便 —— 但你必須相信它對(duì)你的 App 能做出正確的事情。即便你真的需要，你也不能強(qiáng)迫 Core ML 運(yùn)行在 GPU 上。

如果你能夠忍受這些限制，那么 Core ML 對(duì)你來說就是正確的選擇。

否則的話，如果你想要完全的控制權(quán)，那么你必須使用 Metal Performance Shader 或 Accelerate 框架 —— 甚至一起使用 —— 來驅(qū)動(dòng)你的模型了！

當(dāng)然，真正的黑魔法不是 Core ML，而是你的模型。如果你連模型都沒有，Core ML 是沒有用的。而設(shè)計(jì)和訓(xùn)練一個(gè)模型就是機(jī)器學(xué)習(xí)的難點(diǎn)所在……

一個(gè)快速示例程序

我寫了一個(gè)使用了 Core ML 的簡(jiǎn)單的示例項(xiàng)目，和往常一樣，你可以在 GitHub 上找到源碼。

這個(gè)示例程序使用了 MobileNet 架構(gòu)來分類圖片中的貓。

最初這個(gè)模型是用 Caffe 訓(xùn)練得出的。我花了一點(diǎn)時(shí)間來搞清楚如何將它轉(zhuǎn)換到一個(gè) mlmodel 文件，但是一旦我有了這個(gè)轉(zhuǎn)換好的模型，便很容易集成到 App 中了（轉(zhuǎn)換腳本包含在 GitHub 中）。

雖然這個(gè) App 不是很有趣 —— 它只輸出了一張靜態(tài)圖片的前五個(gè)預(yù)測(cè)值 —— 但卻展示了使用 Core ML 是多么的簡(jiǎn)單。幾行代碼就夠了。

注意: 示例程序在模擬器上工作正常，但是設(shè)備上運(yùn)行就會(huì)崩潰。繼續(xù)閱讀來看看為什么會(huì)發(fā)生這種情況 ;-)

當(dāng)然，我想知道發(fā)生了什么事情。事實(shí)證明 mlmodel 實(shí)際上被編譯進(jìn)應(yīng)用程序 bundle 的 mlmodelc 文件夾中了。這個(gè)文件夾里包含了一堆不同的文件，一些二進(jìn)制文件，一些 JSON文件。所以你你可以看到 Core ML 是如何將 mlmodel 在實(shí)際部署到應(yīng)用中之前進(jìn)行轉(zhuǎn)換的。

例如，MobileNet Caffe 模型使用了批量歸一化（Batch Normalization）層，我驗(yàn)證了這些轉(zhuǎn)換也存在于 mlmodel 文件中。但是在編譯的 mlmodelc 中，這些批量歸一化 layer 似乎就被移除了。這是個(gè)好消息：Core ML 優(yōu)化了該模型。

盡管如此，它似乎可以更好的優(yōu)化該模型的結(jié)構(gòu)，因?yàn)?mlmodelc 仍然包含一些不必要的 scaling layer。

當(dāng)然，我們還處在 iOS 11 beta 1 的版本，Core ML 可能還會(huì)改進(jìn)。也就是說，在應(yīng)用到 Core ML 之前，還是值得對(duì)模型進(jìn)一步優(yōu)化的 —— 例如，通過「folding」操作對(duì) layer 進(jìn)行批量歸一化（Batch Normalization） —— 但這是你必須對(duì)你的特性模型進(jìn)行測(cè)量和比較的東西。

還有其他一些你必須檢查的：你的模型是否在 CPU 和 GPU 上運(yùn)行相同。我提到 Core ML 將選擇是否在 CPU 上運(yùn)行模型（使用 Accelerate 框架）或 GPU（使用 Metal ）。事實(shí)證明，這兩個(gè)實(shí)現(xiàn)可能會(huì)有所不同 —— 所以你兩個(gè)都需要測(cè)試！

例如，MobileNet 使用所謂的「depthwise」卷積層。原始模型在 Caffe 中進(jìn)行訓(xùn)練，Caffe 通過使正常卷積的 groups 屬性等于輸出通道的數(shù)量來支持 depthwise 卷積。所得到的 MobileNet.mlmodel 文件也一樣。這在 iOS 模擬器中工作正常，但它在設(shè)備上就會(huì)崩潰！

發(fā)生這一切的原因是：模擬器使用的是 Accelerate 框架，但是該設(shè)備上使用的卻是 Metal Performance Shaders。由于 Metal 對(duì)數(shù)據(jù)進(jìn)行編碼方式的特殊性， MPSCNNConvolution 內(nèi)核限制了：不能使 groups 數(shù)等于輸出通道的數(shù)量。噢嚯！

我向 Apple 提交了一個(gè) bug，但是我想說的是：模型能在模擬器上運(yùn)行正常并不意味著它在設(shè)備上運(yùn)行正常。一定要測(cè)試！

有多快？

我沒有辦法測(cè)試 Core ML 的速度，因?yàn)槲业娜?10.5 寸 iPad Pro 下個(gè)星期才能到（呵呵）。

我感興趣的是我自己寫的 Forge 庫(kù)和 Core ML （考慮到我們都是一個(gè)早期的測(cè)試版）之間運(yùn)行 MobileNets 之間的性能差異。

敬請(qǐng)關(guān)注！當(dāng)我有數(shù)據(jù)可以分享時(shí)，我會(huì)更新這一節(jié)內(nèi)容。

Vision

下一個(gè)要討論的事情就是全新的 Vision 框架。

你可能已經(jīng)從它的名字中猜到了，Vision 可以讓你執(zhí)行計(jì)算機(jī)視覺任務(wù)。在以前你可能會(huì)使用 OpenCV，但現(xiàn)在 iOS 有自己的 API 了。

Vision 可以執(zhí)行的任務(wù)有以下幾種：

  • 在圖像中尋找人臉。然后對(duì)每個(gè)臉給出一個(gè)矩形框。
  • 尋找面部的詳細(xì)特征，比如眼睛和嘴巴的位置，頭部的形狀等等。
  • 尋找矩形形狀的圖像，比如路標(biāo)。
  • 追蹤視頻中移動(dòng)的對(duì)象。
  • 確定地平線的角度。
  • 轉(zhuǎn)換兩個(gè)圖像，使其內(nèi)容對(duì)齊。這對(duì)于拼接照片非常有用。
  • 檢測(cè)包含文本的圖像中的區(qū)域。
  • 檢測(cè)和識(shí)別條形碼。

Core Image 和 AVFoundation 已經(jīng)可以實(shí)現(xiàn)其中的一些任務(wù)，但現(xiàn)在他們都集成在一個(gè)具有一致性 API 的框架內(nèi)了。

如果你的應(yīng)用程序需要執(zhí)行這些計(jì)算機(jī)視覺任務(wù)之一，再也不用跑去自己實(shí)現(xiàn)或使用別人的庫(kù)了 - 只需使用 Vision 框架。你還可以將其與 Core Image 框架相結(jié)合，以獲得更多的圖像處理能力。

更好的是：你可以使用 Vision 驅(qū)動(dòng) Core ML，這允許你使用這些計(jì)算機(jī)視覺技術(shù)作為神經(jīng)網(wǎng)絡(luò)的預(yù)處理步驟。例如，你可以使用 Vision 來檢測(cè)人臉的位置和大小，將視頻幀裁剪到該區(qū)域，然后在這部分的面部圖像上運(yùn)行神經(jīng)網(wǎng)絡(luò)。

事實(shí)上，任何時(shí)候當(dāng)你結(jié)合圖像或者視頻使用 Core ML 時(shí)，使用 Vision 都是合理的。原始的 Core ML 需要你確保輸入圖像是模型所期望的格式。如果使用 Vision 框架來負(fù)責(zé)調(diào)整圖像大小等，這會(huì)為你節(jié)省不少力氣。

使用 Vision 來驅(qū)動(dòng) Core ML 的代碼長(zhǎng)這個(gè)樣子：

// Core ML 的機(jī)器學(xué)習(xí)模型
let modelCoreML = ResNet50()

// 將 Core ML 鏈接到 Vision
let visionModel = try? VNCoreMLModel(for: modelCoreML.model)

let classificationRequest = VNCoreMLRequest(model: visionModel) {
  request, error iniflet observations = request.results as? [VNClassificationObservation] {
    /* 進(jìn)行預(yù)測(cè) */
  }
}

let handler = VNImageRequestHandler(cgImage: yourImage)
try? handler.perform([classificationRequest])

請(qǐng)注意，VNImageRequestHandler 接受一個(gè)請(qǐng)求對(duì)象數(shù)組，允許你將多個(gè)計(jì)算機(jī)視覺任務(wù)鏈接在一起，如下所示：

try? handler.perform([faceDetectionRequest, classificationRequest])

Vision 使計(jì)算機(jī)視覺變得非常容易使用。 但對(duì)我們機(jī)器學(xué)習(xí)人員很酷的事情是，你可以將這些計(jì)算機(jī)視覺任務(wù)的輸出輸入到你的 Core ML 模型中。 結(jié)合 Core Image 的力量，批量圖像處理就跟玩兒一樣！

Metal Performance Shaders

我最后一個(gè)想要討論的話題就是 Metal —— Apple 的 GPU 編程 API。

我今年為客戶提供的很多工作涉及到使用 Metal Performance Shaders (MPS) 來構(gòu)建神經(jīng)網(wǎng)絡(luò)，并對(duì)其進(jìn)行優(yōu)化，從而獲得最佳性能。但是 iOS 10 只提供了幾個(gè)用于創(chuàng)建神經(jīng)網(wǎng)絡(luò)的基本 kernel。通常需要編寫自定義的 kernel 來彌補(bǔ)這個(gè)缺陷。

所以我很開心使用 iOS 11，可用的 kernel 已經(jīng)增長(zhǎng)了許多，更好的是：我們現(xiàn)在有一個(gè)用于構(gòu)建圖的 API 了！

注意: 為什么要使用 MPS 而不是 Core ML？好問題！最大的原因是當(dāng) Core ML 不支持你想要做的事情時(shí)，或者當(dāng)你想要完全的控制權(quán)并獲得最大運(yùn)行速度時(shí)。

MPS 中對(duì)于機(jī)器學(xué)習(xí)來說的最大的變化是：

遞歸神經(jīng)網(wǎng)絡(luò)。你現(xiàn)在可以創(chuàng)建 RNN，LSTM，GRU 和 MGU 層了。這些工作在 MPSImage 對(duì)象的序列上，但也適用于 MPSMatrix 對(duì)象的序列。這很有趣，因?yàn)樗衅渌?MPS layer 僅處理圖像 —— 但顯然，當(dāng)你使用文本或其他非圖像數(shù)據(jù)時(shí)，這不是很方便。

更多數(shù)據(jù)類型。以前的權(quán)重應(yīng)該是 32 位浮點(diǎn)數(shù)，但現(xiàn)在可以是 16 位浮點(diǎn)數(shù)（半精度），8 位整數(shù)，甚至是 2 進(jìn)制數(shù)。卷積和 fully-connected 的 layer 可以用 2 進(jìn)制權(quán)重和 2 進(jìn)制化輸入來完成。

更多的層。到目前為止，我們不得不采用普通的常規(guī)卷積、最大池化和平均池化，但是在 iOS 11 MPS 中，你可以進(jìn)行擴(kuò)張卷積（Dilated Convolution）、子像素卷積（Subpixel Convolution）、轉(zhuǎn)置卷積（Transposed Convolution）、上采樣（Upsampling）和重采樣（Resampling）、L2 范數(shù)池化（L2-norm pooling）、擴(kuò)張最大池化（dilated max pooling），還有一些新的激活函數(shù)。 MPS 還沒有所有的 Keras 或 Caffe layer 類型，但差距正在縮小...

更方便。使用 MPSImages 總是有點(diǎn)奇怪，因?yàn)?Metal 每次以 4 個(gè)通道的片段組織數(shù)據(jù)（因?yàn)閳D像由 MTLTexture 對(duì)象支持）。但是現(xiàn)在，MPSImage 有用于讀取和寫入數(shù)據(jù)的方法，這些數(shù)據(jù)不會(huì)讓你感到困惑。

MPSCNNConvolutionDescriptor 還有一個(gè)新方法，可以讓你在 layer 上設(shè)置批量歸一化參數(shù)。這意味著你不再需要將批量歸一化到卷積層中，而 MPS 會(huì)為你處理這些事情。非常方便！

性能改進(jìn)。現(xiàn)有的內(nèi)核變得更快。這總是好消息。 ??

圖 API。這是我最關(guān)心的消息。手動(dòng)創(chuàng)建所有 layer 和（臨時(shí)）圖像總是令人討厭的。現(xiàn)在你可以描述一個(gè)圖，就像你在Keras 中一樣。 MPS 將自動(dòng)計(jì)算出圖像需要多大，如何處理填充，如何設(shè)置 MPS 內(nèi)核的 offset 等等。甚至可以通過融合不同的 layer 來優(yōu)化整個(gè)圖。

看起來所有的 MPS 內(nèi)核都可以使用 NSSecureCoding 進(jìn)行序列化，這意味著你可以將圖保存到文件中，然后將其還原。并且使用這個(gè)圖來推斷現(xiàn)在只是一個(gè)單一的方法調(diào)用。它不像 Core ML 那么簡(jiǎn)單，但使用 MPS 絕對(duì)比以前好用得多。

有一件事情我目前還不太清楚，那就是我不知道你是否可以編寫自己的 kernel 并在這個(gè)圖中使用。在我客戶的工作中，我發(fā)現(xiàn)通常需要使用 Metel Shading 語(yǔ)言編寫的自定義著色器來進(jìn)行預(yù)處理步驟。據(jù)我所知，似乎沒有一個(gè)「MPSNNCustomKernelNode」類。這還要再多研究一下！

結(jié)論：用于機(jī)器學(xué)習(xí)的 Metal Performance Shaders 已經(jīng)在 iOS 11 中變得更加強(qiáng)大，但是大多數(shù)開發(fā)人員應(yīng)該轉(zhuǎn)而使用 Core ML（對(duì)于那些使用MPS的來說）。

注意：新的圖 API 使我的 Forge 庫(kù)基本上過時(shí)了，除非你希望在 App 中繼續(xù)支持 iOS 10。我將盡快將示例應(yīng)用移植到新的圖 API 上，然后將寫一個(gè)更詳細(xì)的博客文章。

雜項(xiàng)

還有一些其他的更新：

Accelerate 框架: 似乎 Accelerate 框架中的 BNNS 并沒有獲得太多功能上的更新。它終于有了 Softmax 層，但 MPS 卻沒有新的 layer 類型。也許無關(guān)緊要：使用 CPU 進(jìn)行深層神經(jīng)網(wǎng)絡(luò)可能不是一個(gè)好主意。也就是說，我喜歡 Accelerate，它有很多好玩的東西。而今年，它確實(shí)獲得了對(duì)稀疏矩陣的更多支持，很棒。

自然語(yǔ)言處理: Core ML不僅僅只能處理圖像，它還可以處理大量不同類型的數(shù)據(jù)，包括文本。 使用的 API NSLinguisticTagger 類已經(jīng)存在了一段時(shí)間，但是與 iOS 11 相比變得更加有效了。NSLinguisticTagger 現(xiàn)在已經(jīng)能進(jìn)行語(yǔ)言鑒別，詞法分析，詞性標(biāo)注，詞干提取和命名實(shí)體識(shí)別。

我沒有什么 NLP 的經(jīng)驗(yàn)，所以我沒辦法比較它與其他 NLP 框架的區(qū)別，但NSLinguisticTagger 看起來相當(dāng)強(qiáng)大。 如果要將 NLP 添加到 App 中，此 API 似乎是一個(gè)好的起點(diǎn)。

都是好消息嗎?

Apple 向我們開發(fā)者提供所有的這些新工具都非常的好，但是大多數(shù) Apple API 都有一些很重要的問題：

  1. 閉源
  2. 有局限
  3. 只有在新 OS 發(fā)布時(shí)候才會(huì)更新

這三個(gè)東西加在一起意味著蘋果的 API 總會(huì)落后于其他工具。如果 Keras 增加了一個(gè)很炫酷的新的 layer 類型，那么在 Apple 更新其框架和操作系統(tǒng)之前，你都沒辦法將它和 Core ML 一起使用了。

如果某些 API 得到的計(jì)算結(jié)果并不是你想要的，你沒辦法簡(jiǎn)單的進(jìn)去看看到底是 Core ML 的問題還是模型的問題，再去修復(fù)它 —— 你必須繞開 Core ML 來解決這個(gè)問題（并不總是可能的）；要么就只能等到下一個(gè) OS 發(fā)布了（需要你所有的用戶進(jìn)行升級(jí)）。

當(dāng)然我不希望 Apple 放棄他們的秘密武器，但是就像其他大多數(shù)機(jī)器學(xué)習(xí)工具開源一樣，為什么不讓 Core ML 也開源呢？ ??

我知道這對(duì)于 Apple 來說不可能馬上發(fā)生，但當(dāng)你決定在 App 中使用機(jī)器學(xué)習(xí)時(shí)，要記住上面的這些內(nèi)容。

Matthijs Hollemans 于 2017 年 6 月 11 日

我希望這篇文章對(duì)你有所幫助！歡迎通過 Twitter @mhollemans 或 Email matt@machinethink.net 聯(lián)系我。

掘金翻譯計(jì)劃 是一個(gè)翻譯優(yōu)質(zhì)互聯(lián)網(wǎng)技術(shù)文章的社區(qū)，文章來源為 掘金 上的英文分享文章。內(nèi)容覆蓋 Android、iOS、React、前端、后端、產(chǎn)品、設(shè)計(jì) 等領(lǐng)域，想要查看更多優(yōu)質(zhì)譯文請(qǐng)持續(xù)關(guān)注 掘金翻譯計(jì)劃。

aimaster.png
最后編輯于 ：
?著作權(quán)歸作者所有,轉(zhuǎn)載或內(nèi)容合作請(qǐng)聯(lián)系作者
【社區(qū)內(nèi)容提示】社區(qū)部分內(nèi)容疑似由AI輔助生成，瀏覽時(shí)請(qǐng)結(jié)合常識(shí)與多方信息審慎甄別。
平臺(tái)聲明：文章內(nèi)容（如有圖片或視頻亦包括在內(nèi)）由作者上傳并發(fā)布，文章內(nèi)容僅代表作者本人觀點(diǎn)，簡(jiǎn)書系信息發(fā)布平臺(tái)，僅提供信息存儲(chǔ)服務(wù)。

相關(guān)閱讀更多精彩內(nèi)容

友情鏈接更多精彩內(nèi)容