一种基于图形化编程工具的分类AI实现方法及电子设备与流程

本发明涉及计算机技术领域，尤其涉及一种基于图形化编程工具的分类ai实现方法及电子设备。

背景技术：

随着社会的发展和进步，以及计算机科学的飞速发展，编程成为了现代人一项越来越重要的基本能力，而不仅仅是it行业人员的专职工作。任何年龄、任何基础的人员都有越来越强的学习和体验程序编写的需求，图形化编程工具随着时代的发展应运而生。使用图形化编程工具，用户仅仅通过拖拽编程组件，就能独立完成具有复杂逻辑的程序编写。

但是在现在的图形化编程工具中，很少涉及到人工智能领域。通常，就算与人工智能相关，也仅仅是调用其他公司公开的api，仅能实现部分简单功能，具有很大的局限性。这一局限性使得这类图形化编程工具的应用只能停留在编程逻辑教育，少儿steam教育等领域，无法进一步扩展，例如不具有智能分类功能。

因此，现有技术还有待于改进和发展。

技术实现要素：

鉴于上述现有技术的不足，本发明的目的在于提供一种基于图形化编程工具的分类ai实现方法及电子设备，旨在解决现有编程方法不具有智能分类功能的问题。

本发明的技术方案如下：

一种基于图形化编程工具的分类ai实现方法，其中，包括步骤：

创建分类模型，并对所述分类模型进行积木化处理，得到图形化分类积木；

使用训练数据对所述图形化分类积木进行训练；

在所述图形化分类积木中输入待预测事物的特征值，通过所述图形化分类积木对待预测事物的特征值进行分析，输出待预测事物的分类结果。

所述的基于图形化编程工具的分类ai实现方法，其中，使用后向传播算法对所述图形化分类积木进行训练。

所述的基于图形化编程工具的分类ai实现方法，其中，所述图形化分类积木包括输入层、隐藏层和输出层；

其中，所述输入层用于输入待预测事物的特征值；

所述隐藏层用于提取输入数据中的显著特征，并根据所述显著特征进行分类，以及将分类结果传输到输出层；

所述输出层用于输出分类结果。

所述的基于图形化编程工具的分类ai实现方法，其中，待预测事物的特征值与训练数据中的特征值数量匹配。

所述的基于图形化编程工具的分类ai实现方法，其中，所述隐藏层为一层或多层，且每层隐藏层均具有相应数量的神经元。

所述的基于图形化编程工具的分类ai实现方法，其中，每一组训练数据均包括特征值和分类结果。

所述的基于图形化编程工具的分类ai实现方法，其中，提取上传的excel数据，将所述excel转换为矩阵数据，并所述矩阵数据作为训练数据。

一种电子设备，其中，包括：

处理器，适于实现各指令，以及

存储设备，适于存储多条指令，所述指令适于由处理器加载并执行：

创建分类模型，并对所述分类模型进行积木化处理，得到图形化分类积木；

使用训练数据对所述图形化分类积木进行训练；

在所述图形化分类积木中输入待预测事物的特征值，通过所述图形化分类积木对待预测事物的特征值进行分析，输出待预测事物的分类结果。

一种非易失性计算机可读存储介质，其中，所述非易失性计算机可读存储介质存储有计算机可执行指令，该计算机可执行指令被一个或多个处理器执行时，可使得所述一个或多个处理器执行所述的基于图形化编程工具的分类ai实现方法。

一种计算机程序产品，其中，计算机程序产品包括存储在非易失性计算机可读存储介质上的计算机程序，计算机程序包括程序指令，当程序指令被处理器执行时，使所述处理器执行所述的基于图形化编程工具的分类ai实现方法。

有益效果：本发明利用图形化分类积木，实现了基于数据类特征值的分类器功能，并将其包装为图形化积木，可直接用于图形化编程工具。通过运用这些图形化积木，用户可编辑具备分类ai的编程作品，扩展了编写出程序的游戏玩法、程序类型。

附图说明

图1为本发明一种基于图形化编程工具的分类ai实现方法较佳实施例的流程图。

图2为本发明中一个神经网络实例的网络状图。

图3为本发明中一个神经网络输入层实例的积木图。

图4为本发明中一个神经网络隐含层实例的积木图。

图5为本发明中一个神经网络输出层实例的积木图。

图6为本发明中一个神经网络的训练结果示意图。

图7为本发明一种电子设备较佳实施例的结构框图。

具体实施方式

本发明提供一种基于图形化编程工具的分类ai实现方法及电子设备，为使本发明的目的、技术方案及效果更加清楚、明确，以下对本发明进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

请参阅图1，图1为本发明一种基于图形化编程工具的分类ai实现方法较佳实施例的流程图，如图所示，其包括步骤：

s1、创建分类模型，并对所述分类模型进行积木化处理，得到图形化分类积木；

s2、使用训练数据对所述图形化分类积木进行训练；

s3、在所述图形化分类积木中输入待预测事物的特征值，通过所述图形化分类积木对待预测事物的特征值进行分析，输出待预测事物的分类结果。

本发明利用图形化分类积木，实现了基于数据类特征值的分类器功能，并将其包装为图形化积木，可直接用于图形化编程工具。通过运用这些图形化积木，用户可编辑具备分类ai的编程作品，扩展了编写出程序的游戏玩法、程序类型。

具体地，在步骤s1中，先创建分类模型。

其中的分类模型类似于分类器。分类器是数据挖掘中对样本进行分类的方法的统称。

举例来说，对于酒类识别：可测量一瓶酒的颜色(波长)、酒精浓度等特征值，机器根据这些特征值判断这瓶酒是属于啤酒、红酒、白酒中的哪一种。疾病判断：病人到医院检测了肝功、血液测验等数据，将这些测验数据送进一个机器里，机器根据这些数据来判断这个病人是否得病，得的什么病。这种能够对输入的内容进行自动分类的机器，即称为分类器。

对人类来说，单凭肉眼可能也能对酒类进行一个简单识别，但却无法对疾病进行判断，这个时候，如果提供一个疾病判断的分类器，那么只需要输入相应的检测数据，就可以得出判断结果。

而基于人工智能的分类器不仅仅能完成疾病判断这种程度的事情，其可以完成更复杂、更多特征值的分类判断。实现分类器有很多方法，基于神经网络的深度学习就是其中一种。本发明也主要是采用神经网络的深度学习来实现分类器，但显然对于其他类型的分类器，同样可以应用在本发明中，从而实现本发明的目的。

本发明中的分类模型采用神经网络模型，其起源于尝试让机器模仿大脑的算法，将模仿神经元的脑神经单位进行连接，形成网络状图。

具体地，可对所述分类模型进行积木化处理，得到图形化分类积木。

进一步，所述图形化分类积木包括输入层、隐藏层和输出层；

其中，所述输入层用于输入待预测事物的特征值。比如：酒类识别中，酒的特征值就是酒的颜色和酒精浓度；疾病判断中，疾病的特征值就变成了化验数据。

所述隐藏层用于提取输入数据中的显著特征，并根据所述显著特征进行分类，以及将分类结果传输到输出层；隐藏层可以是单层的，也可以是多层的，每一隐藏层里都有相应数量的神经元，并且每一层中的神经元数量可以相同、也可以不同。

所述输出层用于输出分类结果。比如：酒类识别中，输出的分类结果是啤酒、红酒、白酒；疾病判断中，输出的分类结果是健康、感冒、发烧等。

总的来说，整个神经网络通过输入层收集信息，利用隐藏层进行运算和处理信息，再从输出层输出分类结果，这样就做到了分类器的功能。

本发明中，由于将分类模型进行了积木化处理，便得到了图形化分类积木。

如图2所示，在一个具体实例中，所述的图形化分类积木(神经网络)包括4个输入层、2个隐藏层(分别包括4个隐藏单元和3个隐藏单元)、2个输出层。其中的隐藏单元即为神经元。

分类器需要通过训练来大概地预测出分类结果。所以在所述步骤s2中，使用训练数据对所述图形化分类积木进行训练。

举例说明：一个从来没见过酒的人和一个对酒很有研究的人，肯定是后者更能分辨出酒的种类，对酒很有研究的人，非常了解酒的种类和味道，喝酒的次数越多，知道的酒的品种也就越多。

同样的，对于分类器来说，它也需要大量的训练数据不断进行训练，并且每一组的训练数据需要包含特征值以及分类结果。类似于训练一个不懂酒的人，训练的次数多了，也能分辨出酒的种类。

预测结果(输出的分类结果)是否准确，与神经网络的结构、训练次数、甚至训练时的一些随机发生的因素都有关系。

进一步，提取上传的excel数据，将所述excel转换为矩阵数据，并所述矩阵数据作为训练数据。

用户可自行上传相关训练数据的excel表格，系统会存作矩阵数据，即二维数组。

例如点击“上传excel为矩阵按钮”，选择对应的excel文件即可完成训练数据的上传。上传后，可以通过矩阵积木，将矩阵取为列表运用。

在一个具体实例中，在图形化编程工具中，输入层则是训练数据特征，使用积木如图3所示，此处设置后，神经网络输入层为2；神经网络隐含层结构，使用积木如图4所示；此处设置后，神经网络隐含层结构，为2层，每层分别是4个结构单元，神经网络输出层结构，使用积木如图5所示。因为在数据中，仅有山鸢尾和杂色鸢尾两种分类结果，因此此处设置后，输出层为2。

进一步，使用后向传播算法对所述图形化分类积木进行训练，训练次数应达到一定数量，例如达到400次，这样可以使分类结果更加准确。

后向传播算法，全称backpropagation算法，是在有指导下，适合于多层神经元网络的一种学习算法，它建立在梯度下降法的基础上，在本发明中，均由前端代码实现。下面，简单介绍以下后向传播算法的原理：

在训练以前，模型是初始化随机的，这时如果用此模型进行预测，就算给到的数据是有结果的训练数据，得到的结果也是随机的。在后向传播算法中，将每一组正确的训练数据，送入神经网络，以获得相应的激励响应，再将激励相应同训练输入对应的目标输出求差，从而获得隐含层和输出层的相应误差。然后，将输入激励和响应误差相乘，获得权重的梯度，再将这个梯度乘上一个常数“训练因此”并取反后加在权重上。这样误差后向传播法就完成了，再把更新的权重重新计算，不停的迭代，就是模型在不断训练的过程。当模型训练好后，此时再让模型去预测训练数据，经由新的权重计算，模型将会准确预测出训练数据的分类结果。

如图6所示，经过多次的训练，分类模型已经可以根据特征值，分成了红色(右下)和蓝色(左上)两类，此时训练已经成功。训练后的模型可保留在文件中，可将模型加以运用。

在所述步骤s3中，在所述图形化分类积木中输入待预测事物的特征值，通过所述图形化分类积木对待预测事物的特征值进行分析，输出待预测事物的分类结果。

也就是说，分类模型(也就是图形化分类积木)训练完毕后，就可以使用模型，对新输入的特征值进行预测，其中，输入的特征值数量需要与训练数据中的特征值数量匹配，否则无法进行准确预测。

预测的过程，就是用新输入的特征值对模型的权重进行计算，得到在该模型下预测的分类结果。

“预测分类结果”积木，输出为分类的种类，在这里就是山鸢尾和杂色鸢尾其中一种。而“预测分类概率”，输出为列表类型，即为分别预测是山鸢尾和杂色鸢尾的概率。

本发明在图形化编程工具中实现了分类ai功能。利用图形化分类积木，实现了基于数据类特征值的分类器功能，并将其技术方法包装为图形化分类积木，可直接用于图形化编程工具。通过运用这些图形化分类积木，用户可编辑具备分类ai的编程作品，扩展了编写出程序的游戏玩法、程序类型，同时提升了编程工具在少儿编程领域的先进性，可以应用于高中人工智能必修课领域。

本发明还提供一种电子设备10，如图7所示，其包括：

处理器110，适于实现各指令，以及

存储设备120，适于存储多条指令，所述指令适于由处理器110加载并执行：

创建分类模型，并对所述分类模型进行积木化处理，得到图形化分类积木；

使用训练数据对所述图形化分类积木进行训练；

在所述图形化分类积木中输入待预测事物的特征值，通过所述图形化分类积木对待预测事物的特征值进行分析，输出待预测事物的分类结果。

所述处理器110可以为通用处理器、数字信号处理器(dsp)、专用集成电路(asic)、现场可编程门阵列(fpga)、单片机、arm(acornriscmachine)或其它可编程逻辑器件、分立门或晶体管逻辑、分立的硬件组件或者这些部件的任何组合。还有，处理器还可以是任何传统处理器、微处理器或状态机。处理器也可以被实现为计算设备的组合，例如，dsp和微处理器的组合、多个微处理器、一个或多个微处理器结合dsp核、任何其它这种配置。

存储设备120作为一种非易失性计算机可读存储介质，可用于存储非易失性软件程序、非易失性计算机可执行程序以及模块，如本发明实施例中的基于图形化编程工具的分类ai实现方法对应的程序指令。处理器通过运行存储在存储设备中的非易失性软件程序、指令以及单元，从而执行基于图形化编程工具的分类ai实现方法的各种功能应用以及数据处理，即实现上述方法实施例。

关于上述电子设备10的具体技术细节在前面的方法中已有详述，故不再赘述。

本发明还提供一种非易失性计算机可读存储介质，所述非易失性计算机可读存储介质存储有计算机可执行指令，该计算机可执行指令被一个或多个处理器执行时，可使得所述一个或多个处理器执行所述的基于图形化编程工具的分类ai实现方法。

本发明还提供一种计算机程序产品，计算机程序产品包括存储在非易失性计算机可读存储介质上的计算机程序，计算机程序包括程序指令，当程序指令被处理器执行时，使所述处理器执行所述的基于图形化编程工具的分类ai实现方法。

应当理解的是，本发明的应用不限于上述的举例，对本领域普通技术人员来说，可以根据上述说明加以改进或变换，所有这些改进和变换都应属于本发明所附权利要求的保护范围。