随着时代发展大多学生对体育锻炼的不重视,导致他们在体育测试中不达标,而学校对体测数据也没很好的利用。因此,本文利用TensorFlow平台使用深度神经网络分类方法,同时使用SPSS配对分析得出我国高校体育教学中存在的问题,使学校能准确掌握学生的身体状况,以便制定体育教学计划。通过实验证明DNN用于高校体测数据的分类,不仅能提高准确率,减少误差,并且据此能够提出科学性的体育分班策略。绪论:随移动电子设备的普及,低头玩手机、熬夜等问题都影响大学生的体质健康。大学生课业和活动繁忙,课余时间大都花在看手机上,几乎没有体育锻炼。因此,在每学期的体育测试中,很多学生都很难达标。而高校的学生体测数据很多时候只是作为一个数据存在,没有通过分析处理等操作,得到有用的信息。目前高校的体育课只有男女分班,但课上仍会出现部分同学跟不上教学节奏的现象。体质较差的同学难以适应高校针对普通学生制定的教学课程,这种超出负荷的运动强度不仅不能增强体质,还可能会造成身体疾病,所以现下的体育分班模式并不科学合理。深度学习是机器学习的一个新领域,解决传统的工具在对批量数据的处理过程中,存在处理时间长和结果准确度低等问题。同时各种大数据平台和工具也在不断的发展,其中TensorFlow在数据分析方面的功能十分便捷,更加智能化和灵活。我国对深度学习的研究越来越多,杨丹丹提出其在网络应用分类的研究;吕赫基于DNN的语言识别有重点探究;李河伟为能将图片库作为训练集输入模型,获得定制化的分类模型;陈春利和金炜东提出基于深度信念网络的信号分选方法,解决在传统方法中的问题;马越研究解决分类方法准确率低的问题;柴瑞泽[6]利用机器学习与网络技术的模式,增加了数据处理的效率。韩山杰和谈世哲基于TensorFlow对多感知器的神经网络模型进行研究。在国外有Chunhui Ding,Zhengwei Hu and Saleem Karmoshi等人基于两阶段结构的深度神经网络(DNN)训练方法;Fabio Nelli提到深度学习的开发取得了突出成果;Mingliang Liu and Dario Grana(2019)在对地质统计地震反演和储层不确定性定量研究的新兴技术时发现,密集计算的挑战限制了它在实际研究中的应用。因此,本文将利用TensorFlow为载体结合深度神经网络对高校的体育测试的数据进行分类研究。主要目的是通过TensorFlow和深度神经网络完成体测数据的处理和分类,并根据分类结果提出相关建议,能有效的改善高校体育的现状,提出科学合理的切实可行的高校体育分班的策略。小结:随着人工智能的不断发展和变化,很多传统研究不能解决的问题都能够通过深度学习方法来实现。近年来有关大数据和人工智能的话题也基本都以深度学习为主。深度学习主要运用于图片数据的处理,虽然我国在深度学习方面有深入的研究,但对有关深度神经网络的数据分类没有过多的研究。本文将数据分类与神经网络相结合,通过TensorFlow深度学习框架来实现高校学生体测成绩的分类,分类准确率相对较高。在研究中,先是做数据标签和划分训练集,构建模型,将体测数据导入,经过深度神经网络模型的训练,得到分类后的数据。实验证明,关于高校学生体测数据的分类的精准度相对较高,可运用于各高校学生体质测试的分类和其他行业数据的分类。本论文对体测数据的分类,有利于学校对学生身体素质的了解,高校可以根据分类的结果,更改和制定学生日常运动和体育课项目等,对高校加强学生体育素养和身体素质有一定的的帮助。