Google Innocamp X 华师大 总结

标签：一点   nic   大于   度量   分析   智能   生成word   大致   label   

嗨，大家晚上吼哇~许久没更新的SuperChen今天，，终终终于要更新博客了！都怪自己太懒了。话不多说，今天我要高调秀出自己为期一天的华师大Innocamp之旅~
也算是为周末做个总结了，希望大家能够喜欢

这次Innocamp在华东师范大学举办，主要是教育学院承办，所以主题也就是教育+AI

活动伊始，老师先简单介绍了，人工智能在教育学的简单应用，并着重在如何实现个性化教学与利用机器学习达到教学目标。

这是其中一个比较著名的教学框架ITS结构。

然后紧接着讲了如何利用AI进行学情预测、简化基础业务、通过AI实时反馈学生的听课情况，以及情绪分析。综述讲的比较琐碎，所以我也就大致记了一些概要。

接下来就是重头戏了，代码部分！说实话，这次Camp的代码难度也是一步步慢慢递进的，很适合初学者！接下来我会分几个阶段，慢慢分析

• Python基础
  这一部分比较基础，主要是讲了Python的基础结构，元祖切片之类的。虽然基础，但是讲师真的非常nice，一步步分析给我们，赞一个??~
  

就是这位小哥哥辣，比个心~

• Tensorflow基础
  这一部分，首先介绍了TensorFlow基本的张量与计算图的概念，然后通过具体代码具体看了一下，具体的步骤应当是：定义Tensor -> 搭建计算图 -> 运行会话Session。所有的机器学习模型也就是建立在搭建计算图之上的。需要注意的是，TensorFlow的主要逻辑是，先定义计算图，全部搭建完成之后再Run Session；而PyTorch则提供了边搭建、边执行的功能，可以说各有优劣吧。运行后的模型可通过tensorboard进行查看（注意先要进行tf.summary.FileWriter(‘./logs/summary‘, sess.graph)，把数据写入logs当中）。重要代码在下方展示：

    import tensorflow as tf
    graph = tf.Graph()
    with graph.as_default():
        a = tf.placeholder(tf.float32)
        b = tf.placeholder(tf.float32)
  
        y = tf.multiply(a,b)
  
    with tf.Session(graph=graph) as sess:
        print(sess.run(y,feed_dict={a:3,b:3}))

  最后的结果就是9.0
  同样要注意的一点，tensor中所有变量，一旦数据类型确定之后，千万不能用其他类型！例如我之前试了用int赋给float.32，结果直接报错，没有进行类型转换！如果这边报错了，也可以多留意一下数据类型
• word2sec模型
  word2sec是词向量的表示。词向量可以把情感类似或语义相近的词分类到同一块中。通常，对于一大块的文章分析，可以通过词向量，寻找他们之间的相关关系（例如词汇搭配，上下文关系），通过cross-entropy(交叉熵)的方法，可以捕捉之间的关系（交叉熵是统计学的知识，可以简单了解，通常通过计算熵的关系度量关系），然后根据数值大小进行softmax，统计概率，以0.5为界限，大于就为一方向，否则为另一方向。
  简单来说，主要的步骤是：文本预处理函数（去除停用词，出现频繁且意义不大的词称为停用词；读入文件） -> 建立词典（挑选其中最常见的40000个单词，进行map对应，末尾赋为UNK），然后存入到pkl文件 -> 构建训练函数，生成Word2Vec的训练样本(这一步主要通过单词对应到值，然后根据值进行语义训练) -> 构建训练模型(这一块比较复杂，看了代码，应该是用了skip-gram这个模型，然后种种方法计算出了各种单词的相似性，最后根据这个相似性划分词向量) -> 开始训练(这部分跟上面相同，创建会话，交到图上sess.run) -> 词向量可视化(这部分其实挺有趣的，他把单个词向量从一维变到了二维，然后写文件到磁盘上，结束)。
  上面是大致的步骤，其中还有很多很多的细节，具体还要请教百度了，我水平有限，没办法细说。

• Sentiment Analysis语义分析
  这一块主要建立在上面的基础之上，建立词典之后，也就意味着有了词向量的关系。接着，我们可以用LSTM这个模型进行情感分析(其实情感分析与语义分析很像)。
  

LSTM(Long Short Term Memory):通常输入的是一个个词向量，与RNN相似，通过一系列计算，还有最后的softmax整合，输出的是一个概率，分别代表可能性是多少，最后就可以转为是否的二分问题了
Emmmm关于LSTM，不想说太多，感觉实在是太复杂了=_=论文看的心累，而且之前看吴恩达的视频的时候，就非常理论2333。情感分析也是教育学一个重要的方向，在不久的将来，如果机器能捕捉到人类的情感的话，就能更好的服务人类了（当然也可能背叛人类了2333）以下是一些关键代码，我直接复制粘贴了：

      # 构造计算图
      graph = tf.Graph()
      with graph.as_default():
          tf_train_dataset = tf.placeholder(tf.float32, shape=(None, MAX_SIZE, vector_size),name=‘x‘)
          tf_train_steps = tf.placeholder(tf.int32, shape=(None),name=‘x_step‘)
          tf_train_labels = tf.placeholder(tf.float32, shape=(batch_size, output_size))
      
          # tf_test_dataset = tf.constant(testData, tf.float32,name=‘input_x‘)
          # tf_test_steps = tf.constant(testSteps, tf.int32,name=‘steps‘)
          tf_test_dataset = tf.placeholder(tf.float32, shape=(None, MAX_SIZE, vector_size), name=‘input_x‘)
          tf_test_steps = tf.placeholder(tf.int32, shape=(None), name=‘steps‘)
      
          lstm_cell = tf.contrib.rnn.BasicLSTMCell(num_units=num_nodes,
                                                   state_is_tuple=True)
      
          w1 = tf.Variable(tf.truncated_normal([num_nodes, num_nodes // 2], stddev=0.1))
          b1 = tf.Variable(tf.truncated_normal([num_nodes // 2], stddev=0.1))
      
          w2 = tf.Variable(tf.truncated_normal([num_nodes // 2, 2], stddev=0.1))
          b2 = tf.Variable(tf.truncated_normal([2], stddev=0.1))
      
      
          def model(dataset, steps):
              outputs, last_states = tf.nn.dynamic_rnn(cell=lstm_cell,
                                                       dtype=tf.float32,
                                                       sequence_length=steps,
                                                       inputs=dataset)
              hidden = last_states[-1]
      
              hidden = tf.matmul(hidden, w1) + b1
              logits = tf.matmul(hidden, w2) + b2
              return logits
      
      
          train_logits = model(tf_train_dataset, tf_train_steps)
      
          loss = tf.reduce_mean(
              tf.nn.softmax_cross_entropy_with_logits(labels=tf_train_labels,
                                                      logits=train_logits))
          optimizer = tf.train.GradientDescentOptimizer(0.01).minimize(loss)
      
          test_prediction = tf.nn.softmax(model(tf_test_dataset, tf_test_steps))
      
          tf.add_to_collection(‘pred_network‘, test_prediction) #用于加载模型获取要预测的网络结构
      
          #保存模型
          saver = tf.train.Saver()

此处为构造计算图

到此处，我的总结也结束啦，最后贴上一张合照，以作纪念！我觉得，这次的活动主办方还是非常给力的，各方面准备都很棒，谢谢各位志愿者，谢谢老师的奉献~

最后，嗯，妹子真多，再跟本校比比，不说了，我还是继续写代码了=_=

Google Innocamp X 华师大 总结

标签：一点   nic   大于   度量   分析   智能   生成word   大致   label   

原文地址：https://www.cnblogs.com/EchoWorld/p/9102723.html