基于Docker 的人工智能實驗教學平臺研究與設計

周瑋，辛政華，楊小瑩，李閃閃

（宿州學院 信息工程學院，安徽宿州 234000）

隨著人工智能技術的發展，人工智能技術在圖像、語音、監控等各個領域都有重要的應用[1]。“AI+”[2]已成為當今主流的應用場景，因此亟需在高校計算機專業中開設人工智能實驗課程。然而人工智能交叉了物聯網、大數據和概率論等多學科知識，存在專業實驗課程分散，實驗項目之間各自獨立，沒有一體化的實驗平臺等問題。學生動手實踐較少、教學方法陳舊、教師演示簡單導致教學效果差，考核方法不科學[3]。實驗在教學中更多注重算法編程，沒有很好地融合實際項目需求，課程實驗內容落后于行業應用，很難調動學生學習積極性[4]。因此，亟需設計適應需求的人工智能實驗教學平臺，提升實驗教學效果。

1 Docker 人工智能實驗教學平臺

1.1 Kubernetes+Docker 容器集平臺設計

人工智能實驗平臺整體設計基于Kubernetes+Docker 容器[5]集群技術，提供容器云平臺，支持分布式文件系統存儲，集成數據轉換組件[6]。提供網絡服務，存儲服務和彈性資源的擴展，為整個人工智能實驗室提供硬件資源支撐。采用Docker 和kubernetes 技術，實現硬件資源虛擬化管理和調度，系統集成Keras、TensorFlow、Caffe、PyTorch 等深度學習框架[7]供學生選擇使用。集成經典的分類，回歸，聚類，數據流分類，曲線分析，生存分析和人工智能[8]等算法供學生實驗操作，總體設計如圖1 所示。

圖1 人工智能一體化實驗平臺總體設計

1.2 人工智能實驗體系設計

人工智能實驗體系設計圖如2 所示。該體系基于工程教育認證思想，以成果為導向，包括：

（1）基本實驗配置：提供基礎設施標準，資源和設施支持。

（2）教學過程設計：教師提出問題，根據問題進行實驗過程的教學、學習和實驗建模。

（3）教學分析：根據實驗內容配置教學工具和模塊，根據學生實驗操作情況分析教學重點難點。

（4）評價設計：以產出(成果)為導向，包括實驗結果、操作能力、科研能力的反饋，形成學習成果的量化。

圖2 一體化平臺實驗體系設計

實驗環節包括課前理解復習、課前材料測驗、視頻講解、個人任務和小組活動。提供多屏調度、云桌面和多媒體教室等方式，實現創新式實驗教學。在面對面授課開始時，提供了課前視頻和在線測驗的回顧。使用測試來評估學生的課前理解能力，并根據學生的表現提供即時反饋。教師可以對課前沒有介紹過的內容做一個簡短的講解，其余實驗大部分時間可以用于個人實驗練習、項目實現以及小組協作。

課后活動包括測驗和練習。測試的結果分析可以幫助教師評估學生的學習并決定后續行動。比如教師識別難理解的概念并在下次上課時提供反饋。布置課后作業，作業的結果也提供給學生進行自我評估。實驗教學方案如圖3 所示。

圖3 實驗教學方案

2 實驗教學設計

2.1 實驗教學方案

人工智能課程體系設計基于新技術、新學科交叉融合，結合大數據、數據挖掘和物聯網等學科內容，提供實驗課程、理論課程實驗、實訓小學期、課程綜合設計等形式的項目實訓教學活動，結合翻轉課堂、對分課堂、綜合實訓、項目設計等教學場景創新教學模式。

上課前學生可以通過學生端訪問實驗教學平臺，閱讀教師提供的視頻資料、文本材料(如課堂筆記和閱讀材料)預習課程內容。教師可以要求學生參加在線測試，以監測他們對課前學習材料的掌握情況，促進學生課前預習實驗內容。

2.2 交互式教學模式

目前，高校教學資源受到場所、設施、網絡、數據等方面的制約，在傳統的計算機教學過程中，基本模式是“理論課”+“實驗課”，這兩個環節通常是在不同的地點和時間進行。在理論課上，教師主要使用PPT來講解教學內容。學生無法很好地理解課程的要點。

人工智能實驗教學平臺以學生為中心，采用交互式操作方式。將“理論課”與“實驗課”相結合，實現互動式教學。采用Docker容器技術構建交互式教學平臺，通過啟動Docker容器為每個學生提供獨立的實驗環境。

利用Docker 容器搭建虛擬平臺的后臺硬件環境，生成實驗鏡像庫。根據各專業學生的需求，構建鏡像生成應用鏡像庫。學生生成Docker 指令發送到實驗平臺，Docker 發送指令到相應的鏡像倉庫。服務器根據圖片生成相應的容器并返回給學生端，創建新的文檔并進行交互編程。用戶編寫的代碼逐步解釋執行，執行的結果會顯示在單元的底部。實驗操作結束后，對容器進行保存和打包，構建新的圖像上傳到圖庫中供后續使用。

3 實驗教學系統功能設計

3.1 項目創新融入實驗

人工智能實驗教學平臺以學生為中心，采用以項目為中心的實驗教學，如圖4 所示。實驗以項目實踐為核心評價要素，著重考核學生理論聯系實際的實踐操作能力。

圖4 項目貫穿實驗的教學模式

按照基礎編程、項目實戰和項目創新3 個層次要求考核學生掌握知識情況?；A編程主要通過實驗向學生展示工作原理和流程，以考查學生基本概念為主；項目實戰主要通過項目訓練學生操作應用，以考查學生應用實現為主；項目創新主要通過實驗揭示應用技術問題的產生、解決方法和實現過程，以考查學生設計水平。

根據實驗內容結合測試題、實驗操作步驟及實驗報告等環節設置多種評價方式，以適應不同實驗考核側重需要。

3.2 智能化設計

（1）整合經典算法。集成經典的人工智能算法供學生調用，學生可自己設置調試參數，觀察算法實現效果并在此基礎上改進。例如，在現有軟件中實現隨機森林算法用來解決分類或回歸任務。這些算法將實驗任務作為輸入，并可以自動讀取。運行任務執行分析結果，可選擇使用預先設置的超參數值，并包含所有預期輸出和對這些輸出的評估。目前平臺整合支持如分類，回歸，多標簽分類，聚類和生存分析等總共160 個算法模型。

（2）智能化數據管理。可以上傳自己的數據集或簡單地鏈接到現有的數據庫獲取。對于已知的數據格式，自動分析和注釋具有可度量特征的數據集，以支持詳細的搜索和進一步的分析。數據集可以反復更新或上傳，自動進行版本管理。

（3）模塊化操作。在遇到新的實驗時可以與當前的實驗進行比較，而不必重復操作已經完成的實驗步驟?？梢圆檎覕祿⑷蝿樟鞒毯拖惹暗慕Y果、設置和組織實驗以便進一步分析。

（4）在線合作共享構建實驗。學生可在線多人共享和組織數據、人工智能算法和實驗，與小組同學分享探討想法，并根據自己的想法、數據和仿真結果構建實驗。

3.3 智能化監控體系

質量分析應用層：提供多種類型的分析評價方法，結合實驗項目，可以實現智能評測、判斷學生實驗操作結果和操作步驟流程等功能。

質量監控服務層：教師可以批量下載所有小組的實訓報告，在線評分（小組成績或個人成績）和填寫評語，集成自動判題組件、在線編程組件、代碼質量檢測組件、文檔查重組件等模塊。

AI 支撐層：提供視覺理解、數字技術、視頻技術、NLP 和知識圖譜等多種支撐，從底層數據資源獲取知識庫數據、技術棧和業務數據集。

3.4 依托企業項目

結合企業實際項目，創新實驗分解設計，將實驗中涉及的知識點、技能點元子化拆分，每一個元子實驗作為一個環節，將知識點從基礎原理、特性到最終應用遞進設計，引導學生自主學習和實驗。結合企業需求從產品設計，技術研究，軟件開發和產品測試等過程模擬實際開發流程，使學生能夠結合多學科的交叉知識，參與到復雜工程項目。學生被劃分為多個實驗小組，共同參與實驗項目設計開發。實驗以企業項目為依托，采用專業級的大型任務，通過評估最終結果評價實驗過程。

大多數學生能在指定任務截止日期前完成，教師可以在設計過程中為學生提供理論和技術支持，給學生提供科學指引。將實際企業項目作為實驗內容有助于提升學生個人技能、團隊合作能力、領導能力和自主性等能力。

3.5 評價模式設計

在設計實驗評價時注重教學評價，傳統的教學評價往往考核方式單一，實驗也多采用提交實驗報告，課堂評分等方式作為對學生能力的評判。然而傳統的評價模式不適應工科實驗側重實際操作的需求，不能評價學生實際的動手能力。因此，需要在實驗環節中評價學生的操作，在工程項目中引入實際企業項目周期的設計理念，從需求分析、項目的總體設計、代碼的編寫和測試、系統上線和文檔的撰寫交付等各環節進行評價，通過引入需求分析、項目文檔等環節的評價考核學生交流、溝通和協同合作等重要能力；通過對項目的總體結構設計和模塊設計評價學生決策、解決問題和領導的能力；通過對項目的功能和實現的算法和方法設計評價學生編程能力、查閱分檔和自適應學習的能力。在實驗教學評價中從輸出中獲得的反饋可以用來提高實驗教學質量。

4 結語

基于Docker 的人工智能實驗教學平臺旨在實現人工智能實驗教學科研一體化，培養人工智能專業人才。該平臺集成已有的人工智能經典算法，提供數據集，方便學生進行實驗和改進，在采用人工智能實訓平臺和傳統實驗進行的對比研究中發現，使用人工智能平臺可以提高學生的實驗成績，并且參與的學生在后續的實習實訓中有更好的表現。