王舒　馮俊青

【摘 要】當下，書法教育已經(jīng)成為中小學教育的重要環(huán)節(jié)，而書法教育評價體系還不太完善?，F(xiàn)在主要運用兩種評價方式：一是按照一定的鑒賞標準來設(shè)計評分要點，由評閱專家進行主觀評分，但是由于不同專家的個人喜好、審美有所不同，所以很難解決公平、公正的問題;二是采用德爾菲法進行評價，其大致流程是在對所要預(yù)測的問題征求專家意見之后，進行整理、歸納、統(tǒng)計，再匿名反饋給各專家，再次征求意見，再集中，再反饋，直至得到一致的意見。目前，深度學習在文字識別領(lǐng)域已經(jīng)取得了很大的突破，并得到了廣泛的應(yīng)用，而深度學習在中小學書法評價體系中的應(yīng)用還需教育科研人員進一步探索實踐。

【關(guān)鍵詞】書法評價;深度學習;數(shù)據(jù)集

【中圖分類號】G471? 【文獻標志碼】B? 【文章編號】1005-6009（2021）30-0014-03

【作者簡介】1.王舒，江蘇省鹽城市日月路小學（江蘇鹽城，224005）教師，二級教師，江蘇省書法優(yōu)質(zhì)課比賽特等獎獲得者;2.馮俊青，鹽城工學院（江蘇鹽城，224005）講師，江蘇省“六大人才高峰”高層次人才培養(yǎng)對象。

一、可行性分析

從藝術(shù)鑒賞的角度審視，書法屬于藝術(shù)作品，人們對藝術(shù)作品的評價是主觀的，不適合利用一個模型給一個作品貼標簽說它是好或不好。對于一件藝術(shù)作品，我們或許昨天看它不順眼，但說不定過些天換種心情再去欣賞它，就越看越喜歡了。從這個角度來講，任何以人的主觀意識對書法的評價都是具有不確定性的。

但是從技術(shù)上講，借助機器用深度學習進行書法評價是可行的。例如，從判定書法的筆法和布局優(yōu)劣來說，機器的深度學習功能可以給出確定的結(jié)果，沒有什么不確定性的特征。

二、實現(xiàn)方法

目前云服務(wù)功能強大，機器的深度學習功能的具體實現(xiàn)方法可以采用阿里云機器學習平臺PAI（如下頁圖1）搭建基于機器學習的書法評分體系，將采集的書法圖片和教師的打分上傳至在阿里云建立的專用數(shù)據(jù)集，選用適合的模型進行訓練，將書法作品的結(jié)構(gòu)、書寫、章法三個方面，各項按10分的標準評分，再將得到的三個分數(shù)加權(quán)綜合評分，給出最終評分結(jié)果。這樣的書法評分系統(tǒng)很好地解決了公平公正和評判速度等問題。

阿里云機器操作平臺在中小學書法評價系統(tǒng)中的應(yīng)用：

1.首先按照阿里云深度學習的介紹進行相關(guān)服務(wù)的開通和充值。

這個文檔中有TensorFlow做圖像分類的案例，只是應(yīng)用到具體模型中還存在著一些問題。

2.注冊專用數(shù)據(jù)集calligraphy。

a.登錄PAI控制臺。

b.在PAI控制臺首頁，選擇數(shù)據(jù)準備，再選擇數(shù)據(jù)集管理。

c.在數(shù)據(jù)集管理頁面，單擊注冊數(shù)據(jù)集（如圖2）。

3.電腦和阿里云端配置過程如下：

確保電腦有Python 3.5及以上的版本。（TensorFlow從1.2開始支持 Python3.6，之前的版本官方是不支持的。（如圖3]

4.在阿里云端購買機器學習相關(guān)產(chǎn)品。

因為每一件書法作品已經(jīng)有一個人工分值，所以本系統(tǒng)采用有監(jiān)督機器學習。每個樣本都有對應(yīng)的期望值，通過搭建模型，實現(xiàn)從輸入特征向量到目標值的映射。

5.TensorFlow訓練具體操作過程如下：

系統(tǒng)使用阿里云服務(wù)器的自建calligraphy數(shù)據(jù)集，該數(shù)據(jù)集包含3萬張彩色圖片，共6個類別，分別為小學六個年級的硬筆書法作品，如圖4、5和下頁圖6。

[圖5 原始采集硬筆書法照片（部分）]

使用過程中將該數(shù)據(jù)集拆分為訓練數(shù)據(jù)集（2萬張圖片）和預(yù)測數(shù)據(jù)集（1萬張圖片）。其中5萬張圖片的訓練數(shù)據(jù)集又被拆分為5個data_batch，1萬張圖片的預(yù)測數(shù)據(jù)集組成test_batch，如下頁圖7所示。

6.使用TensorFlow實現(xiàn)書法打分。

登錄PAI控制臺。在左側(cè)導航欄選擇模型開發(fā)和訓練，再選擇Studio-可視化建模。在PAI可視化建模頁面，進入機器學習。系統(tǒng)根據(jù)預(yù)置的模板，自動構(gòu)建實驗，如圖8所示。

在上傳任意書法作品后，系統(tǒng)可以實現(xiàn)自動打分，如文末圖9所示。

本文梳理的這種不依賴于標準模板的機器學習書法評價系統(tǒng)的實現(xiàn)方法，有很高的實用價值。但是由于系統(tǒng)采用有監(jiān)督機器學習，每個樣本都有對應(yīng)的期望值，而樣本總數(shù)還不夠多，算法還不夠完美，所以目前機器學習系統(tǒng)打出來的分數(shù)還不夠準確，需要進一步增加樣本，改進算法模型和訓練過程，來取得更好的效果。

【參考文獻】

[1]尹成娟. 基于深度學習的手寫漢字集識別方法的研究[D].天津：天津科技大學，2019.

[2]邵榮堂. 基于機器學習的書法字識別與智能評判[D].武漢：湖北工業(yè)大學，2020.

[3]溫佩芝，姚航，沈嘉煒.基于卷積神經(jīng)網(wǎng)絡(luò)的石刻書法字識別方法[J].計算機工程與設(shè)計，2018，39（3）：867-872.

[4]汪瀟，章夏芬，韓德志.基于視覺特征的書法風格識別[J].現(xiàn)代計算機（專業(yè)版），2016（21）：39-46.

[5]戴瓊，周明全，付倩.小篆文字的自動識別[J].計算機技術(shù)與發(fā)展，2016，26（3）：1-4.

[6]王民，曾寶瑩，要趁紅，等.中國書法的特征提取及識別[J].信息通信，2015（7）：19-20.

[7]郭鵬. 深度卷積神經(jīng)網(wǎng)絡(luò)及其在手寫體漢字識別中的應(yīng)用研究[D].成都：四川師范大學，2016.