Tensorflow框架在高校實驗教學評價模型中的設計與應用

杜敏

摘要：Tensorflow是目前較為流行的應用最為廣泛的人工智能框架，該框架可以通過已有的數據訓練并研究模型的準確性。論文旨在通過使用Tensorflow框架對高校實驗教學評價模型進行研究，研究設計和實現高校實驗教學評價模型，以目前主流的評價模型為例，通過將實驗教學評價模型向量化設計，同時實現實驗教學評價算法，通過采用樣本數據的訓練和測試，形成可以實現基礎預測的實驗教學評價模型，在為后續的教學質量的改革發展中起到一定的參考意義和積極作用。

關鍵詞：機器學習;Tensorflow;深度神經網絡;卷積神經網絡;實驗教學評價

中圖分類號：TP391.41 文獻標識碼：A 文章編號：1007-9416（2020）09-0151-03

0 引言

實驗教學是本科教學的重要組成部分，是培養大學生實踐能力和創新精神的重要實踐性教學環節。通過實驗教學，有助于對理論知識進行科學有效的驗證和提升，對提高學生的動手操作能力、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，國內高校的實驗教學評價體系通常由幾部分構成：實驗教學大綱、實驗教材、師資隊伍、實驗教學方法、實驗教學態度、實驗場地、儀器設備投入、學生實驗操作水平、學生綜合分析能力、學生創新與探索能力[2]等，不同的學校或學科根據教學目標的不同，給定的分值側重點也不同，總的來說，都是為了衡量或評價實驗教學效果。論文中，引入Tensorflow框架，設計和實現高校實驗教學評價模型。主要為了在實驗教學評價過程中通過有限的數據來分析和預測可能形成的實驗教學成效，并提供干預和修正的可能性，給決策者提供實驗教學改革發展依據。

1 Tensorflow框架簡介

Tensorflow的運算是采用Python編程語言為基礎表達。Python是一種易于學習的工具，并且提供了多種數學運算庫，只需要設計好算法，就可以幫助實現數學運算。Tensorflow框架通過采用數據流圖[3]的形式來表示運算的數據流結構，通過“節點”來表示運算或施加的數學操作，也可以表示數據輸入（feed in）的起點/輸出（push out）的終點，或者是讀取/寫入持久變量（persistent variable）的終點。“線”表示“節點”之間的輸入/輸出關系。“節點”可以在本地運算，也可以以分布式的方式運算，通過“線”來匯總數據，數據用“張量”來表示。同時“線”也是有方向的，即用有向圖來表示數學運算。

本研究中，把高校實驗教學評價模型看成是一個運算任務，學生在各模塊中獲得的成績看成是節點，把評價體系向量化，即可通過Tensorflow進行運算。

2 高校實驗教學評價體系的向量化設計

使用Tensorflow框架分析和研究所面臨的問題，首先要了解機器學習，其次在理論上了解該框架的運行模式，也就是采用數據流圖和節點來表示運算和數學操作，數學操作的對象是數據，數據的表示我們稱之為向量，即多維數組，將實驗教學評價教學體系向量化的過程是將其數組化的過程。再次是選擇合適數學操作，也就是數據流圖的運算方式。

教學評價體系之間的關系運算歸根結底屬于深度學習中的線性回歸預測模型，線性回歸預測模型探討的是一個或多個因素之間的影響關系，多元線性回歸模型解決的是兩個或兩個以上的因素對因變量可能產生的影響。為了簡化模型的復雜度，文中選取實驗教學大綱（取值1～10分）、實驗教學態度（取值1～20）、儀器設備投入（取值1～20分）、學生綜合分析能力（取值1～25分）、學生創新與探索能力（取值1～25分）五項指標（總分100分）作為數據集的五個屬性，標簽值為實驗教學評價結果（60分以下為差，60～70分為中，70～80分為良，90分以上為優），當一個評價為優秀時，他的向量表示為W{優，[9，18，16，21，24]}。向量化表示即評價指標的特征化，對于線性回歸的預測模型而言，目的是找出因變量和自變量之間的因果關系，也就是說在機器學習的過程中，我們對所有的特征都使用的是相同的學習率，如果特征的取值偏范圍偏差較大時，就會導致學習離散而無法回歸，因此，我們還需對評價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]}。

論文探討評價體系中不同的指標的取值對高校實驗教學結果可能產生的影響，即實驗教學過程中的評價運算，趨向于多元線性回歸預測模型，因而采用多變量線性回歸來構建高校實驗教學評價模型。

3 實驗教學評價體系模型的設計與實現

采用Tensorflow框架來設計和實現機器學習模型，首先是分析對象，并向量化;其次是針對所要分析的問題選擇合適的數學方法，文中所選取多元線性回歸模型來分析高校實驗教學評價指標中的分值對實驗教學評價結果所產生的影響。篇幅所限，文中只選取了5個指標，方式和方法對于多個指標具有相同的指導作用。

主要分為以下步驟：

3.1 模型的參數設置

評價指標向量化并選擇合適的數學方法后，接下來對模型進行參數設置。即設置學習率和訓練次數，訓練次數與訓練模型的數據相關。

learning_rate = 0.03? #設置學習率

train_steps = 500 #設置訓練次數

3.2 構建或選擇數據

這是根據評價指標向量化的過程，通過對若干學生在實驗教學中獲得的成績，根據選取指標向量化為數組。為了訓練模型的準確性，應當盡可能的選取較多的數據來進行，文中選取了500條多名學生的實驗教學評價數據來進行訓練，理論上，每次評價數據都可以作為訓練數據，在今后的不斷訓練過程中模型的準確率也會越來越高。構建數據完成后，將數據分為標簽和屬性兩個部分分別導入到兩個數組之中。