基于超参数评估图算法的人工智能课件制作方法及装置制造方法及图纸

本发明专利技术公开了一种基于超参数评估图算法的人工智能课件制作方法及装置，属于人工智能领域。本发明专利技术借助模块化与组件化的低代码开发平台，根据用户在实训项目创建环节对低代码开发平台上功能组件的拖拽指令，将数据组件、模型组件和可视化组件加入实训项目中，并根据用户输入的建立链接指令在实训项目的各功能组件之间建立拓扑连接关系，最后通过代码补全并生成可执行文件，从而在线创建具有可视化功能的人工智能实训项目，并进一步与用户创建的文稿课件关联整合生成人工智能课件。本发明专利技术可实现交互式课程制作开发，无需编码或使用少量代码便可实现教育行业人工智能实训需求，使得教师能够使用可视化工具开发自己的课件，免去代码编写工作。码编写工作。码编写工作。

Artificial intelligence courseware making method and device based on super parameter evaluation graph algorithm

【技术实现步骤摘要】
基于超参数评估图算法的人工智能课件制作方法及装置


[0001]本专利技术属于人工智能领域，具体涉及一种基于超参数评估图算法的人工智能课件制作方法及装置。

技术介绍

[0002]人工智能实训的动手实践环节，需要使学习者能够直接上手对人工智能模型进行构建、训练、测试、调参等实际操作。传统方法中往往是教师通过课件来发布任务，学生按照课件中的任务提示进行实操训练，然后将实验过程以实验报告、代码等形式提交以便于教师评分或指导。目前人工智能实训所采用的教学课件主要包括ppt、word等文档形式，上述文档并不能更好地贴合人工智能课程内容，并且需要大量的时间进行课程制作。而人工智能课程是算法理论和动手实践相结合的课程，传统的ppt和word等课件只能包含理论知识，且制作的时间成本较高，对于人工智能课程的相关内容反而难以清楚地表达。因此，这种做法往往无法不满足动手实践的需求，也不具有交互性。
[0003]低代码是一种可视化的应用程序开发方法，而低代码平台则是一种无需编码或使用少量代码便可快速搭建应用程序的开发平台。低代码平台使得不懂编程的用户能够使用可视化工具开发自己的应用程序，免去代码编写工作。低代码，交互性强的课程制作方法能够将繁琐的底层架构和基础设施转化为图形界面。现有的基于低代码平台构建的平台如Mindspore、GoogleColab主要专注于个人开发，并没有专注于人工智能教育的低代码平台。
[0004]虽然在申请公布号为CN103631918A的专利技术专利申请中公开了一种在线学习课件的制作方法，旨在降低课件开发成本、缩短开发周期；在申请公布号为CN105930421A的专利技术专利申请中公开了一种基于互联网的在线学习可见的制作方法，提供了一种兼顾移动设备的课程开发效率的方法。但是，此类在线学习课件的制作方案，主要针对传统教学的课件，存在课件形式单一化的问题。这些方案基于固定格式和显示次序的页面模板文件来制作课件，课件开发者仅能够对模板文件中的素材进行极为有限的调整，因此只实现了课件内容的自由更改，无法从整体上实现对课件的灵活设计。同时，也存在课程制作流程繁琐的功能，需要课程编辑器进行课程的编辑，对课程制作人员的要求较高。
[0005]然而，对于人工智能实训所需的课件，除了以图片、文字形式展示的理论知识点之外，更为关键的是如何让教师能够方便地按照知识点指导学生进行人工智能算法编程的实操训练。例如，人工智能算法的超参数往往对算法性能有着重要影响，但是传统方法在人工智能算法评估方面能力缺失，其无法直观表示如何评估算法。针对一个模型有多个超参数的情况，如何让学生在上机实操的过程中更直观地理解不同超参数对模型最终性能的影响，对于学生真正掌握知识点是十分重要的。传统做法中由教师发布任务学生自行根据任务进行上机的做法，无法使学生按照教师的教学逻辑进行学习。
[0006]因此，面对人工智能实训领域，继续提供一种将理论学习和动手实践相结合，且切合人工智能课题的课件制作方式。

技术实现思路

[0007]本专利技术的目的在于解决现有技术中人工智能课件无法将理论讲解与上机实操结合的问题，并提供一种基于超参数评估图算法的人工智能课件制作方法及装置。
[0008]本专利技术所采用的具体技术方案如下：第一方面，本专利技术提供了一种基于超参数评估图算法的人工智能课件制作方法，其包括：S1、根据用户在文稿课件创建环节输入的文稿创建指令，在线创建人工智能实训项目所需的文稿课件；S2、根据用户在实训项目创建环节对低代码开发平台上功能组件的拖拽指令，将数据组件、模型组件和可视化组件三类功能组件加入实训项目中，并根据用户输入的建立链接指令在实训项目的各功能组件之间建立拓扑连接关系，最后基于各功能组件的底层代码对实训项目进行代码补全并生成可执行文件，从而在线创建具有可视化功能的人工智能实训项目；且所述功能组件中：每个所述数据组件为实训任务中所需的一个数据集，且数据组件中内嵌有数据获取和数据预处理功能，数据预处理的可调参数作为数据组件的组件参数；每个所述模型组件为一个网络模块，所述网络模块的类型包括完整模型以及用于构建完整模型的网络层，网络模块的可调参数作为模型组件的组件参数；每个所述可视化组件为一种可视化操作，其类型包括数据可视化组件、模型结构可视化组件、超参数评估图可视化组件、模型训练过程可视化组件以及模型性能结果可视化组件；所述超参数评估图可视化组件用于与所述模型组件链接，并通过超参数评估图算法构建超参数图，所述超参数图中每个待定超参数通过一种或多种指示标记显示对完整模型最终损失结果的影响程度；S3、将用户创建的所述文稿课件和所述人工智能实训项目进行关联整合，生成用于在线发布的人工智能课件。
[0009]作为上述第一方面的优选，每一类所述可视化组件分别对应于至少一种数据组件或模型组件的可视化操作；其中，所述数据可视化组件用于与所述数据组件链接，对所述数据组件中数据集的标签数据进行分布统计并可视化；所述模型结构可视化组件用于与所述模型组件链接，对所述模型组件中的网络模块结构进行可视化；所述模型训练过程可视化组件用于与所述模型组件链接，对由所述模型组件构建的完整模型在训练过程中的关键指标变化情况进行记录并可视化；所述模型性能结果可视化组件用于与所述模型组件链接，对由所述模型组件构建的完整模型在训练完毕后的性能指标进行计算并可视。
[0010]作为上述第一方面的优选，所述文稿课件由用户上传的完整文稿课件进行在线转换得到，或由用户通过在线平台上新建得到；所述文稿课件为由图像、文本、表格构建的演示文稿。
[0011]作为上述第一方面的优选，在所述实训项目创建环节，当数据组件和模型组件添加完毕后，所述可视化组件能够在收到用户输入的自适应匹配指令后，根据数据组件中的数据集类型以及由所述模型组件构建的完整模型类型，基于预设的匹配规则通过自动匹配生成并自动建立与数据组件和模型组件的拓扑连接关系。
[0012]作为上述第一方面的优选，所述超参数评估图算法构建超参数图的步骤如下：A）获取由所述模型组件构建的完整模型中的所有待定超参数；
B）基于所有待定超参数生成气泡图的气泡节点，每一个待定超参数为一个气泡节点；C）针对每一个待定超参数，在其参数范围内均匀采样预定数量的参数取值，并固定其余的待定超参数后分别得到每一个参数取值下所述完整模型的损失函数收敛值，进而计算所有参数取值对应的损失函数收敛值的标准方差；D）针对气泡图中每一个待定超参数对应的气泡节点，在气泡节点处生成气泡，并为生成的气泡赋予与待定超参数对应的标准方差具有相关性的指示标记，所述指示标记为气泡的大小和/或气泡内填充颜色的深浅。
[0013]作为上述第一方面的优选，所述功能组件中还包括数据优化建议组件，所述数据优化建议组件用于与所述数据组件链接，根据预设的数据优化建议规则对所述数据组件中的数据集给出数据优化建议。
[0014]作为上述第一方面的优选，所述功能组件中还包括模型优化建议组件，所述模型优化建议组件用于与所述模型组件链接，对由所述模型组件构建的完整模型在训练本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于超参数评估图算法的人工智能课件制作方法，其特征在于，包括：S1、根据用户在文稿课件创建环节输入的文稿创建指令，在线创建人工智能实训项目所需的文稿课件；S2、根据用户在实训项目创建环节对低代码开发平台上功能组件的拖拽指令，将数据组件、模型组件和可视化组件三类功能组件加入实训项目中，并根据用户输入的建立链接指令在实训项目的各功能组件之间建立拓扑连接关系，最后基于各功能组件的底层代码对实训项目进行代码补全并生成可执行文件，从而在线创建具有可视化功能的人工智能实训项目；且所述功能组件中：每个所述数据组件为实训任务中所需的一个数据集，且数据组件中内嵌有数据获取和数据预处理功能，数据预处理的可调参数作为数据组件的组件参数；每个所述模型组件为一个网络模块，所述网络模块的类型包括完整模型以及用于构建完整模型的网络层，网络模块的可调参数作为模型组件的组件参数；每个所述可视化组件为一种可视化操作，其类型包括数据可视化组件、模型结构可视化组件、超参数评估图可视化组件、模型训练过程可视化组件以及模型性能结果可视化组件；所述超参数评估图可视化组件用于与所述模型组件链接，并通过超参数评估图算法构建超参数图，所述超参数图中每个待定超参数通过一种或多种指示标记显示对完整模型最终损失结果的影响程度；S3、将用户创建的所述文稿课件和所述人工智能实训项目进行关联整合，生成用于在线发布的人工智能课件。2.如权利要求1所述的基于超参数评估图算法的人工智能课件制作方法，其特征在于，每一类所述可视化组件分别对应于至少一种数据组件或模型组件的可视化操作；其中，所述数据可视化组件用于与所述数据组件链接，对所述数据组件中数据集的标签数据进行分布统计并可视化；所述模型结构可视化组件用于与所述模型组件链接，对所述模型组件中的网络模块结构进行可视化；所述模型训练过程可视化组件用于与所述模型组件链接，对由所述模型组件构建的完整模型在训练过程中的关键指标变化情况进行记录并可视化；所述模型性能结果可视化组件用于与所述模型组件链接，对由所述模型组件构建的完整模型在训练完毕后的性能指标进行计算并可视。3.如权利要求1所述的基于超参数评估图算法的人工智能课件制作方法，其特征在于，所述文稿课件由用户上传的完整文稿课件进行在线转换得到，或由用户通过在线平台上新建得到；所述文稿课件为由图像、文本、表格构建的演示文稿。4.如权利要求1所述的基于超参数评估图算法的人工智能课件制作方法，其特征在于，在所述实训项目创建环节，当数据组件和模型组件添加完毕后，所述可视化组件能够在收到用户输入的自适应匹配指令后，根据数据组件中的数据集类型以及由所述模型组件构建的完整模型类型，基于预设的匹配规则通过自动匹配生成并自动建立与数据组件和模型组件的拓扑连接关系。5.如权利要求1所述的基于超参数评估图算法的人工智能课件制作方法，其特征在于，所述超参数评估图算法构建超参数图的步骤如下：A）获取由所述模型组件构建的完整模型中的所有待定超参数；B）基于所有待定超参数生成气泡图的气泡节点，每一个待...

【专利技术属性】
技术研发人员：吴超，王雯卿，肖俊，王朝，张志猛，
申请(专利权)人：浙江大学，
类型：发明
国别省市：