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：
“错误处理功能部件列表：如果给出单个功能部件名称，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：
https://apple.github.io/coremltools/coremlspecification/sections/FeatureEngineering.html#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？
最佳答案
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，来自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，让scikit-learn转换器处理此问题最简单，因为这就是它的用途。
出现num_dimensions错误的原因是，仅转换sklearn Normalizer不会为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。