基于PaddlePaddle云平台的机器学习课程实验案例研究

董如意，杜俊杰

（吉林化工学院，吉林 吉林 13022）

0 引言

人工智能已经成为支撑国民经济和工业发展的重要技术，并且正在深刻改变着人类的生产生活方式。国务院高度重视人工智能的发展，2017年制定的《新一代人工智能发展规划》明确指出：“人工智能是引领未来的战略性技术”[1]。机器学习已经成为当前技术发展热点，机器学习是通过计算机模拟或实现人类的学习行为，以获取新的知识或技能，并不断改善自身的性能，它是计算机具有智能的根本途径。机器学习技术发展迅速，已日渐渗透到生产和生活服务的各个方面。高校需要与时俱进、顺应时代，加强培养更多具有机器学习理论与应用实践能力的人才。而机器学习具有高度实践性且涉及的算法众多，如何在教学过程中结合项目实践，培养应用型人才，已成为各高校人才培养过程中关注的一个难题。百度的PaddlePaddle是一个易用、高效、灵活和可扩展的深度学习平台，它使得研究人员更容易、更快捷地构建深度学习模型，以及轻松地上传训练数据，训练深度学习模型，执行准确、直观的预测分析，极大提高速度和生产率[2]。

1 机器学习课程实验案例

机器学习课程是人工智能专业的核心专业课程，但机器学习课程建设过程中面临着实训室建设成本较高，机器学习理论艰涩枯燥等问题。因此课题组通过校企合作，引入线上Paddle云平台来解决实训室建设成本问题，并通过项目化的教学模式来贴近企业实际中的应用场景，提高学生的学习兴趣和学习效果。由此，探索形成一套机器学习课程的实验案例方案。

通过案例实践，进一步掌握并验证相关算法的性能及用法，着实提升学生对机器学习算法的解决问题能力及编程应用能力；通过详细查阅相关参考文献，将课程理论知识与未来企业实际需求相结合，以提升学生的技术竞争力。为了实现这些目标，在充分参考现有经典机器学习实验案例的基础上，课题组将实验内容、学科发展及实际需要联系起来，加强实验内容的综合性、系统性、专题性和模块化建设。

2 股票预测实验

本实验案例借助PaddlePaddle深度学习框架，使用Python语言构建基于LSTM神经网络模型，实现股票的预测模型。研究该案例的具体实现及其结合云平台操作的可行性。

2.1 长短期记忆神经网络LSTM

长短期记忆神经网络（Long Short-termmemory， LSTM）是一种特殊的RNN，是为了解决长序列训练过程中的梯度消失和梯度爆炸问题而设计的，相比普通的RNN，LSTM能够在更长的序列中有更好的表现[3]。图1为LSTM网络结构。

图1 LSTM网络结构

2.2 基于PaddlePaddle的LSTM实现

本次试验采用1990—2015年上证指数的开源股票数据集，共6 109条数据，利用历史数据中的开盘价、收盘价、最低价、最高价、交易量、交易额、跌涨幅来对下一日的最高价进行预测。基于PaddlePaddle库构建股票预测的神经网络模型，具体实验流程有以下几方面。

2.2.1 导入库

导入一些关键的库，分别是：（1）paddle.fluid。PaddlePaddle深度学习框架。（2）numpy。用于科学计算，支持大量的维度数组与矩阵运算。（3）matplotlib.pyplot：类似MATLAB的绘图框架，支持数据的可视化。

2.2.2 数据预处理

对股票数据集进行预处理，使得满足模型训练需要。本次实验将数据集中的60%作为训练集，40%作为验证集，划分数据集时进行数据归一化处理，这样可以提高模型的精度以及加快模型的收敛速度。LSTM算法在训练集上进行模型训练，再使用该模型对测试集进行预测，将预测结果与测试集的真实值进行对比，以评估该模型的性能。

2.2.3 搭建模型与训练模型

搭建LSTM模型的关键代码如下所示：

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）

模型搭建完成后开始训练，通过设置训练的回合数、批数据大小等参数，来观察其对训练结果的影响。由此得到较好的预测效果。

2.2.4 训练结果

使用训练后的模型对测试集数据进行股票预测并观察预测效果。将预测值Predicted Value和真实值True Value的折线图绘制在一起进行对比。LSTM神经网络预测结果如图2所示。

图2 LSTM神经网络预测结果

通过图2可以看出，使用PaddlePaddle构建的股票预测深度学习模型展示了预测值Predicted Value和真实值True Value有较好的拟合程度。

3 结语

本文结合实际应用问题，紧跟最新技术的步伐，重点强调教学过程的易懂性和实用性及系统性。通过基于PaddlePaddle平台的机器学习课程实验案例的研究，提高了学生利用机器学习方法解决复杂工程问题的能力，结合交叉学科的现实案例，既让学生能掌握基础的机器学习相关知识，又让学生充分了解机器学习技术的发展前沿。在此基础上学会利用PaddlePaddle进行算法实现和开发，进一步加深对理论知识的理解、概念的建立。除此以外，该课程实验案例研究能让学生在发现问题解决问题的过程中，掌握学科知识的具体应用与实现，极大地调动了学生学习的积极性，可以借此课程实验案例研究引导学生自发学习相关的知识。