基于PaddlePaddle云平臺的機器學習課程實驗案例研究

董如意，杜俊杰

（吉林化工學院，吉林 吉林 13022）

0 引言

人工智能已經成為支撐國民經濟和工業發展的重要技術，并且正在深刻改變著人類的生產生活方式。國務院高度重視人工智能的發展，2017年制定的《新一代人工智能發展規劃》明確指出：“人工智能是引領未來的戰略性技術”[1]。機器學習已經成為當前技術發展熱點，機器學習是通過計算機模擬或實現人類的學習行為，以獲取新的知識或技能，并不斷改善自身的性能，它是計算機具有智能的根本途徑。機器學習技術發展迅速，已日漸滲透到生產和生活服務的各個方面。高校需要與時俱進、順應時代，加強培養更多具有機器學習理論與應用實踐能力的人才。而機器學習具有高度實踐性且涉及的算法眾多，如何在教學過程中結合項目實踐，培養應用型人才，已成為各高校人才培養過程中關注的一個難題。百度的PaddlePaddle是一個易用、高效、靈活和可擴展的深度學習平臺，它使得研究人員更容易、更快捷地構建深度學習模型，以及輕松地上傳訓練數據，訓練深度學習模型，執行準確、直觀的預測分析，極大提高速度和生產率[2]。

1 機器學習課程實驗案例

機器學習課程是人工智能專業的核心專業課程，但機器學習課程建設過程中面臨著實訓室建設成本較高，機器學習理論艱澀枯燥等問題。因此課題組通過校企合作，引入線上Paddle云平臺來解決實訓室建設成本問題，并通過項目化的教學模式來貼近企業實際中的應用場景，提高學生的學習興趣和學習效果。由此，探索形成一套機器學習課程的實驗案例方案。

通過案例實踐，進一步掌握并驗證相關算法的性能及用法，著實提升學生對機器學習算法的解決問題能力及編程應用能力；通過詳細查閱相關參考文獻，將課程理論知識與未來企業實際需求相結合，以提升學生的技術競爭力。為了實現這些目標，在充分參考現有經典機器學習實驗案例的基礎上，課題組將實驗內容、學科發展及實際需要聯系起來，加強實驗內容的綜合性、系統性、專題性和模塊化建設。

2 股票預測實驗

本實驗案例借助PaddlePaddle深度學習框架，使用Python語言構建基于LSTM神經網絡模型，實現股票的預測模型。研究該案例的具體實現及其結合云平臺操作的可行性。

2.1 長短期記憶神經網絡LSTM

長短期記憶神經網絡（Long Short-termmemory， LSTM）是一種特殊的RNN，是為了解決長序列訓練過程中的梯度消失和梯度爆炸問題而設計的，相比普通的RNN，LSTM能夠在更長的序列中有更好的表現[3]。圖1為LSTM網絡結構。

圖1 LSTM網絡結構

2.2 基于PaddlePaddle的LSTM實現

本次試驗采用1990—2015年上證指數的開源股票數據集，共6 109條數據，利用歷史數據中的開盤價、收盤價、最低價、最高價、交易量、交易額、跌漲幅來對下一日的最高價進行預測。基于PaddlePaddle庫構建股票預測的神經網絡模型，具體實驗流程有以下幾方面。

2.2.1 導入庫

導入一些關鍵的庫，分別是：（1）paddle.fluid。PaddlePaddle深度學習框架。（2）numpy。用于科學計算，支持大量的維度數組與矩陣運算。（3）matplotlib.pyplot：類似MATLAB的繪圖框架，支持數據的可視化。

2.2.2 數據預處理

對股票數據集進行預處理，使得滿足模型訓練需要。本次實驗將數據集中的60%作為訓練集，40%作為驗證集，劃分數據集時進行數據歸一化處理，這樣可以提高模型的精度以及加快模型的收斂速度。LSTM算法在訓練集上進行模型訓練，再使用該模型對測試集進行預測，將預測結果與測試集的真實值進行對比，以評估該模型的性能。

2.2.3 搭建模型與訓練模型

搭建LSTM模型的關鍵代碼如下所示：

x = fluid.layers.data（name=’x’， shape=[1]， dtype=’float32’， lod_level=1）

label = fluid.layers.data（name=’y’， shape=[1]， dtype=’float32’）

fc0 = fluid.layers.fc（input=x， size= 4）

lstm_h， c = fluid.layers.dynamic_lstm（input=fc0， size=4， is_reverse=False）

模型搭建完成后開始訓練，通過設置訓練的回合數、批數據大小等參數，來觀察其對訓練結果的影響。由此得到較好的預測效果。

2.2.4 訓練結果

使用訓練后的模型對測試集數據進行股票預測并觀察預測效果。將預測值Predicted Value和真實值True Value的折線圖繪制在一起進行對比。LSTM神經網絡預測結果如圖2所示。

圖2 LSTM神經網絡預測結果

通過圖2可以看出，使用PaddlePaddle構建的股票預測深度學習模型展示了預測值Predicted Value和真實值True Value有較好的擬合程度。

3 結語

本文結合實際應用問題，緊跟最新技術的步伐，重點強調教學過程的易懂性和實用性及系統性。通過基于PaddlePaddle平臺的機器學習課程實驗案例的研究，提高了學生利用機器學習方法解決復雜工程問題的能力，結合交叉學科的現實案例，既讓學生能掌握基礎的機器學習相關知識，又讓學生充分了解機器學習技術的發展前沿。在此基礎上學會利用PaddlePaddle進行算法實現和開發，進一步加深對理論知識的理解、概念的建立。除此以外，該課程實驗案例研究能讓學生在發現問題解決問題的過程中，掌握學科知識的具體應用與實現，極大地調動了學生學習的積極性，可以借此課程實驗案例研究引導學生自發學習相關的知識。