深度學習應用開發在線開放課程建設及教學實踐

吳明暉

（浙江大學城市學院 計算機科學與工程學系，浙江 杭州 310015）

0 引 言

深度學習技術引燃了新一輪人工智能熱潮，各行業都有著強烈的智能應用需求。2018 年我國首批38 個人工智能本科專業獲批，人工智能專業建設進入井噴期[1]。深度學習作為新一代人工智能技術體系重要組成部分，不僅是IT 相關專業有學習需求[2]，對于其他專業打造復合交叉的“人工智能+X”人才培養體系也具有重要意義[3]。

《深度學習應用開發—Tensor Flow 實踐》課程關注如何根據不同場景落地智能技術應用，基于最流行的機器學習框架TensorFlow，專注于新一代人工智能思維與應用開發能力的培養，注重實踐，是一門及時響應新工科人才培養需求的人工智能類應用開發課程。

1 TensorFlow簡介

TensorFlow 是Google 公司開發的一個開源深度學習框架[4]，其定位是“A machine learning platform for everyone to solve real problems”，即適用于每個人的用來解決實際問題的機器學習平臺。TensorFlow 近3 年一直占據各類深度學習框架受歡迎程度排行榜的榜首，是當前最受歡迎的深度學習框架。

2019 年10 月谷歌正式推出TensorFlow 2.0版本。TensorFlow 2.0 更注重使用的低門檻，默認采用Eager execution（動態圖機制）模式，無需事先定義計算圖，允許用戶像編寫普通Python 程序一樣去編寫、調試模型，可以直接執行操作并返回結果，這使TensorFlow 更易于學習和應用。

2 課程內容設計

有別于傳統人工智能課程，本課程不泛泛地講解各類人工智能技術或是干澀地講深層次理論和算法，也不是純粹介紹TensorFlow 的編程技能，而是面向大多數潛在的初學者特點（沒有系統的人工智能理論基礎、深厚的數學功底，甚至沒有學過Python 編程，但對人工智能感興趣，學過某種編程語言，希望能結合自己所長嘗試開發智能應用），選取典型的場景，精心設計了系列案例來引導整個學習過程，激發學習者的學習興趣和應用創新。

系列案例由淺入深，各有側重，兼具趣味性和系統性。主要案例包括房價預測、手寫數字識別、圖像識別、Deep Dream 夢幻圖像生成、貓狗大戰、泰坦尼克號旅客生存預測、電影評論情感分析、流行服飾圖像自動生成、鳶尾花識別網頁應用以及花卉識別App 開發等。通過這些案例從最簡單的單個神經元的線性回歸應用開始，歷經多元線性回歸、全連接神經網絡、卷積神經網絡CNN、深度神經網絡VGG、遷移學習、Keras高層接口、循環神經網絡RNN，直到生成對抗網 絡GAN、TensorFlow.js 和TensorFlow Lite 等高級話題。

課程以不同場景的系列案例項目來組織教學。每次課程均以一個精心設計的案例為主線，一方面介紹TensorFlow 編程的方法和技能，另一方面體現相關深度學習的思想和創新思維。通過對該案例的演示和迭代式開發過程分析，由淺入深，逐步引出需要掌握的知識點，并討論其中涉及的相關智能思維、誘導激發學生的創新。課程內容設計見表1。

表1 課程案例與教學內容

（續）表1

每講案例配套項目開發式作業，要求學生按“案例重現–模仿改進–創意創新”之路，邊做邊學，完成系列半開放選題開發項目。大作業則在學期中期開始，由教師指導、學生自主選題設計完成，體現課程知識的綜合應用。

3 MOOC課程建設

MOOC 課程受眾面廣，突破了傳統線下課堂人數的限制，一般會有相當高的學生—教師比例。基于課程的特點，本課程通過案例引導、項目驅動來激發學生的興趣，增強主動學習，強調“做中學”。因此在教學設計時就考慮到如何以在線開放課程的方式來承載本課程的教學理念，達到教學目標。

在教學過程中強調學生的主體性和個性化。課程提供了豐富的教學案例和視頻資源，讓學生能便利地通過互聯網進行個性化學習。每個教學視頻的時長一般控制在5～15 分鐘，適合學生利用碎片化時間靈活安排學習。為了讓學員能夠跟隨課程動手實踐，課程講解細致，從第一行代碼到項目最終完成，中間會增量迭代幾個版本，對常見問題的產生及解決方案都給出特別演示。課程經過持續建設，已經積累了豐富的教學資源，目前包括共時長1 350 分鐘的159 個教學視頻，以及案例、項目、課件、電子教材、學生優秀作品等。課程配套的教材電子版已發布在GitBook 平臺上。基于GitBook 平臺，可以支持多人合作的方式進行教材編寫，所有最新的內容和修正都可以隨時進行，可以保持教材總是反映最新的內容。學員可以通過MOOC 平臺、GitBook 平臺等多種方式方便地獲取學習資源，開展個性化學習。

為解決高生師比問題，改革教學活動和評價方式，設置線上討論版，鼓勵學生參與討論和互助；對于客觀題，使用自動化的線上判題系統進行評價，如隨堂測驗、考試等。基于本課程的教學設計，項目式作業是本課程的一個重要特點，所占的評價比重很大，而MOOC 課程的學生數量又很多，教師團隊難以逐一評閱，因此設計為學生互評模式進行評價。這就要求在設計項目式作業時，盡量給出詳細的評分指引，讓互評學生有據可依。為保證公正性，平均每份作業需要5人左右評價，每人需要評5 份作業才算完成互評任務。對作業互評設定獎懲措施，不評或者少評的將被扣分。

4 基于SPOC的翻轉課堂模式教學實施

本課程適合采用基于在線開放課程的教學資源進行翻轉課堂教學法來授課。課程上線后各院校可以基于本課程資源進行同步SPOC 或者異步SPOC 課程教學，也可供感興趣的學生純粹通過網絡進行自主學習。

在基于SPOC 的翻轉課堂教學模式下，強調學生的主體特性，教師更多地扮演導師和技術支持的角色，課程不再以教師講、學生聽的模式開展，學生可以自由安排時間通過課前網絡進行學習，在課堂上主要進行問題討論和思維擴展，讓學習更有針對性，真正促進因材施教。

4.1 課前學習活動的組織

首先教師提前發布學習項目及要求，提供MOOC 視頻、擴展資料、思考角度、搜索技巧等方面的幫助，組織學生在課前觀看相關的學習視頻及資料，鼓勵學生根據自己的興趣和能力選擇不同的學習材料及學習進度，激發學習主動性，實現個性化學習。

針對每個學習項目及視頻等材料，教師在討論區發布若干問題，由學生進行回答；學生也可在討論區發帖提問或者回答其他同學的問題。教師整理并記錄下較為普遍的問題，并準備在課內教學活動中進行引導回答。學生發帖及回復的次數與質量可作為教學評價的一部分依據。

建議學生以小組為單位（每組的人數大約在4 人左右），通過網絡平臺展開組內及組間的協作式學習。小組成員間就各自學習的心得及疑問進行交流互助，最后以PPT 或者報告的形式記錄學習結果。在此過程中，小組的學習疑問可以通過網絡平臺與教師或者其他小組交流。

4.2 課內教學活動的組織

課內教學活動主要是通過對學習成果的匯報展示；學生間提問答疑等協作交流；學生和教師對其的評價；教師的個別性指導4 個環節來完成。

首先需要組織學生對項目的學習成果進行匯報展示，分析學習過程中的困難和體會。其次，在匯報展示結束后，鼓勵其他學生對展示結果進行提問，由匯報人（小組）進行答疑或者協作學習。對展示結果有質疑的可在課內或者通過網絡平臺展開進一步討論和評價。然后，借由前面的成果匯報、協作答疑等環節，學生們對課前學習的知識進行了整理和內化吸收。最后，教師需要根據課前學習及課內活動展現出來的問題，針對不同層次學生進行個別指導；同時階段性的對碎片化的知識進行系統性梳理，從而激發學生的積極性和學習興趣，協助其對學習內容產生進一步的理解和提升。

4.3 課程考核方式的改革

針對基于MOOC 課程資源開設的SPOC 線下課程，學生考核和評價方法將結合線上和線下學習兩方面進行。

考核形式為課堂表現與網絡論壇參與程度（占10%）+每次課后項目式小作業（8 次，占40%，網上學生互評）+測驗（4 次，占20%，系統自動評分）+期末大作業（小組項目式作業，占30%，現場展示答辯，各小組互評分作為參考，老師評分）。

以期末大作業替代傳統題型的期末考試是本課程特點之一，突出實踐，強調創新性和挑戰度。其中線下期末大作業由學生分組完成，最多4 個人1 組。自由選題，完成一個深度學習應用的設計與開發，最終提交實驗報告、源代碼、演示視頻和答辯ppt，所有小組成員上臺進行演示和答辯。期末大作業根據以下3 方面進行綜合評分：①大作業設計與開發情況（占總評70%），根據以下5 方面評價：問題場景與創意、所選模型類型的適用性、模型性能、功能實現完備性、整體技術復雜度（各20%）；②實驗報告+演示（占總評分30%）；3）個人貢獻（根據小組成員貢獻適當調節）。

在大作業考核現場答辯環節中，引入學生組互評，當一個小組在臺上演示講解自己小組的作品時，其他小組會進行打分，這些分數供教師參考，最后評分由教師完成。每學期大作業的優秀作品，將作為案例充實到課程中的往年優秀作品展示環節。

5 課程實施與討論

5.1 課程實施基本情況

MOOC 課程自2018 年9 月在“網易云課堂”平臺上線，首輪即有超過3 600 人選課，目前已經完成2 輪完整開課，累積超過8 000 名學員參加了本課程的學習。2019 年9 月，本課程在“中國大學MOOC”平臺發布，開課一個月已經有超過8 000 名學員修讀，受到學生好評，例如，學員mooc69602545645918861 評價“這是我見過最好的深度學習教學視頻。原本覺得深度學習得涉及大量高等數學知識，畢業十幾年的我早已遺忘，覺得深度學習與我是無緣的。上了吳老師的課，覺得又讓我重新燃起了希望，現在甚至對高等數學也產生了興趣。”；學員wurs.2010評價“整體偏應用，但不缺理論的剖析講解，知識點由淺入深，層層遞進。后面附的電子版教材非常好，通俗易懂，非常適合入門。”；學員qingmanykt1462754146930 評價“講得很好，課程組織、課程內容、課程講解都很好”等。

持續開展線上線下混合式教學改革。本課程于2018 年9 月在浙江大學城市學院首次開設通識選修課，采用基于MOOC 的線上線下混合模式教學，受到學生熱烈歡迎。為滿足學生選修需求，每學期都開課，每期都超出教室最大容量需要抽簽決定入選名單。一般每次都有十幾個專業的學生入選，其中非計算機類的學生占50%左右。各專業學生普遍認為本課程充滿樂趣，即使部分缺乏系統編程基礎的學生也能快速掌握，并實現自己的智能創意，充滿成就感。

5.2 課程實施方案討論

本課程內容較為豐富，提供一站式解決方案，包括針對部分基礎欠缺學員的基礎性選修部分（Python 簡明基礎和線性代數矩陣運算基礎），以及面向進階學員的擴展選修部分（生成對抗網絡GAN、TensorFlow.js、TensorFlow Lite 移動應用開發等高級話題），形成可裁剪的新形態課程資源，可面向不同的學習者形成不同的教學和學習路徑，包括面向技能提升的社會學習者；計算機類學生的專業方向課程和專業選修課程；主要面向理工類大學生的通識選修課程；面向高職高專的TensorFlow 應用開發實務課程；面向中學信息技術教師的人工智能拓展培訓課程。

6 結 語

在新工科背景下，培養具有智能思維和基礎應用開發能力的“人工智能+”人才具有重要意義。本課程不以培養智能理論創新和算法改進的研究型人才為目標，而是面向對人工智能應用感興趣的大多數初學者，以典型場景應用落地為目標，強調實踐，以“案例引導、項目驅動”模式來組織課程內容和教學。經過幾輪線上課程和線上線下混合模式課程教學實施，取得了良好的成效。課程的建設是一個持續迭代完善的過程，今后還將根據技術的發展和學員的反饋做及時持續的迭代更新。