CN114707471A

CN114707471A - 基于超参数评估图算法的人工智能课件制作方法及装置

Info

Publication number: CN114707471A
Application number: CN202210628381.2A
Authority: CN
Inventors: 吴超; 王雯卿; 肖俊; 王朝; 张志猛
Original assignee: Zhejiang University ZJU
Current assignee: Zhejiang University ZJU
Priority date: 2022-06-06
Filing date: 2022-06-06
Publication date: 2022-07-05
Anticipated expiration: 2042-06-06
Also published as: CN114707471B

Abstract

本发明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。

Description

基于超参数评估图算法的人工智能课件制作方法及装置

技术领域

本发明属于人工智能领域，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。

背景技术

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。

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。

虽然在申请公布号为CN103631918A的发明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的发明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。

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。

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。

发明内容

本发明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。

本发明所采用的具体技术方案如下：

第一方面，本发明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。

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。

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。

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。

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。

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。

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完毕后的性能指标进行读取，并根据预设的模型优化建议规则给出模型优化建议。

第二方面，本发明提供了一种基于超参数评估图算法的人工智能课件制作装置，其包括：

文稿课件创建模块，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；

实训项目创建模块，用于根据用户在实训项目创建环节对低代码开发平台上提供的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；

关联整合模块，用于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。

第三方面，本发明提供了一种计算机可读存储装置，所述存储装置上存储有计算机程序，当所述计算机程序被处理器执行时，能实现如上述第一方面任一方案所述的基于超参数评估图算法的人工智能课件制作方法。

第四方面，本发明提供了一种计算装置，其包括存储器和处理器；

所述存储器，用于存储计算机程序；

所述处理器，用于当执行所述计算机程序时，实现如上述第一方面任一方案所述的基于超参数评估图算法的人工智能课件制作方法。

本发明相对于现有技术而言，具有以下有益效果：

本发明提出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，其借助模块化与组件化的低代码平台，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。本发明能够同时满足人工智能课程中理论学习需求与动手实践需求。

附图说明

图1为基于超参数评估图算法的人工智能课件制作方法的步骤流程图；

图2为通过超参数评估图算法构建的超参数图示例；

图3为基于超参数评估图算法的人工智能课件制作装置的模块组成示意图。

具体实施方式

为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图对本发明的具体实施方式做详细的说明。在下面的描述中阐述了很多具体细节以便于充分理解本发明。但是本发明能够以很多不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本发明内涵的情况下做类似改进，因此本发明不受下面公开的具体实施例的限制。本发明各个实施例中的技术特征在没有相互冲突的前提下，均可进行相应组合。

在本发明的描述中，需要理解的是，术语“第一”、“第二”仅用于区分描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。

本发明旨在提供一种人工智能课件制作方法，借助低代码开发平台，解决现有课件制作方法中课程形式单一、实践性弱的问题。教师可以借助低代码平台拖动组件制作切合人工智能课程特性且交互性强的课件。

本发明针对人工智能实训任务以及算法学习过程中的核心步骤（数据预处理、模型训练、结果可视化）构建人工智能课件，可同时满足传统的文稿演讲需求和人工智能领域的实训任务展示功能。本发明中通过文本、图像等数据实现人工智能课件的文稿演讲需求，另外通过设计组件拖拽形式以及自动底层代码生成实现人工智能课件的实训需求。具体的，人工智能课件的构建包含了功能组件、代码补全、模型训练可视化、结果可视化等流程。

如图1所示，在本发明的一个较佳实施例中，提供了一种具体的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~S3步骤。下面分别对S1~S3步骤的具体实现形式进行详细展开描述。

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。

需要说明的是，上述文稿创建指令的形式可以参照现有的在线课件创建平台中的做法，即可以是本地上传指令，也可以是在线创建指令。如果文稿创建指令为本地上传指令，则文稿课件由用户上传的完整文稿课件进行在线转换得到，如果文稿创建指令为在线创建指令，则由用户通过在线平台上调用相应的课件构建元素新建得到。一般而言，文稿课件为由图像、文本、表格构建的演示文稿。演示文稿可以支持PPT、Word等格式。

需要说明的是，最终在线创建的文稿课件的内容，具体需要根据每个课件所对应课程的教学知识点进行设计，由教师根据自身的讲解需求进行调整，对此可不作限定。

S2、根据用户在实训项目创建环节对低代码开发平台上提供的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。

且上述功能组件中三类功能组件均预先在平台中内置，且每一类功能组件的形式均需要覆盖AI实训时常用的模型相关功能需求。三类功能组件的各自的功能和形式如下：

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。在使用时，可通过传入组件参数实现不同的数据预处理，如实现数据增强、切割、变形等需求，也可以调整每一中数据预处理时的具体参数。

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。模型组件中的网络模块类型中，上述完整模型形式的模型组件应当包含人工智能领域中的常用经典模型（如Resnet、LSTM、VGG），可通过一个网络组件实现一个完整的模型结构，而网络层形式的模型组件则应当包含构建模型所需的常用独立的网络层（如Linear，Conv，BatchNorm1d，ReLU），可供课件制作者自由搭建模型。

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。

上述可视化组件中，数据可视化组件、模型结构可视化组件、模型训练过程可视化组件以及模型性能结果可视化组件分别代表了数据可视化操作、模型结构可视化操作、模型训练过程可视化操作以及模型性能结果可视化操作。而特别需要说明的是，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；

作为本发明实施例的一种优选方式，上述每一类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。

需要说明的是，上述“由所述模型组件构建的完整模型”，可以直接是一个完整模型形式的模型组件，也可以是用户自行利用网络层形式的模型组件搭建而成的模型。

在人工智能实训中，面临需要提高模型精度的优化任务时，刚入门的学习者面对模型的多个超参数往往没有相关调参经验，无法抓住重点超参数着重优化和调整，容易浪费过多时间在其他不重要的超参数上。作为本发明实施例的一种优选方式，考虑到超参数对于模型训练的重要性，本发明进一步优化了一种用于绘制超参数图的超参数评估图算法，超参数图可展示每个超参数对模型最终损失的影响，帮助学生了解超参数对最终模型Loss的重要程度，辅助其训练模型。上述超参数评估图算法构建超参数图的步骤如下：

需要说明的是，完整模型中的待定超参数是指需要进行调整优化的超参数，若部分超参数已经实现设定好了最优值，则此部分超参数可以不作为待定超参数参与超参数图的构建。

另外，需要说明的是，上述步骤C中），一个待定超参数的取值范围内具体设置的采样点数量可根据实际进行优化调整，以满足准确计算标准方差的要求为准。为了使不同待定超参数计算得到的标准方差具有可比性，各待定超参数在各自参数范围内采样的参数取值数量最好保持恒定。

另外，需要说明的是，为气泡增加的指示标记形式可以根据实际需要进行调整，但是所选择的指示标记需要具有一种能反应待定超参数对应的标准方差大小的表观特性。待定超参数对应的标准方差与指示标记的表观特性可以呈正比，也可以呈反比。本发明中优选为气泡的大小、气泡内填充颜色的深浅，两者可择一使用，也可以组合使用。

因此，在一实施例中，以直接通过一个完整模型形式的模型组件所构建的完整模型M ^H为例，M ^H中含有n个需要调整的待定超参数，上述超参数评估图算法具体可按照下述流程来实现：

1）从模型集合中选择本次课程所学习的模型M ^H；

2）根据模型M ^H获取训练所需要的待定超参数集合V ^H={vi|i=1,2,…,n}作为气泡图中的气泡节点。其中，超参数包括网络结构参数如神经元之间的连接关系、网络结构层数、每层的神经元数量、激活函数的类型等，以及训练参数如学习率、小批量的样本数量等。一共8个待定超参数，即n=8。

3）对于一个当前待定超参数vi,vi∈V ^H，均匀采样该当前待定超参数的取值范围内k个可取的参数值，其他的超参数按照各自的建议值进行固定后，当前待定超参数依次取采样的参数值并训练模型M ^H至收敛，计算其对应的损失函数收敛值L _l，构成Loss集合L={L _l│l=1,2,…,k}，计算该Loss集合的标准方差S _i。

4）依次遍历待定超参数集合V ^H中的每个待定超参数，分别根据3）中相同的方法获取所有超参数集合对应的标准方差，由此得到标准方差集合S ^H={S _i│i=1,2,…,n}。

5）根据每个待定超参数对应的标准方差S _i大小，在对应的气泡节点处绘制气泡，且为每个气泡赋予对应的气泡大小。气泡节点对应的待定超参数的标准方差越大，气泡越大，表示该超参数对模型结果的影响越大；气泡节点对应的待定超参数的标准方差越小，气泡越小，表示该超参数对模型结果的影响越小。

如图2所示，为该实施例中最终绘制得到的超参数图，其中一共有8个待定超参数v1~v8。通过该超参数图可以直观了解8个待定超参数对模型训练结果的影响因子，气泡越大，代表对模型训练结果的影响越大，帮助使用者更好地理解模型，理解超参数的作用，能够优先调整该超参数以达到更好的效果，提高模型训练效率。

当然，上述图2中的超参数图中仅采用气泡大小来作为指示标记，但也可以进一步在每个气泡内填充不同深浅的颜色，作为另一种指示标记。气泡节点对应的待定超参数的标准方差越大，颜色越深，表示该超参数对模型结果的影响越大；气泡节点对应的待定超参数的标准方差越小，颜色越浅，表示该超参数对模型结果的影响越小。

上述三种功能组件可通过链接方式建立数据的传输处理链路。将数据组件与模型组件相连，即可实现数据与模型的连接。通过可视化组件实现数据可视化、模型训练过程可视化以及结果可视化。通过将数据组件与可视化组件链接，可实现数据的可视化。通过模型组件与可视化组件链接，可实现模型结构的可视化，在模型训练过程中，可实现模型训练结果可视化以及结果可视化。最终，通过低代码开发平台中提供的代码补全功能或代码自动生成功能，根据所构建的实训项目中的完整模型，可将各组件所对应的底层代码整合成可执行文件，进而运行相应的模型，生成相应的结果，由此来实现实训项目的整体功能。

需要注意的是，对于拖拽式构建模型的低代码开发平台而言，代码补全功能或代码自动生成功能属于现有技术，对此不再赘述。

需要说明的是，最终在线创建的人工智能实训项目，以及实训项目中具体由所述模型组件构建的完整模型，具体需要根据每个课件所对应课程的教学知识点进行设计。本发明中仅仅提供了一种可根据教学知识点的需要创建实训项目的方法，但并不限定具体的人工智能实训项目中具体的模型结构和数据、可视化形式，这些都可以由制作人工智能课件的教师根据相应的知识点自行个性化设计。教师通过拖拽功能组件即可将其应用于实训项目中，如果学生学习实训项目过程中仅不需要改变功能组件之间的拓扑关系，则教师可以在创建时直接固定功能组件之间的拓扑关系，学生无法改变；但如果学生学习实训项目过程中需要学习模型中不同网络层设置对结果的影响，也可以仅拖入多种可选模型组件，由学生自行根据学习需要建立组件之间的链接，设置当前启用的模型组件类型。

作为一种具体示例，若教学知识点为学习不同的激活函数对于模型性能的影响，则教师在创建人工智能实训项目时，可以通过拖拽数据组件、模型组件和可视化组件三类功能组件，构建指定的神经网络模型，而且其中的激活函数可以设置不同的选择，例如ReLU函数、Leaky ReLU 函数、Sigmoid函数等等，分别通过拖拽单一网络层形式的模型组件进行实现。同时，可视化组件可对模型的模型训练过程以及模型性能结果进行可视化。学生在学习该课程时，可以在教师讲解完文稿课件后，进入相应的人工智能实训项目，通过上机实操在模型中启用不同的激活函数，并根据各自的可视化结果直观了解不同激活函数对于模型训练以及最终性能指标的影响。

作为另一种具体示例，若教学知识点为学习不同的数据集预处理方式对于模型性能的影响，则教师在创建人工智能实训项目时，可以通过拖拽数据组件、模型组件和可视化组件三类功能组件，构建指定的神经网络模型完整结构。其中，数据组件可设置多组带有不同预处理操作的可选项，或者通过其他信息提示学生对数据组件中预处理的可调参数进行修改。同时，可视化组件可对模型的模型训练过程以及模型性能结果进行可视化。学生在学习该课程时，可以在教师讲解完文稿课件后，进入相应的人工智能实训项目，通过上机实操在模型中不断改变不同的预处理操作，并根据各自的可视化结果直观了解对数据集进行不同的预处理操作对于模型训练以及最终性能指标的影响。

作为本发明实施例的一种优选方式，为了进一步降低人工智能实训项目创建环节所需的工作流，可以进一步在实训项目创建环节对可视化组件的添加进行优化，其具体做法为：事先根据不同人工智能任务和模型的特性匹配规则，在创建相关模型之后，自适应选择合适的可视化组件来展示模型训练的内容和进度，或者可视化模型性能。在具体实现时，当数据组件和模型组件添加完毕后，用户可以输入的自适应匹配指令，而可视化组件可选集合中的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数据组件和模型组件所匹配的可视化组件，然后将这些匹配到的可视化组件自动拖拽进入实训项目中，并自动建立可视化组件与数据组件和模型组件的拓扑连接关系。教师可以根据自动创建的可视化组件，进行微调，以便于符合教学重点。

举例而言，本发明在通过匹配来自动创建数据可视化组件时，可基于预先设置的不同人工智能任务和数据的类型匹配规则，在传入相关数据集之后，自适应选择合适的数据读取工具和数据显示组件来展示数据的内容和相关统计数据。在本发明的部分示例中，可以首先根据人工智能学习任务链接对应的标签数据读取工具，根据预先设置的数据类型和展示形式的规则，用一些数据显示组件将数据可视化，例如对于图片数据，会自动链接一种可以绘制包围盒和标签并导出txt/json数据文件的工具；使用者可以清楚看到哪些数据是标记数据，哪些是未标记数据，以及标记数据的各个类别，以及其数量分布，从而有助于制定相关数据优化操作。可选地，还可以通过手动添加需要查看的维度和添加限制条件对数据进行处理和筛选，例如取和，去重等操作。

举例而言，本发明在通过匹配来自动创建模型训练过程可视化组件时，可基于预先设置的不同人工智能任务和模型的特性匹配规则，在使用者传入相关模型之后，自适应选择合适的模型组件来展示模型训练的内容和进度。在本发明的部分示例中，可以首先根据具体的人工智能学习任务用图形的形式链接可选模型网络层，使用者可以通过对模型网络层的拉取和排序，后台自动生成对应的网络层。如对于线性结构模型：nn.Sequential(nn.Linear(),nn.BatchNorm1d(),nn.ReLU(),nn.Linear())则可以通过拖拽Linear组件、BatchNorm1d组件、ReLU组件搭建一个线性结构模型，并设置相应组件参数，后台将自动生成以上代码。

作为本发明实施例的一种优选方式，本发明的功能组件类型中，还包括评估指标自动输出组件，所述指标自动输出组件可以基于预先设定的评估标准规则，对不同的人工智能学习任务，自动输出不同的评估指标测试结果。例如对于scene graph任务，自动计算Recall@10，Recall@20，Recall@50等指标。

作为本发明实施例的一种优选方式，本发明的功能组件类型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。具体而言，数据优化建议组件可以基于预先设定的数据优化算法，对传入的数据集类型和分布提出对应的建议，并自动实现数据优化。在本发明的具体示例中，可以在数据集的加载后，自动根据正负样本的数量给出数据优化的建议，如增强数据量较小的样本以达到数据平衡，或针对正负样本数据量差异较大的样本建议使用Recall指标进行检验。同时，也可以进一步自动采用数据增强算法对数据量较小的样本进行数据增强。可选地，数据增强算法可以包括数据放大、数据缩小、数据旋转等操作。

作为本发明实施例的一种优选方式，本发明的功能组件类型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完毕后的性能指标进行读取，并根据预设的模型优化建议规则给出模型优化建议。具体而言，模型优化建议组件可以基于预先设定的模型优化建议规则。在本发明的具体示例中，对于使用时训练模型不佳的结果，自动绘制训练集和验证集的损失函数折线图，自动分析模型的过拟合/欠拟合情况，其中过拟合情况下模型在验证集上的误差一开始是随着训练集的损失的下降而下降的，当超过一定训练步数后，模型在训练集上的误差虽然还在下降，但是在验证集上的误差却不在下降了。基于计算训练集和验证集的误差如果符合过拟合规则，则提出指导建议：如增加数据集/增加特征量等建议。

S3、当完成在线的文稿课件和人工智能实训项目创建后，即可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。

需要说明的是，用户创建的文稿课件和人工智能实训项目的具体关联形式和交互切换方式可以根据实际进行优化调整。在实际实现时，可以通过在线平台的UI界面中设置切换按钮进行文稿课件和人工智能实训项目的切换。尚未发布的人工智能课件可以存储于草稿箱中，等待继续修改或者确认后发布。发布后的人工智能课件即可供学生进行在线学习使用。

基于同一发明构思，本发明的另一较佳实施例中还提供了与上述实施例提供的基于超参数评估图算法的人工智能课件制作方法对应的基于超参数评估图算法的人工智能课件制作装置。如图3所示，在该基于超参数评估图算法的人工智能课件制作装置中包括三个基本的模块，分别为：

由于本发明实施例中的基于超参数评估图算法的人工智能课件制作装置解决问题的原理与本发明上述实施例的基于超参数评估图算法的人工智能课件制作方法相似，因此该实施例中装置的各模块具体实现形式未尽之处亦可可以参见上述方法的具体实现形式，重复之处不再赘述。

同样的，基于同一发明构思，本发明的另一较佳实施例中还提供了与上述实施例提供的基于超参数评估图算法的人工智能课件制作方法对应的一种计算装置，即一种计算机电子设备，其包括存储器和处理器；

所述存储器，用于存储计算机程序；

所述处理器，用于当执行所述计算机程序时，实现如前所述的基于超参数评估图算法的人工智能课件制作方法。

此外，上述的存储器中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。

由此，基于同一发明构思，本发明的另一较佳实施例中还提供了与上述实施例提供的基于超参数评估图算法的人工智能课件制作方法对应的一种计算机可读存储介质，该所述存储介质上存储有计算机程序，当所述计算机程序被处理器执行时，能实现如前所述的基于超参数评估图算法的人工智能课件制作方法。

具体而言，在上述两个实施例的存储器或计算机可读存储介质中，存储的计算机程序被处理器执行，可执行下列S1~S3的步骤：

可以理解的是，上述存储介质、存储器可以采用随机存取存储器(Random AccessMemory，RAM)，也可以采用非易失性存储器(Non-Volatile Memory，NVM)，例如至少一个磁盘存储器。同时存储介质还可以是U盘、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。

可以理解的是，上述的处理器可以是通用处理器，包括中央处理器(CentralProcessing Unit，CPU)、网络处理器(Network Processor，NP)等；还可以是数字信号处理器(Digital SignalProcessing，DSP)、专用集成电路(Application Specific IntegratedCircuit，ASIC)、现场可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。

另外需要说明的是，所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的装置的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。在本申请所提供的各实施例中，所述的装置和方法中对于步骤或者模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个模块或步骤可以结合或者可以集成到一起，一个模块或者步骤亦可进行拆分。

以上所述的实施例只是本发明的一种较佳的方案，然其并非用以限制本发明。有关技术领域的普通技术人员，在不脱离本发明的精神和范围的情况下，还可以做出各种变化和变型。因此凡采取等同替换或等效变换的方式所获得的技术方案，均落在本发明的保护范围内。

Claims

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：

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：

6.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。

7.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完毕后的性能指标进行读取，并根据预设的模型优化建议规则给出模型优化建议。

8.一种基于超参数评估图算法的人工智能课件制作装置，其特征在于，包括：

9.一种计算机可读存储装置，其特征在于，所述存储装置上存储有计算机程序，当所述计算机程序被处理器执行时，能实现如权利要求1~7任一所述的基于超参数评估图算法的人工智能课件制作方法。

10.一种计算装置，其特征在于，包括存储器和处理器；

所述存储器，用于存储计算机程序；

所述处理器，用于当执行所述计算机程序时，实现如权利要求1~7任一所述的基于超参数评估图算法的人工智能课件制作方法。