秦華鋒 王興瓊

摘要：隨著這人工智能算法尤其是深度學(xué)習(xí)的快速發(fā)展，已經(jīng)對各行各業(yè)產(chǎn)生了影響。為了能夠跟上技術(shù)和理論發(fā)展的步伐，培養(yǎng)企業(yè)和行業(yè)所需的人才，當(dāng)前高校的人工智能課程需要做出調(diào)整。本文以模式識別課程為例，探討人工智能背景下高校課程的改革方案。首先分析了目前模式識別課程存在的問題。然后，針對模式識別的課程特點(diǎn)，提出將前沿科技引入教學(xué)內(nèi)容，并對教學(xué)內(nèi)容和教學(xué)方式進(jìn)行改革。最后，開發(fā)了相應(yīng)的實(shí)驗(yàn)平臺(tái)，并在實(shí)驗(yàn)教學(xué)環(huán)節(jié)中介紹了基于深度卷積神經(jīng)網(wǎng)絡(luò)手寫體識別的實(shí)驗(yàn)案例。

關(guān)鍵詞：模式識別;課程改革;深度學(xué)習(xí);人工智呢;實(shí)驗(yàn)平臺(tái)

中圖分類號：G642? ? ? ? 文獻(xiàn)標(biāo)識碼：A

文章編號：1009-3044（2019）20-0160-03

開放科學(xué)（資源服務(wù)）標(biāo)識碼（OSID）：

Abstract： With the rapid development of this artificial intelligence algorithm， especially deep learning， it has already had an impact on various industries. In order to keep up with the pace of technological and theoretical development and to cultivate the talents needed by enterprises and industries， the current artificial intelligence courses in colleges and universities need to be adjusted. This paper takes the pattern recognition course as an example to discuss the reform plan of college curriculum under the background of artificial intelligence. First， the problems existing in the current pattern recognition course are analyzed. Then， according to the characteristics of the curriculum of pattern recognition， it is proposed to introduce new technology into course， and reform the teaching content and teaching methods. Finally， the corresponding experimental platform was developed， and the experimental case based on deep convolutional neural network handwriting recognition was introduced in the experimental teaching section.

Key words：Pattern recognition; curriculum reform; deep learning; artificial intelligence; experimental platform

1 引言

目前很多高校組建了人工智能專業(yè)。而且，部分高校將人工智能與傳統(tǒng)的學(xué)科專業(yè)進(jìn)行交叉融合形成了具有智能化特色的專業(yè)。在此背景下，各高校智能科學(xué)與技術(shù)相關(guān)專業(yè)的本科和研究生教學(xué)模式不但具有專業(yè)本身的特色，還融入了智能化特色[1]。模式識別課程是各個(gè)高校人工智能開設(shè)的核心專業(yè)課[2]，其主要討論以統(tǒng)計(jì)學(xué)為基礎(chǔ)的模式識別理論和方法，內(nèi)容包括：貝葉斯決策理論以及參數(shù)估計(jì)方法、以誤差函數(shù)最小化為原則的線性和非線性判別、近鄰規(guī)則、特征提取和選擇、聚類分析、神經(jīng)網(wǎng)絡(luò)、支撐矢量機(jī)、隨機(jī)方法、非度量方法、獨(dú)立于算法的機(jī)器學(xué)習(xí)等內(nèi)容[3]。特別是近年來，深度學(xué)習(xí)受到了廣泛關(guān)注，目前已經(jīng)應(yīng)用于計(jì)算視覺、語音識別、自然語言處理等方面并取得了令人鼓舞的結(jié)果。這些為模式別識別課程注入了新的血液。然而，我國的人工智能的發(fā)展尚屬初級階段，膜識別課程和教學(xué)都處于建設(shè)和摸索階段。因此，隨著深度學(xué)習(xí)理論和技術(shù)的發(fā)展，必然會(huì)推動(dòng)該課程的改革。

2 模式識別教學(xué)的現(xiàn)狀

2.1教學(xué)內(nèi)容與前沿知識的脫軌

模式識別是對表征事物或現(xiàn)象的各種形式的信息進(jìn)行處理和分析，以對事物或現(xiàn)象進(jìn)行描述、辨認(rèn)、分類和解釋的過程，是信息科學(xué)的重要組成部分[1-2]。它不僅是一門理論基礎(chǔ)特別強(qiáng)，而同時(shí)與工程實(shí)踐又緊密結(jié)合的學(xué)科。然而，隨著人工智能的快速發(fā)展與應(yīng)用，各種理論和技術(shù)也不斷涌現(xiàn)。例如，近來的深度神經(jīng)網(wǎng)絡(luò)、增強(qiáng)學(xué)習(xí)等理論取得了較大的進(jìn)展。 然而，目前模式識別教學(xué)卻幾乎忽視了人工智能領(lǐng)域的最新發(fā)展。

2.2課程培養(yǎng)方案不合理

模式識別是一門理論與實(shí)踐緊密結(jié)合的學(xué)科，其理論基礎(chǔ)涉及高等數(shù)學(xué)、線性代數(shù)、數(shù)理統(tǒng)計(jì)、矩陣論、隨機(jī)過程、工程優(yōu)化方法、小樣本統(tǒng)計(jì)學(xué)習(xí)理論、模糊數(shù)學(xué)等學(xué)科[2]。然而，然而除了高等數(shù)學(xué)、線性代數(shù)和數(shù)理統(tǒng)計(jì)，其他課程都是研究生階段才能開設(shè)的課程。這就使得大部分本科學(xué)生還不具備足夠的知識儲(chǔ)備，很難深刻理解模式識別這門課程，容易產(chǎn)生厭學(xué)情緒。

2.3 學(xué)生實(shí)際動(dòng)手能力很難得到提高

模式識別是一門緊密聯(lián)系實(shí)際的課程，針對模式識別的應(yīng)用需求非常多，比如生物特征識別、自然語言處理、智能交通等都要用到模式識別的基礎(chǔ)知識。然而，由于實(shí)驗(yàn)資源有限，往往很難有效培養(yǎng)的學(xué)生的實(shí)際動(dòng)手能力。例如，學(xué)生實(shí)驗(yàn)課時(shí)不足而且很多時(shí)候提供給學(xué)生的硬件設(shè)備缺乏，這些使得學(xué)生很難再有限的實(shí)驗(yàn)完成規(guī)定的實(shí)驗(yàn)內(nèi)容。這種問題在一些地方院校中尤為突出。 久而久之，學(xué)生在這些實(shí)際應(yīng)用的驅(qū)動(dòng)下很難產(chǎn)生高漲的興趣。

3 將深度學(xué)習(xí)引入模式識別教學(xué)內(nèi)容

深度學(xué)習(xí)是基于學(xué)習(xí)數(shù)據(jù)表示的更廣泛的機(jī)器學(xué)習(xí)方法中的一部分，而不是特指某一種算法[4-6]。深度學(xué)習(xí)算法試圖讓機(jī)器自己學(xué)習(xí)輸入數(shù)據(jù)的特征，在建立模型和參數(shù)優(yōu)化的過程中，機(jī)器能夠?qū)⑤斎霐?shù)據(jù)轉(zhuǎn)變?yōu)楦邔哟巍⒏映橄蟮臄?shù)據(jù)表征，從而自動(dòng)地學(xué)習(xí)到更加有效、表達(dá)力更強(qiáng)的特征信息。

近些年來，隨著計(jì)算機(jī)硬件技術(shù)的不斷進(jìn)步，深度學(xué)習(xí)算法已經(jīng)廣泛應(yīng)用于包括計(jì)算機(jī)視覺[7]、語音識別[8]、自然語言處理[9]等領(lǐng)域，并在對應(yīng)領(lǐng)域取得了相應(yīng)地研究成果。例如，在2016年3月人工智能圍棋比賽中，由谷歌旗下DeepMind公司開發(fā)的AlphaGo[10]戰(zhàn)勝了人類圍棋世界冠軍李世石，這使得深度學(xué)習(xí)算法更加聲名遠(yuǎn)播。

如今深度學(xué)習(xí)模型主要有[11]：深度置信網(wǎng)絡(luò)模型、自動(dòng)編碼器模型、卷積神經(jīng)網(wǎng)絡(luò)模型。隨著深度學(xué)習(xí)技術(shù)的快速發(fā)展，深度學(xué)習(xí)模型衍生出幾個(gè)變體模型，如稀疏自編碼器模型，全卷積神經(jīng)網(wǎng)絡(luò)模型等。

稀疏自編碼器是一種無監(jiān)督的機(jī)器學(xué)習(xí)算法，通過計(jì)算自編碼的輸出與原輸入的誤差，不斷調(diào)節(jié)自編碼器的參數(shù)，最終訓(xùn)練出模型。其中，自編碼器可以用于壓縮輸入信息，提取有用的輸入特征。稀疏自編碼器是指在自編碼器的基礎(chǔ)上加入了稀疏性條件，以減少過擬合。

全卷積神經(jīng)網(wǎng)絡(luò)是一類包含卷積計(jì)算且具有深度結(jié)構(gòu)的前饋神經(jīng)網(wǎng)絡(luò)，前饋是相對于反向而言，不對神經(jīng)網(wǎng)絡(luò)進(jìn)行調(diào)整，直接計(jì)算每一層中每一個(gè)神經(jīng)元的輸出并向下一層傳遞，最后傳遞到輸出層，進(jìn)而計(jì)算網(wǎng)絡(luò)的輸出結(jié)果。本質(zhì)上是一種輸入到輸出的映射網(wǎng)絡(luò)，它能夠?qū)W習(xí)大量的輸入與輸出之間的映射關(guān)系，而不需要任何輸入和輸出之間精確的數(shù)學(xué)表達(dá)式。

深度置信網(wǎng)絡(luò)是一個(gè)概率生成模型，與傳統(tǒng)的判別模型的神經(jīng)網(wǎng)絡(luò)不同，生成模型是建立一個(gè)觀察數(shù)據(jù)和標(biāo)簽之間的聯(lián)合分布，以推斷出數(shù)據(jù)樣本分布。深度置信網(wǎng)絡(luò)模型通過訓(xùn)練網(wǎng)絡(luò)結(jié)構(gòu)中神經(jīng)元間的權(quán)重使得整個(gè)神經(jīng)網(wǎng)絡(luò)依據(jù)最大概率生成訓(xùn)練數(shù)據(jù)，形成高層抽象特征，以得到更好的特征表達(dá)。

從目前的深度學(xué)習(xí)理論知識可以看出， 深度學(xué)習(xí)是對傳統(tǒng)學(xué)習(xí)方法的一個(gè)補(bǔ)充，將其引入教學(xué)過程，不僅能夠增加學(xué)生的知識面，也可以使學(xué)生順應(yīng)社會(huì)的需求。

4? 開發(fā)深度學(xué)習(xí)試驗(yàn)，增強(qiáng)學(xué)生動(dòng)手能力

動(dòng)手能力能夠激發(fā)學(xué)生的學(xué)習(xí)興趣。為了增強(qiáng)學(xué)生的動(dòng)手能力，有效掌握深度學(xué)習(xí)相關(guān)知識，需要搭建深度學(xué)習(xí)試驗(yàn)平臺(tái)。

4.1 深度學(xué)習(xí)平臺(tái)工具

隨著深度學(xué)習(xí)的深入研究，大量的深度學(xué)習(xí)平臺(tái)被提出，例如Tensorflow、Theano、Caffe、Matlab等，表1總結(jié)了這些工具的主要情況。

其中，在眾多平臺(tái)中，Tensorflow是相對高階的機(jī)器學(xué)習(xí)庫，用戶可以方便的用它設(shè)計(jì)神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，且目前使用的研究人員也遠(yuǎn)遠(yuǎn)多于其他平臺(tái)。除此之外，Matlab編碼簡單，且繪圖功能也相當(dāng)強(qiáng)大，因此本文主要采用Tensorflow和Matlab作為實(shí)驗(yàn)工具。因?yàn)镸atlab安裝比較簡單，故詳細(xì)闡述Tensorflow平臺(tái)的搭建過程。

4.2 Tensorflow平臺(tái)搭建

Tensorflow平臺(tái)搭建的具體實(shí)驗(yàn)環(huán)境配置如表2所示。Tensorflow的安裝版本分為GPU版和CPU版，其安裝方式有4種，分別是：基于Docker的安裝、基于VitualEnv的安裝、基于Anaconda的安裝和基于源碼的安裝?；趯?shí)驗(yàn)環(huán)境，本文選擇了基于Anaconda的GPU版Tensorflow安裝。在Ubuntu系統(tǒng)上，首先下載相應(yīng)的軟件版本，然后分別安裝nvidia顯卡驅(qū)動(dòng)、cuda、cudnn、anaconda和tensorflow，主要操作過程如下。

5? 實(shí)驗(yàn)案例

在實(shí)驗(yàn)開始之前，教師先向?qū)W生介紹基于TensorFlow環(huán)境和卷積前饋型人工神經(jīng)網(wǎng)絡(luò)的實(shí)驗(yàn)方案。 然后，在搭建的深度學(xué)習(xí)平臺(tái)上，利用卷積神經(jīng)網(wǎng)絡(luò)模型對手寫體數(shù)據(jù)進(jìn)行識別，如圖2所示。該實(shí)驗(yàn)簡單易于操作、效果直觀，讓學(xué)生更好地理解卷積神經(jīng)網(wǎng)絡(luò)及其應(yīng)用。該實(shí)驗(yàn)屬于驗(yàn)證性實(shí)驗(yàn)，主要目的在于引導(dǎo)學(xué)生入門，激發(fā)學(xué)生興趣，使得知識點(diǎn)更易于理解。

6? 結(jié)束語

本文通過提高 學(xué)生的學(xué)習(xí)興趣目的，綜合考慮模式識別的課程特征和學(xué)生的知識儲(chǔ)備，將目前的先見的技術(shù)引入教學(xué)內(nèi)容，重構(gòu)教學(xué)大綱和授課計(jì)劃，注重學(xué)生動(dòng)手能力的培養(yǎng)，激發(fā)學(xué)生的創(chuàng)新潛力，積極培養(yǎng)學(xué)生的自主學(xué)習(xí)能力。通過實(shí)踐研究表明，本文的方法 在調(diào)動(dòng)學(xué)生的學(xué)習(xí)積極性方面是有效的。

參考文獻(xiàn)：

[1] 鐘義信. 智能科學(xué)技術(shù)導(dǎo)論[M]. 北京： 北京郵電大學(xué)出版社， 2007. （下轉(zhuǎn)第165頁）

（上接第162頁）

[2] 顧波. 《模式識別》本科教學(xué)方法淺談[J]. 中國科教創(chuàng)新導(dǎo)刊， 2010（4）：68-68.

[3] 戚玉濤. 模式識別教學(xué)實(shí)踐與課程改革[J]. 計(jì)算機(jī)教育， No.127（19）：28-30.

[4] 郭麗麗， 丁世飛. 深度學(xué)習(xí)研究進(jìn)展[J]. 計(jì)算機(jī)科學(xué)， 2015， 42（5）：28-33.

[5] Bengio Y ， Courville A ， Vincent P . Representation Learning： A Review and New Perspectives[J]. IEEE Transactions on Pattern Analysis & Machine Intelligence， 2012， 35（8）：1798-1828.

[6]. Schmidhuber， Jürgen. Deep learning in neural networks： An overview[J]. Neural Networks， 2015（61）：85-117.

[7]. 張慧， 王坤峰， 王飛躍. 深度學(xué)習(xí)在目標(biāo)視覺檢測中的應(yīng)用進(jìn)展與展望[J]. 自動(dòng)化學(xué)報(bào)， 2017（8）.

[8] 奚雪峰， 周國棟. 面向自然語言處理的深度學(xué)習(xí)研究[J]. 自動(dòng)化學(xué)報(bào)， 2016， 42（10）： 1445-1465.

[9] 奚雪峰， 周國棟. 面向自然語言處理的深度學(xué)習(xí)研究[J]. 自動(dòng)化學(xué)報(bào)， 2016， 42（10）： 1445-1465.

[10] Silver D ， Schrittwieser J ， Simonyan K ， et al. Mastering the game of Go without human knowledge[J]. Nature， 2017， 550（7676）：354-359.

[11] Lecun Y， Bengio Y， Hinton G. Deep learning[J]. Nature， 2015， 521（7553）：436.

【通聯(lián)編輯：王力】