Ai创想实验室是专门为中小学AI教育开发的教学平台，包含了值计算、图像分类、音频分类、文本分类、数值回归、图像回归、图像分类+回归、平衡杆、手写数字生成、文本生成等中小学人工智能学习类项目。无需编程基础、无需添加硬件、无需购买算力、无隐私担忧、无需师资培训即可进行教学实践。

        本文介绍如何使用图形分类项目类型来进行多输出模型的构建和训练。以MNIST数据集为例，两个输出头都是分类。

一、模型构建

        使用Blockly编辑器构建以下模型：

        实际上这个模型和单输出的0-9分类没有太大区别，可以导入单输出模型然后将其改造为多输出模型——公用卷积部分，保留分类部分成为输出头1，在输出头2上配置一个全连接层（对于这种奇偶分类的简单任务甚至可以没有，你也可以尝试用SoftMax激活函数）。

二、数据构建

        我们仍然使用MNIST数据集，首先配置两个标签维度：数字、奇偶。其中数字包含0-9标签；奇偶包括奇数、偶数两个标签。

        然后，选择标签0+偶数，导入一定数量的数字0图像；选择2+偶数标签，导入相近数量的数字2图像（这样做的好处是只需要更改0、2、4……的选择而不需要更改奇偶的选择）。直到将所有数据导入：

        然后导出数据备用。

三、训练

        在训练引擎中导入训练数据、JSON模型。保持默认超参数即可：0.001学习率、32大小批次、10轮训练；开启数据增强，勾选：旋转、平移、缩放、水平扭曲、垂直扭曲、弹性形变、高斯噪声。

        点击开始训练：

        从训练日志可以看到，每轮训练仅需10秒，共训练10轮，两个输出头的准确率均超95%：

acc=95.75%|97.00%, loss=0.2527|0.1590, val_acc=95.25%|96.50%, val_loss=0.1291|0.2210

        导出已训练模型。

四、预测

        把导出的已训练模型导入到预测引擎：

        导入MNIST数据集中的图片或手绘一个阿拉伯数字，然后点击“预测”：

        可以看到，在模型训练并不充分的情况下（仅10轮，2000个样本），已经可以做到较高识别率。如果你有更充分的时间，可以添加样本、增加训练轮数、调节训练参数来获得极高的置信度和实际准确率。

        在Ai创想实验室中，我们无需编程基础，不用学习框架，不用配置环境，无需购买费用高昂的显卡，更不用为云端算力付费，使用当前已有的各种硬件：仅有核显的个人、办公、机房电脑，希沃白板等都能达到理想的教学效果。操作简单但AI核心知识样样俱全，无需师资培训就可以进行教学且能取得理想的教学效果。如果加入试点或合作方那么只需要一台局域网服务器（无需显卡、服务器不用供算力）即可一次投入永久使用全部项目和功能，通过后台管理一分钟即可创建一个本地化、校本化的项目实例。

有任何问题欢迎留言或发送邮件至：hello@AiEduLab.tech