人工智能卷積神經網絡應用的高職教學探討

沈宇杰 徽商職業學院電子信息系

一、人工智能的現狀

人工智能技術在計算機專業中已經成為重要的朝陽技術。在幾大新興產業中，都離不開它的身影，例如云計算、大數據等等。目前，無論是新興產業還是傳統產業，人工智能已經產生了爆發式的應用。培養人才的各大高校都緊跟時代的步伐，開設了相關的研究課程。由于人工智能的特點，普通高校相對偏向理論算法。而更加強調技能的高職院校，在教學中存在著一定的挑戰。

二、選擇卷積神經網絡應用進行教學的優點

卷積神經網絡是人工智能深度學習的代表算法之一，具有表征學習的能力，能夠按其階層結構對輸入信息進行平移不變分類，所以也叫“平移不變人工神經網絡。卷積神經網絡在圖像識別中有很好的應用，能比較直觀的驗證效果，可以將此應用技能作為高職學生學習人工智能的入口，作為這個方向的學習起步點。

三、教學定位與方案

1.教學定位

目前人工智能前沿研究比較熱門，優秀的期刊論文以及研究成果都集中在算法的創新與改進，各大高等院校也開設了相關課程，例如算法、數學等。但是相對于這些研究機構，高職院校則更強調技能的培養，所以在教學定位時不能雷同于理論算法，要結合高職院校的特點，定位學生培養方向在人工智能的技術應用層上。

2.教學方案

教學以卷積神經網絡圖像識別應用為技能點，采用“理論和實踐并進，側重應用”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，以培養動手能力為主要方向。

(1）理論知識

雖然理論教學只作為輔助，但是必要的理論知識還是必須的。卷積神經網絡的基本理論課是高等數學中的微積分和少量的線性代數，用于介紹卷積的基本知識。另外，還要有重點的介紹卷積神經網絡應用于圖像識別時的基本原理和流程。例如卷積的基本公式如下：

(2）應用技能

在應用技能上，分為編程語言和訓練框架兩個部分，對應編程能力與應用能力

①編程語言選用Python語言，該語言語法簡單，屬于能跨平臺的解釋性語言，模塊眾多，可擴展性強，非常適合人工智能學習中涉及多項工具的粘合使用。

②訓練框架選擇已有的成熟框架來實現圖像識別的技能培養，使用主流的框架TensorFlow。TensorFlow是Google研發的深度學習框架，可視化功能強大，并且數據和模型的并行化比較好，運行速度很快。網絡上的支持資料豐富，便于后期的授課支撐和學生自學。框架基本結構如下（圖1）

圖1 基本結構

四、教學實施：

有了教學定位和教學方案，在具體教學實施上，按照以下的步驟來執行：

第一階段：基本的高等數學課程，重點在微積分的部分，用于理解卷積的基本原理。

第二階段：在理解卷積的基礎上，學習少量線性代數中的矩陣知識，用于理解卷積神經網絡的基本工作流程，例如卷積核等。

第三階段：重點學習TensorFlow框架，能夠在框架中使用基本的卷積算法，達到觸類旁通，不僅可以掌握框架的使用方法，并能在今后的學習中，開展對算法的研究。

五、總結

人工智能中的卷積神經網絡應用，可以作為高職院校的課程開展方向，不僅可以讓學生掌握一項職業技能，更能讓學生在這個領域找到突破口，為后續進一步學習人工智能打下了較好的基礎。