深度學習在中小學書法評價系統(tǒng)中的 應用實踐

王舒　馮俊青

【摘 要】當下，書法教育已經(jīng)成為中小學教育的重要環(huán)節(jié)，而書法教育評價體系還不太完善。現(xiàn)在主要運用兩種評價方式：一是按照一定的鑒賞標準來設計評分要點，由評閱專家進行主觀評分，但是由于不同專家的個人喜好、審美有所不同，所以很難解決公平、公正的問題;二是采用德爾菲法進行評價，其大致流程是在對所要預測的問題征求專家意見之后，進行整理、歸納、統(tǒng)計，再匿名反饋給各專家，再次征求意見，再集中，再反饋，直至得到一致的意見。目前，深度學習在文字識別領(lǐng)域已經(jīng)取得了很大的突破，并得到了廣泛的應用，而深度學習在中小學書法評價體系中的應用還需教育科研人員進一步探索實踐。

【關(guān)鍵詞】書法評價;深度學習;數(shù)據(jù)集

【中圖分類號】G471? 【文獻標志碼】B? 【文章編號】1005-6009（2021）30-0014-03

【作者簡介】1.王舒，江蘇省鹽城市日月路小學（江蘇鹽城，224005）教師，二級教師，江蘇省書法優(yōu)質(zhì)課比賽特等獎獲得者;2.馮俊青，鹽城工學院（江蘇鹽城，224005）講師，江蘇省“六大人才高峰”高層次人才培養(yǎng)對象。

一、可行性分析

從藝術(shù)鑒賞的角度審視，書法屬于藝術(shù)作品，人們對藝術(shù)作品的評價是主觀的，不適合利用一個模型給一個作品貼標簽說它是好或不好。對于一件藝術(shù)作品，我們或許昨天看它不順眼，但說不定過些天換種心情再去欣賞它，就越看越喜歡了。從這個角度來講，任何以人的主觀意識對書法的評價都是具有不確定性的。

但是從技術(shù)上講，借助機器用深度學習進行書法評價是可行的。例如，從判定書法的筆法和布局優(yōu)劣來說，機器的深度學習功能可以給出確定的結(jié)果，沒有什么不確定性的特征。

二、實現(xiàn)方法

目前云服務功能強大，機器的深度學習功能的具體實現(xiàn)方法可以采用阿里云機器學習平臺PAI（如下頁圖1）搭建基于機器學習的書法評分體系，將采集的書法圖片和教師的打分上傳至在阿里云建立的專用數(shù)據(jù)集，選用適合的模型進行訓練，將書法作品的結(jié)構(gòu)、書寫、章法三個方面，各項按10分的標準評分，再將得到的三個分數(shù)加權(quán)綜合評分，給出最終評分結(jié)果。這樣的書法評分系統(tǒng)很好地解決了公平公正和評判速度等問題。

阿里云機器操作平臺在中小學書法評價系統(tǒng)中的應用：

1.首先按照阿里云深度學習的介紹進行相關(guān)服務的開通和充值。

這個文檔中有TensorFlow做圖像分類的案例，只是應用到具體模型中還存在著一些問題。

2.注冊專用數(shù)據(jù)集calligraphy。

a.登錄PAI控制臺。

b.在PAI控制臺首頁，選擇數(shù)據(jù)準備，再選擇數(shù)據(jù)集管理。

c.在數(shù)據(jù)集管理頁面，單擊注冊數(shù)據(jù)集（如圖2）。

3.電腦和阿里云端配置過程如下：

確保電腦有Python 3.5及以上的版本。（TensorFlow從1.2開始支持 Python3.6，之前的版本官方是不支持的。（如圖3]

4.在阿里云端購買機器學習相關(guān)產(chǎn)品。

因為每一件書法作品已經(jīng)有一個人工分值，所以本系統(tǒng)采用有監(jiān)督機器學習。每個樣本都有對應的期望值，通過搭建模型，實現(xiàn)從輸入特征向量到目標值的映射。

5.TensorFlow訓練具體操作過程如下：

系統(tǒng)使用阿里云服務器的自建calligraphy數(shù)據(jù)集，該數(shù)據(jù)集包含3萬張彩色圖片，共6個類別，分別為小學六個年級的硬筆書法作品，如圖4、5和下頁圖6。

[圖5 原始采集硬筆書法照片（部分）]

使用過程中將該數(shù)據(jù)集拆分為訓練數(shù)據(jù)集（2萬張圖片）和預測數(shù)據(jù)集（1萬張圖片）。其中5萬張圖片的訓練數(shù)據(jù)集又被拆分為5個data_batch，1萬張圖片的預測數(shù)據(jù)集組成test_batch，如下頁圖7所示。

6.使用TensorFlow實現(xiàn)書法打分。

登錄PAI控制臺。在左側(cè)導航欄選擇模型開發(fā)和訓練，再選擇Studio-可視化建模。在PAI可視化建模頁面，進入機器學習。系統(tǒng)根據(jù)預置的模板，自動構(gòu)建實驗，如圖8所示。

在上傳任意書法作品后，系統(tǒng)可以實現(xiàn)自動打分，如文末圖9所示。

本文梳理的這種不依賴于標準模板的機器學習書法評價系統(tǒng)的實現(xiàn)方法，有很高的實用價值。但是由于系統(tǒng)采用有監(jiān)督機器學習，每個樣本都有對應的期望值，而樣本總數(shù)還不夠多，算法還不夠完美，所以目前機器學習系統(tǒng)打出來的分數(shù)還不夠準確，需要進一步增加樣本，改進算法模型和訓練過程，來取得更好的效果。

【參考文獻】

[1]尹成娟. 基于深度學習的手寫漢字集識別方法的研究[D].天津：天津科技大學，2019.

[2]邵榮堂. 基于機器學習的書法字識別與智能評判[D].武漢：湖北工業(yè)大學，2020.

[3]溫佩芝，姚航，沈嘉煒.基于卷積神經(jīng)網(wǎng)絡的石刻書法字識別方法[J].計算機工程與設計，2018，39（3）：867-872.

[4]汪瀟，章夏芬，韓德志.基于視覺特征的書法風格識別[J].現(xiàn)代計算機（專業(yè)版），2016（21）：39-46.

[5]戴瓊，周明全，付倩.小篆文字的自動識別[J].計算機技術(shù)與發(fā)展，2016，26（3）：1-4.

[6]王民，曾寶瑩，要趁紅，等.中國書法的特征提取及識別[J].信息通信，2015（7）：19-20.

[7]郭鵬. 深度卷積神經(jīng)網(wǎng)絡及其在手寫體漢字識別中的應用研究[D].成都：四川師范大學，2016.