Tensorflow框架在高校實(shí)驗(yàn)教學(xué)評(píng)價(jià)模型中的設(shè)計(jì)與應(yīng)用

杜敏

摘要：Tensorflow是目前較為流行的應(yīng)用最為廣泛的人工智能框架，該框架可以通過已有的數(shù)據(jù)訓(xùn)練并研究模型的準(zhǔn)確性。論文旨在通過使用Tensorflow框架對(duì)高校實(shí)驗(yàn)教學(xué)評(píng)價(jià)模型進(jìn)行研究，研究設(shè)計(jì)和實(shí)現(xiàn)高校實(shí)驗(yàn)教學(xué)評(píng)價(jià)模型，以目前主流的評(píng)價(jià)模型為例，通過將實(shí)驗(yàn)教學(xué)評(píng)價(jià)模型向量化設(shè)計(jì)，同時(shí)實(shí)現(xiàn)實(shí)驗(yàn)教學(xué)評(píng)價(jià)算法，通過采用樣本數(shù)據(jù)的訓(xùn)練和測(cè)試，形成可以實(shí)現(xiàn)基礎(chǔ)預(yù)測(cè)的實(shí)驗(yàn)教學(xué)評(píng)價(jià)模型，在為后續(xù)的教學(xué)質(zhì)量的改革發(fā)展中起到一定的參考意義和積極作用。

關(guān)鍵詞：機(jī)器學(xué)習(xí);Tensorflow;深度神經(jīng)網(wǎng)絡(luò);卷積神經(jīng)網(wǎng)絡(luò);實(shí)驗(yàn)教學(xué)評(píng)價(jià)

中圖分類號(hào)：TP391.41 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1007-9416（2020）09-0151-03

0 引言

實(shí)驗(yàn)教學(xué)是本科教學(xué)的重要組成部分，是培養(yǎng)大學(xué)生實(shí)踐能力和創(chuàng)新精神的重要實(shí)踐性教學(xué)環(huán)節(jié)。通過實(shí)驗(yàn)教學(xué)，有助于對(duì)理論知識(shí)進(jìn)行科學(xué)有效的驗(yàn)證和提升，對(duì)提高學(xué)生的動(dòng)手操作能力、分析能力、觀察能力和思維能力方面有著重要的作用[1]。

目前，國(guó)內(nèi)高校的實(shí)驗(yàn)教學(xué)評(píng)價(jià)體系通常由幾部分構(gòu)成：實(shí)驗(yàn)教學(xué)大綱、實(shí)驗(yàn)教材、師資隊(duì)伍、實(shí)驗(yàn)教學(xué)方法、實(shí)驗(yàn)教學(xué)態(tài)度、實(shí)驗(yàn)場(chǎng)地、儀器設(shè)備投入、學(xué)生實(shí)驗(yàn)操作水平、學(xué)生綜合分析能力、學(xué)生創(chuàng)新與探索能力[2]等，不同的學(xué)校或?qū)W科根據(jù)教學(xué)目標(biāo)的不同，給定的分值側(cè)重點(diǎn)也不同，總的來說，都是為了衡量或評(píng)價(jià)實(shí)驗(yàn)教學(xué)效果。論文中，引入Tensorflow框架，設(shè)計(jì)和實(shí)現(xiàn)高校實(shí)驗(yàn)教學(xué)評(píng)價(jià)模型。主要為了在實(shí)驗(yàn)教學(xué)評(píng)價(jià)過程中通過有限的數(shù)據(jù)來分析和預(yù)測(cè)可能形成的實(shí)驗(yàn)教學(xué)成效，并提供干預(yù)和修正的可能性，給決策者提供實(shí)驗(yàn)教學(xué)改革發(fā)展依據(jù)。

1 Tensorflow框架簡(jiǎn)介

Tensorflow的運(yùn)算是采用Python編程語(yǔ)言為基礎(chǔ)表達(dá)。Python是一種易于學(xué)習(xí)的工具，并且提供了多種數(shù)學(xué)運(yùn)算庫(kù)，只需要設(shè)計(jì)好算法，就可以幫助實(shí)現(xiàn)數(shù)學(xué)運(yùn)算。Tensorflow框架通過采用數(shù)據(jù)流圖[3]的形式來表示運(yùn)算的數(shù)據(jù)流結(jié)構(gòu)，通過“節(jié)點(diǎn)”來表示運(yùn)算或施加的數(shù)學(xué)操作，也可以表示數(shù)據(jù)輸入（feed in）的起點(diǎn)/輸出（push out）的終點(diǎn)，或者是讀取/寫入持久變量（persistent variable）的終點(diǎn)。“線”表示“節(jié)點(diǎn)”之間的輸入/輸出關(guān)系。“節(jié)點(diǎn)”可以在本地運(yùn)算，也可以以分布式的方式運(yùn)算，通過“線”來匯總數(shù)據(jù)，數(shù)據(jù)用“張量”來表示。同時(shí)“線”也是有方向的，即用有向圖來表示數(shù)學(xué)運(yùn)算。

本研究中，把高校實(shí)驗(yàn)教學(xué)評(píng)價(jià)模型看成是一個(gè)運(yùn)算任務(wù)，學(xué)生在各模塊中獲得的成績(jī)看成是節(jié)點(diǎn)，把評(píng)價(jià)體系向量化，即可通過Tensorflow進(jìn)行運(yùn)算。

2 高校實(shí)驗(yàn)教學(xué)評(píng)價(jià)體系的向量化設(shè)計(jì)

使用Tensorflow框架分析和研究所面臨的問題，首先要了解機(jī)器學(xué)習(xí)，其次在理論上了解該框架的運(yùn)行模式，也就是采用數(shù)據(jù)流圖和節(jié)點(diǎn)來表示運(yùn)算和數(shù)學(xué)操作，數(shù)學(xué)操作的對(duì)象是數(shù)據(jù)，數(shù)據(jù)的表示我們稱之為向量，即多維數(shù)組，將實(shí)驗(yàn)教學(xué)評(píng)價(jià)教學(xué)體系向量化的過程是將其數(shù)組化的過程。再次是選擇合適數(shù)學(xué)操作，也就是數(shù)據(jù)流圖的運(yùn)算方式。

教學(xué)評(píng)價(jià)體系之間的關(guān)系運(yùn)算歸根結(jié)底屬于深度學(xué)習(xí)中的線性回歸預(yù)測(cè)模型，線性回歸預(yù)測(cè)模型探討的是一個(gè)或多個(gè)因素之間的影響關(guān)系，多元線性回歸模型解決的是兩個(gè)或兩個(gè)以上的因素對(duì)因變量可能產(chǎn)生的影響。為了簡(jiǎn)化模型的復(fù)雜度，文中選取實(shí)驗(yàn)教學(xué)大綱（取值1～10分）、實(shí)驗(yàn)教學(xué)態(tài)度（取值1～20）、儀器設(shè)備投入（取值1～20分）、學(xué)生綜合分析能力（取值1～25分）、學(xué)生創(chuàng)新與探索能力（取值1～25分）五項(xiàng)指標(biāo)（總分100分）作為數(shù)據(jù)集的五個(gè)屬性，標(biāo)簽值為實(shí)驗(yàn)教學(xué)評(píng)價(jià)結(jié)果（60分以下為差，60～70分為中，70～80分為良，90分以上為優(yōu)），當(dāng)一個(gè)評(píng)價(jià)為優(yōu)秀時(shí)，他的向量表示為W{優(yōu)，[9，18，16，21，24]}。向量化表示即評(píng)價(jià)指標(biāo)的特征化，對(duì)于線性回歸的預(yù)測(cè)模型而言，目的是找出因變量和自變量之間的因果關(guān)系，也就是說在機(jī)器學(xué)習(xí)的過程中，我們對(duì)所有的特征都使用的是相同的學(xué)習(xí)率，如果特征的取值偏范圍偏差較大時(shí)，就會(huì)導(dǎo)致學(xué)習(xí)離散而無法回歸，因此，我們還需對(duì)評(píng)價(jià)模型向量化后取值歸一化，即使得特征值的取值范圍在[0，1]之間，如W{[0.07191，0.19752，0.16241，0.19171，0.16385，0.79122]}。

論文探討評(píng)價(jià)體系中不同的指標(biāo)的取值對(duì)高校實(shí)驗(yàn)教學(xué)結(jié)果可能產(chǎn)生的影響，即實(shí)驗(yàn)教學(xué)過程中的評(píng)價(jià)運(yùn)算，趨向于多元線性回歸預(yù)測(cè)模型，因而采用多變量線性回歸來構(gòu)建高校實(shí)驗(yàn)教學(xué)評(píng)價(jià)模型。

3 實(shí)驗(yàn)教學(xué)評(píng)價(jià)體系模型的設(shè)計(jì)與實(shí)現(xiàn)

采用Tensorflow框架來設(shè)計(jì)和實(shí)現(xiàn)機(jī)器學(xué)習(xí)模型，首先是分析對(duì)象，并向量化;其次是針對(duì)所要分析的問題選擇合適的數(shù)學(xué)方法，文中所選取多元線性回歸模型來分析高校實(shí)驗(yàn)教學(xué)評(píng)價(jià)指標(biāo)中的分值對(duì)實(shí)驗(yàn)教學(xué)評(píng)價(jià)結(jié)果所產(chǎn)生的影響。篇幅所限，文中只選取了5個(gè)指標(biāo)，方式和方法對(duì)于多個(gè)指標(biāo)具有相同的指導(dǎo)作用。

主要分為以下步驟：

3.1 模型的參數(shù)設(shè)置

評(píng)價(jià)指標(biāo)向量化并選擇合適的數(shù)學(xué)方法后，接下來對(duì)模型進(jìn)行參數(shù)設(shè)置。即設(shè)置學(xué)習(xí)率和訓(xùn)練次數(shù)，訓(xùn)練次數(shù)與訓(xùn)練模型的數(shù)據(jù)相關(guān)。

learning_rate = 0.03? #設(shè)置學(xué)習(xí)率

train_steps = 500 #設(shè)置訓(xùn)練次數(shù)

3.2 構(gòu)建或選擇數(shù)據(jù)

這是根據(jù)評(píng)價(jià)指標(biāo)向量化的過程，通過對(duì)若干學(xué)生在實(shí)驗(yàn)教學(xué)中獲得的成績(jī)，根據(jù)選取指標(biāo)向量化為數(shù)組。為了訓(xùn)練模型的準(zhǔn)確性，應(yīng)當(dāng)盡可能的選取較多的數(shù)據(jù)來進(jìn)行，文中選取了500條多名學(xué)生的實(shí)驗(yàn)教學(xué)評(píng)價(jià)數(shù)據(jù)來進(jìn)行訓(xùn)練，理論上，每次評(píng)價(jià)數(shù)據(jù)都可以作為訓(xùn)練數(shù)據(jù)，在今后的不斷訓(xùn)練過程中模型的準(zhǔn)確率也會(huì)越來越高。構(gòu)建數(shù)據(jù)完成后，將數(shù)據(jù)分為標(biāo)簽和屬性兩個(gè)部分分別導(dǎo)入到兩個(gè)數(shù)組之中。