張澤宇 艾西丁·艾克白爾 迪力夏提·多力昆 孟小艷 程曦

摘要：基于新工科建設(shè)要求，分析人工智能專業(yè)課程建設(shè)及本科生專業(yè)能力培養(yǎng)中存在的問題。提出結(jié)合案例的混合式教學(xué)模式，通過設(shè)計課程案例，借助人工智能教學(xué)實驗平臺，突出學(xué)生以案例實踐為主體的教學(xué)方式。以神經(jīng)網(wǎng)絡(luò)與深度學(xué)習(xí)課程為例，從線上課程資源建設(shè)、實驗案例設(shè)計、教學(xué)實施、考核評價四個方面闡述課程建設(shè)主要內(nèi)容。

關(guān)鍵詞：混合式教學(xué)；神經(jīng)網(wǎng)絡(luò)；深度學(xué)習(xí)；實驗案例

中圖分類號：G642? ? ? 文獻(xiàn)標(biāo)識碼：A

文章編號：1009-3044（2023）36-0131-03

開放科學(xué)（資源服務(wù)）標(biāo)識碼（OSID）

0 引言

2010年前后，深度學(xué)習(xí)在各種任務(wù)中都取得了突破性的進(jìn)展，這使得它迅速成為人工智能領(lǐng)域的研究焦點。在圖像分類、目標(biāo)檢測、圖像生成、語義分割還是風(fēng)格遷移等計算機視覺任務(wù)中，深度學(xué)習(xí)已成為主流方法[1]。深度學(xué)習(xí)模型，特別是卷積神經(jīng)網(wǎng)絡(luò)（CNN），取得了前所未有的性能優(yōu)勢。同時，深度學(xué)習(xí)在自然語言處理領(lǐng)域中也取得了廣泛的應(yīng)用，如BERT、GPT和T5等Transformer-based模型。生成模型領(lǐng)域中，生成對抗網(wǎng)絡(luò)（GAN）和變分自編碼器（VAE）等生成模型在圖像生成、藝術(shù)創(chuàng)作和數(shù)據(jù)增強等領(lǐng)域都表現(xiàn)出強大的能力[2]。隨著深度學(xué)習(xí)的發(fā)展，專門針對深度學(xué)習(xí)計算的硬件如TPU和NVIDIA的各種GPU也得到了迅猛的發(fā)展。此外，開源深度學(xué)習(xí)框架TensorFlow、PyTorch及MXNet使得深度學(xué)習(xí)的開發(fā)和研究變得更加便捷。

神經(jīng)網(wǎng)絡(luò)與深度學(xué)習(xí)課程是面向本科生的專業(yè)選修課程，課程采用混合式教學(xué)模式建設(shè)。課程以合理規(guī)劃與重構(gòu)教學(xué)內(nèi)容為切入點，突出教學(xué)內(nèi)容設(shè)計的針對性與差異化特征，建設(shè)外延寬、內(nèi)涵深、時效性強的完備課程資源知識體系，以期能夠有效激發(fā)學(xué)生學(xué)習(xí)興趣與探索精神。

1 一級標(biāo)題

教學(xué)模式單一：傳統(tǒng)教學(xué)模式中，學(xué)生往往是被動的知識接受者，單一的教學(xué)模式會導(dǎo)致教學(xué)內(nèi)容和方法變得重復(fù)和單調(diào)，降低學(xué)生的學(xué)習(xí)興趣和積極性[3]。教學(xué)過程中，書本和紙質(zhì)教材是主要的學(xué)習(xí)資源，而人工智能技術(shù)日新月異，書本內(nèi)容可能很快會過時，學(xué)生在教室或圖書館中閱讀教科書和參考書籍，缺乏相關(guān)前沿技術(shù)學(xué)習(xí)資源。

數(shù)學(xué)基礎(chǔ)薄弱：人工智能是一個高度技術(shù)化和數(shù)學(xué)化的領(lǐng)域，涉及許多數(shù)學(xué)知識，如線性代數(shù)、統(tǒng)計學(xué)、微積分等。然而，許多學(xué)生在選擇人工智能或相關(guān)領(lǐng)域時可能并不完全意識到其背后的數(shù)學(xué)要求，在之前的學(xué)習(xí)中沒有獲得足夠堅實的數(shù)學(xué)基礎(chǔ)，導(dǎo)致課程內(nèi)容理解困難[4]。

側(cè)重理論知識講解，難以與實際工程接軌：“新工科”是教育界和工業(yè)界針對傳統(tǒng)工程教育的一種創(chuàng)新和補充，旨在更好地適應(yīng)現(xiàn)代社會的發(fā)展需求和工業(yè)變革。教學(xué)模式過于重視理論知識的傳授，忽視實踐機會，造成缺乏應(yīng)用所學(xué)知識的能力，而人工智能課程的學(xué)習(xí)往往需要通過實踐和實驗來加深理解。課程實驗案例設(shè)計對計算機硬件資源需求較高，個人計算機難以承載實驗項目所需算力，學(xué)生難以高效完成實驗案例[5]。傳統(tǒng)教學(xué)模式往往沒有針對學(xué)生的個體差異和學(xué)習(xí)風(fēng)格進(jìn)行個性化調(diào)整。教師往往采取一種統(tǒng)一的教學(xué)方法和節(jié)奏，忽視了學(xué)生的個體需求和潛在能力，缺乏實踐和實驗機會。

2 課程資源建設(shè)

2.1 課程簡介

神經(jīng)網(wǎng)絡(luò)與深度學(xué)習(xí)課程面向新疆農(nóng)業(yè)大學(xué)計算機與信息工程學(xué)院本科三年級學(xué)生開設(shè)，課程總學(xué)時為32學(xué)時，其中理論課16學(xué)時，實驗課16學(xué)時。該課程為計算機科學(xué)與技術(shù)專業(yè)、物聯(lián)網(wǎng)工程專業(yè)、電子科學(xué)技術(shù)專業(yè)、人工智能專業(yè)的專業(yè)選修課程。課程教學(xué)內(nèi)容包括深度學(xué)習(xí)基本概念、算法、原理及相關(guān)技術(shù)，神經(jīng)網(wǎng)絡(luò)的基本概念、網(wǎng)絡(luò)模型、數(shù)據(jù)集及主流框架，經(jīng)典神經(jīng)網(wǎng)絡(luò)模型等。

2.2 教學(xué)內(nèi)容

神經(jīng)網(wǎng)絡(luò)與深度學(xué)習(xí)課程旨在培養(yǎng)學(xué)生獨立建立、訓(xùn)練和應(yīng)用深度學(xué)習(xí)模型能力。課程涉及計算機視覺、自然語言處理，生成式模型的基本任務(wù)模型，并融合神經(jīng)網(wǎng)絡(luò)相關(guān)的基礎(chǔ)數(shù)學(xué)概念。課程團(tuán)隊經(jīng)過深度調(diào)研，分析研究Coursera、Edx等平臺在線課程的內(nèi)容設(shè)計、組織方法，研讀人工智能技術(shù)叢書，結(jié)合學(xué)院學(xué)生實際學(xué)情，規(guī)劃與重構(gòu)教學(xué)內(nèi)容，以培養(yǎng)應(yīng)用型人才為目標(biāo)，由易到難，層層深入。課程教學(xué)內(nèi)容分為8個章節(jié)，課程教學(xué)內(nèi)容如表1所示。

2.3 線上資源建設(shè)

線上資源為課程提供更加豐富和靈活的學(xué)習(xí)方式，線上課程平臺使用新農(nóng)慕課網(wǎng)站，平臺功能包括：閱讀材料，課程資料、實驗指導(dǎo)書，相關(guān)研究論文[6]、定期發(fā)布作業(yè)題目、項目要求等，并提供提交通道，每章節(jié)內(nèi)容對應(yīng)20題客觀題目。平臺外部資源鏈接到人工智能教學(xué)實驗平臺，為課程提供GPU算力資源。學(xué)生完成一章學(xué)習(xí)內(nèi)容后，可以查看自己的學(xué)習(xí)進(jìn)度、實驗成績和小測驗結(jié)果。

2.4 實驗案例設(shè)計

1）課程項目式綜合實驗設(shè)計

項目式綜合實驗設(shè)計旨在通過實際項目來整合與應(yīng)用所學(xué)的知識，提高學(xué)生實踐能力、團(tuán)隊協(xié)作能力和創(chuàng)新能力。課程組教師設(shè)計7個相關(guān)實驗，具體內(nèi)容如下。

①實驗一：全連接網(wǎng)絡(luò)模型實現(xiàn)波士頓房價預(yù)測。實驗內(nèi)容包括深度學(xué)習(xí)框架Pytorch本地開發(fā)環(huán)境搭建，學(xué)習(xí)使用PyCharm集成開發(fā)環(huán)境，學(xué)習(xí)人工智能教學(xué)實驗平臺。使用Pytorch定義一個全連接神經(jīng)網(wǎng)絡(luò)，使用均方差損失函數(shù)MSE，解決回歸問題，實現(xiàn)波士頓房價預(yù)測。

②實驗二：基于DenseNet的CIFAR10圖像分類。實驗內(nèi)容包括使用Pytorch搭建DenseNet網(wǎng)絡(luò)模型進(jìn)行圖像分類?；仡櫨矸e神經(jīng)網(wǎng)絡(luò)基礎(chǔ)，包括卷積運算、池化運算、激活函數(shù)，損失函數(shù)等基礎(chǔ)知識。創(chuàng)建自定義的nn.Module的子類，學(xué)習(xí)密集模塊（Dense Block）、Transition模塊，Bottleneck模塊，根據(jù)課程內(nèi)容創(chuàng)建DenseNet網(wǎng)絡(luò)模型，實現(xiàn)CIFAR10數(shù)據(jù)集圖像分類。

③實驗三：基于ShuffleNet的CIFAR100圖像分類。實驗內(nèi)容包括使用Pytorch搭建ShuffleNet網(wǎng)絡(luò)模型進(jìn)行圖像分類及網(wǎng)絡(luò)優(yōu)化與正則化方法。在深度學(xué)習(xí)中，隨著模型復(fù)雜度的增加，模型可能在訓(xùn)練集上表現(xiàn)得越來越好，但在測試集上的表現(xiàn)可能不佳。這種情況被稱為過擬合。為了避免過擬合并優(yōu)化網(wǎng)絡(luò)性能，引入優(yōu)化和正則化方法，對比不同優(yōu)化器與歸一化方法，驗證對模型訓(xùn)練的影響。學(xué)習(xí)分組卷積及通道重排技術(shù)，搭建ShuffleNet模型實現(xiàn)CIFAR100數(shù)據(jù)集圖像分類。

④實驗四：循環(huán)神經(jīng)網(wǎng)絡(luò)RNN實現(xiàn)手寫數(shù)字識別。實驗內(nèi)容包括使用Pytorch搭建循環(huán)神經(jīng)網(wǎng)絡(luò)進(jìn)行手寫數(shù)字識別。知識點包含：隨時間反向傳播算法實現(xiàn)，RNN長程依賴問題解決方法，循環(huán)單元、隱狀態(tài)和序列建模等概念，對比RNN與CNN的不同，使用RNN實現(xiàn)圖像數(shù)據(jù)手寫數(shù)字識別。

⑤實驗五：長短期記憶網(wǎng)絡(luò)LSTM、門控循環(huán)單元GRU模型實現(xiàn)Google股票價格預(yù)測。實驗內(nèi)容包括使用Pytorch搭建LSTM、GRU模型，數(shù)據(jù)預(yù)處理，模型訓(xùn)練，模型評估，模型預(yù)測股票價格，要求學(xué)生重點掌握門控機制和參數(shù)更新方式。

⑥實驗六：基于Transformer的機器翻譯。實驗內(nèi)容包括使用Pytorch實現(xiàn)Transformer的組件，實現(xiàn)英文翻譯成中文功能。要求學(xué)生了解：自注意力機制 （Self-Attention） 、位置編碼 （Positional Encoding）、 多頭注意力 （Multi-head Attention） 、前饋網(wǎng)絡(luò)、規(guī)范化和殘差連接，Transformer中的編碼器與解碼器結(jié)構(gòu)。

⑦實驗七：基于DCGAN的人臉圖像生成模型實現(xiàn)。實驗內(nèi)容包括用Pytorch實現(xiàn)生成器與判別器，掌握對抗訓(xùn)練過程，使用生成器生成新的數(shù)據(jù)并進(jìn)行可視化。

2）課程項目式綜合實驗設(shè)計

將思想政治教育融入人工智能系列課程，確保學(xué)生在掌握這一前沿技術(shù)的同時，能夠具備深刻的倫理意識和社會責(zé)任感[7]。通過實驗案例分析技術(shù)與社會之間的相互影響，探討技術(shù)與社會的歷史關(guān)系，分析人工智能如何改變我們的生活、工作和娛樂。討論技術(shù)進(jìn)步對社會的正面和負(fù)面影響，包括數(shù)據(jù)的獲取、使用和存儲背后的倫理問題。討論數(shù)據(jù)隱私、安全性和數(shù)據(jù)擁有權(quán)，提升國家安全保護(hù)意識。強調(diào)在技術(shù)項目中團(tuán)隊合作的重要性，以及與非技術(shù)人員溝通的技巧，培養(yǎng)學(xué)生的人文關(guān)懷和社會責(zé)任感。融合思政教育的專業(yè)課程不僅可以培養(yǎng)學(xué)生的專業(yè)技能，還可以培養(yǎng)其全面的人文素養(yǎng)、社會責(zé)任感和批判性思維能力，為其成為新時代的優(yōu)秀人才打下堅實基礎(chǔ)。

3 教學(xué)實施

混合式教學(xué)模式結(jié)合了傳統(tǒng)的面對面教學(xué)方法和線上教學(xué)方法[8]。學(xué)生課前登錄新農(nóng)慕課平臺瀏覽本周學(xué)習(xí)內(nèi)容，閱讀相關(guān)知識點和概念，通過觀看視頻、閱讀材料，對學(xué)習(xí)內(nèi)容做初步預(yù)習(xí)工作，完成客觀題小測驗任務(wù)。線下理論課課程，教師對章節(jié)知識點進(jìn)行講解，明確學(xué)生在課程結(jié)束后掌握的核心概念和技能。學(xué)生在課前通過視頻、文本和其他在線資源進(jìn)行自主學(xué)習(xí)，理論課程由專業(yè)老師進(jìn)行講解，實驗課用于學(xué)生討論、實踐和深入學(xué)習(xí)，完成章節(jié)的實驗任務(wù)。

人工智能（AI）課程的實踐部分對學(xué)生理解理論知識和獲得實踐技能至關(guān)重要[9]。將理論應(yīng)用到實際問題中是理解AI的關(guān)鍵。為兼顧學(xué)生在數(shù)學(xué)基礎(chǔ)以及編程能力上的差異性，課程第一章為學(xué)生系統(tǒng)地介紹深度學(xué)習(xí)數(shù)學(xué)基礎(chǔ)以及深度學(xué)習(xí)框架Pytorch原理，為理解后續(xù)算法做好必要準(zhǔn)備。完成理論課學(xué)習(xí)后，通過實驗加深理論理解，將理論應(yīng)用于實際問題可以幫助學(xué)生更好地理解和記憶抽象的概念和算法。課程實驗可以使學(xué)生直觀地看到算法的工作方式和其對數(shù)據(jù)的影響。學(xué)生需要具備數(shù)據(jù)處理、編程、模型調(diào)優(yōu)等實踐技能。在實驗中，學(xué)生可以嘗試新的方法、改進(jìn)算法或設(shè)計自己的模型。學(xué)生在實驗中可能會遇到各種挑戰(zhàn)，例如數(shù)據(jù)問題、代碼錯誤或模型不收斂。解決這些問題的過程幫助學(xué)生培養(yǎng)問題解決的技巧和耐心。實驗允許學(xué)生對比不同的方法、評估模型的性能和理解其局限性，有助于培養(yǎng)學(xué)生的批判性思維和評估技能。

由于深度學(xué)習(xí)模型通常需要大量的計算資源，GPU算力平臺可以顯著加速模型的訓(xùn)練時間，從而使學(xué)生能夠在更短的時間內(nèi)看到結(jié)果，這對于激發(fā)學(xué)生的興趣和保持他們的注意力至關(guān)重要。課程實驗使用人工智能教學(xué)實驗平臺，為學(xué)生提供線上GPU算力資源，平臺滿足50名學(xué)生同時運行網(wǎng)絡(luò)訓(xùn)練，平均分配顯存資源16GB，完全適配實驗項目及課程考核案例算力資源需求。所有學(xué)生都可以使用相同的性能資源，而不是依賴于他們個人的計算機硬件。學(xué)生能夠隨時隨地訪問和使用高性能計算資源，確保學(xué)生能獲得最佳的學(xué)習(xí)經(jīng)驗。

4 考核評價

神經(jīng)網(wǎng)絡(luò)與深度學(xué)習(xí)課程的考核評價綜合反映學(xué)生在理論知識、實際應(yīng)用和創(chuàng)新能力上的表現(xiàn)。課程采用過程性考核，側(cè)重于學(xué)生學(xué)習(xí)過程中的持續(xù)性評估，而不僅僅是最終結(jié)果。成績由平時成績和課程設(shè)計成績兩部分組成，其中平時成績占比70%，包含周測驗成績21%和實驗成績49%，課程設(shè)計成績占30%。周測驗成績來自每周20題客觀題目，由新農(nóng)慕課平臺自動判分。實驗成績由7章實驗構(gòu)成，學(xué)生使用人工智能教學(xué)實驗平臺完成對應(yīng)實驗，提交實驗代碼與結(jié)果至新農(nóng)慕課平臺，由任課老師進(jìn)行批改。課程設(shè)計三人一組，題目選自課程考核案例，要求學(xué)生撰寫課程設(shè)計報告，并以小組的形式答辯。

5 結(jié)語

新工科背景下，人工智能課程建設(shè)對于培養(yǎng)具有高水平的創(chuàng)新能力和實踐能力的工程技術(shù)人才具有重要的意義。本文以神經(jīng)網(wǎng)絡(luò)與深度學(xué)習(xí)課程為例，對新工科背景下人工智能課程的建設(shè)進(jìn)行了深入研究。首先對課程設(shè)置、教學(xué)內(nèi)容、實驗案例設(shè)計，教學(xué)方法等進(jìn)行了全面的梳理和優(yōu)化。課程引入了項目導(dǎo)向?qū)W習(xí)和在線學(xué)習(xí)資源，以增強學(xué)生的學(xué)習(xí)體驗和學(xué)習(xí)效果。同時，根據(jù)學(xué)生的背景和需求對課程內(nèi)容進(jìn)行了合理的調(diào)整，強化了基礎(chǔ)理論知識和實踐應(yīng)用技能的結(jié)合。其次，課程開展了系列實驗、項目案例，為學(xué)生提供了充分的實踐機會，激發(fā)了學(xué)生的創(chuàng)新意識和實踐能力。最后，對課程的效果進(jìn)行了評估和總結(jié)。通過評估學(xué)生的成績、滿意度和實際創(chuàng)新成果。學(xué)生的學(xué)習(xí)積極性、學(xué)習(xí)效果和實踐能力都得到了很大的提升。人工智能課程建設(shè)是一個持續(xù)的過程，需要不斷地探索和實踐。后續(xù)會繼續(xù)關(guān)注人工智能領(lǐng)域的發(fā)展趨勢，進(jìn)一步優(yōu)化課程設(shè)置和教學(xué)方法，為培養(yǎng)更多的高水平人工智能工程技術(shù)人才做出更大的貢獻(xiàn)。

參考文獻(xiàn)：

[1] 付文博，孫濤，梁藉，等.深度學(xué)習(xí)原理及應(yīng)用綜述[J].計算機科學(xué)，2018，45（S1）：11-15，40.

[2] 賴麗娜，米瑜，周龍龍，等.生成對抗網(wǎng)絡(luò)與文本圖像生成方法綜述[J].計算機工程與應(yīng)用，2023，59（19）：21-39.

[3] 白雙，梁晨.“深度學(xué)習(xí)算法與實現(xiàn)” 研究生課程的教學(xué)探索與實踐[J].工業(yè)和信息化教育，2023（5）：21-25.

[4] 羅秀麗，陳平.產(chǎn)教融合背景下“神經(jīng)網(wǎng)絡(luò)與深度學(xué)習(xí)” 課程教學(xué)改革[J].工業(yè)和信息化教育，2022（11）：17-21.

[5] 胡臻龍.基于飛槳AI Studio平臺的人工智能類課程線上線下融合式教學(xué)模式[J].計算機教育，2023（5）：130-134.

[6] 柯春艷，靳晟，馮向萍.新工科背景下物聯(lián)網(wǎng)工程課程建設(shè)研究——以Arduino應(yīng)用開發(fā)課程為例[J].物聯(lián)網(wǎng)技術(shù)，2021，11（11）：124-127.

[7] 崔正賢，馬萬利.人工智能賦能課程思政改革研究[J].教育理論與實踐，2023，43（12）：33-36.

[8] 楊樂，施俊林，朱穎雯.MOOC環(huán)境下大數(shù)據(jù)專業(yè)混合式教學(xué)模式研究[J].江西廣播電視大學(xué)學(xué)報，2023，25（2）：29-34.

[9] 高岳，楊小康.前沿導(dǎo)向的人工智能課程內(nèi)容重構(gòu)——以上海交通大學(xué)“人工智能理論及應(yīng)用” 課程為例[J].高等工程教育研究，2022（6）：52-55.

【通聯(lián)編輯：王 力】