人工智能卷積神經(jīng)網(wǎng)絡(luò)應(yīng)用的高職教學(xué)探討

沈宇杰 徽商職業(yè)學(xué)院電子信息系

一、人工智能的現(xiàn)狀

人工智能技術(shù)在計(jì)算機(jī)專業(yè)中已經(jīng)成為重要的朝陽技術(shù)。在幾大新興產(chǎn)業(yè)中，都離不開它的身影，例如云計(jì)算、大數(shù)據(jù)等等。目前，無論是新興產(chǎn)業(yè)還是傳統(tǒng)產(chǎn)業(yè)，人工智能已經(jīng)產(chǎn)生了爆發(fā)式的應(yīng)用。培養(yǎng)人才的各大高校都緊跟時(shí)代的步伐，開設(shè)了相關(guān)的研究課程。由于人工智能的特點(diǎn)，普通高校相對(duì)偏向理論算法。而更加強(qiáng)調(diào)技能的高職院校，在教學(xué)中存在著一定的挑戰(zhàn)。

二、選擇卷積神經(jīng)網(wǎng)絡(luò)應(yīng)用進(jìn)行教學(xué)的優(yōu)點(diǎn)

卷積神經(jīng)網(wǎng)絡(luò)是人工智能深度學(xué)習(xí)的代表算法之一，具有表征學(xué)習(xí)的能力，能夠按其階層結(jié)構(gòu)對(duì)輸入信息進(jìn)行平移不變分類，所以也叫“平移不變?nèi)斯ど窠?jīng)網(wǎng)絡(luò)。卷積神經(jīng)網(wǎng)絡(luò)在圖像識(shí)別中有很好的應(yīng)用，能比較直觀的驗(yàn)證效果，可以將此應(yīng)用技能作為高職學(xué)生學(xué)習(xí)人工智能的入口，作為這個(gè)方向的學(xué)習(xí)起步點(diǎn)。

三、教學(xué)定位與方案

1.教學(xué)定位

目前人工智能前沿研究比較熱門，優(yōu)秀的期刊論文以及研究成果都集中在算法的創(chuàng)新與改進(jìn)，各大高等院校也開設(shè)了相關(guān)課程，例如算法、數(shù)學(xué)等。但是相對(duì)于這些研究機(jī)構(gòu)，高職院校則更強(qiáng)調(diào)技能的培養(yǎng)，所以在教學(xué)定位時(shí)不能雷同于理論算法，要結(jié)合高職院校的特點(diǎn)，定位學(xué)生培養(yǎng)方向在人工智能的技術(shù)應(yīng)用層上。

2.教學(xué)方案

教學(xué)以卷積神經(jīng)網(wǎng)絡(luò)圖像識(shí)別應(yīng)用為技能點(diǎn)，采用“理論和實(shí)踐并進(jìn)，側(cè)重應(yīng)用”的方針。不在課程中涉及過多的理論研究，將基本理論作為輔助，以培養(yǎng)動(dòng)手能力為主要方向。

(1）理論知識(shí)

雖然理論教學(xué)只作為輔助，但是必要的理論知識(shí)還是必須的。卷積神經(jīng)網(wǎng)絡(luò)的基本理論課是高等數(shù)學(xué)中的微積分和少量的線性代數(shù)，用于介紹卷積的基本知識(shí)。另外，還要有重點(diǎn)的介紹卷積神經(jīng)網(wǎng)絡(luò)應(yīng)用于圖像識(shí)別時(shí)的基本原理和流程。例如卷積的基本公式如下：

(2）應(yīng)用技能

在應(yīng)用技能上，分為編程語言和訓(xùn)練框架兩個(gè)部分，對(duì)應(yīng)編程能力與應(yīng)用能力

①編程語言選用Python語言，該語言語法簡(jiǎn)單，屬于能跨平臺(tái)的解釋性語言，模塊眾多，可擴(kuò)展性強(qiáng)，非常適合人工智能學(xué)習(xí)中涉及多項(xiàng)工具的粘合使用。

②訓(xùn)練框架選擇已有的成熟框架來實(shí)現(xiàn)圖像識(shí)別的技能培養(yǎng)，使用主流的框架TensorFlow。TensorFlow是Google研發(fā)的深度學(xué)習(xí)框架，可視化功能強(qiáng)大，并且數(shù)據(jù)和模型的并行化比較好，運(yùn)行速度很快。網(wǎng)絡(luò)上的支持資料豐富，便于后期的授課支撐和學(xué)生自學(xué)。框架基本結(jié)構(gòu)如下（圖1）

圖1 基本結(jié)構(gòu)

四、教學(xué)實(shí)施：

有了教學(xué)定位和教學(xué)方案，在具體教學(xué)實(shí)施上，按照以下的步驟來執(zhí)行：

第一階段：基本的高等數(shù)學(xué)課程，重點(diǎn)在微積分的部分，用于理解卷積的基本原理。

第二階段：在理解卷積的基礎(chǔ)上，學(xué)習(xí)少量線性代數(shù)中的矩陣知識(shí)，用于理解卷積神經(jīng)網(wǎng)絡(luò)的基本工作流程，例如卷積核等。

第三階段：重點(diǎn)學(xué)習(xí)TensorFlow框架，能夠在框架中使用基本的卷積算法，達(dá)到觸類旁通，不僅可以掌握框架的使用方法，并能在今后的學(xué)習(xí)中，開展對(duì)算法的研究。

五、總結(jié)

人工智能中的卷積神經(jīng)網(wǎng)絡(luò)應(yīng)用，可以作為高職院校的課程開展方向，不僅可以讓學(xué)生掌握一項(xiàng)職業(yè)技能，更能讓學(xué)生在這個(gè)領(lǐng)域找到突破口，為后續(xù)進(jìn)一步學(xué)習(xí)人工智能打下了較好的基礎(chǔ)。