設(shè)計(jì)在瀏覽器前端運(yùn)行的人工智能實(shí)驗(yàn)

可以預(yù)見(jiàn)，隨著多個(gè)人工智能實(shí)驗(yàn)平臺(tái)在中小學(xué)人工智能通識(shí)課程中應(yīng)用，中小學(xué)人工智能教育將不再局限于“少數(shù)學(xué)校的選修課”，而是成為真正的普惠性通識(shí)課程。當(dāng)越來(lái)越多的學(xué)生在瀏覽器中親手構(gòu)建人工智能模型、見(jiàn)證」算法解決實(shí)際問(wèn)題時(shí)，他們收獲的不僅是技術(shù)認(rèn)知，更是面向未來(lái)的問(wèn)題解決與創(chuàng)新能力。

中圖分類(lèi)號(hào)：G434文獻(xiàn)標(biāo)識(shí)碼：A論文編號(hào)：1674-2117（2025）09-0009-04

引言

隨著人工智能技術(shù)的迅猛發(fā)展和廣泛應(yīng)用，人工智能教育已成為全球教育發(fā)展的重要趨勢(shì)。為了適應(yīng)未來(lái)社會(huì)的發(fā)展需求，培養(yǎng)具備人工智能素養(yǎng)的創(chuàng)新型人才，必須加強(qiáng)中小學(xué)人工智能通識(shí)教育。然而，在中小學(xué)開(kāi)展人工智能通識(shí)課程面臨諸多困境：一方面，人工智能技術(shù)本身具有較高的專(zhuān)業(yè)門(mén)檻，涉及復(fù)雜的數(shù)學(xué)原理和編程技能，對(duì)中小學(xué)生而言難以理解和掌握，這便導(dǎo)致教學(xué)中原理講解淺嘗輒止、實(shí)踐操作困難重重；另一方面，人工智能實(shí)驗(yàn)需要搭建專(zhuān)用的實(shí)驗(yàn)環(huán)境，如安裝Python，配置TensorFlow、PyTorch，解決庫(kù)依賴(lài)沖突等，這些步驟不僅讓很多教師望而卻步，更是中小學(xué)生學(xué)習(xí)人工智能的“攔路虎”。

簡(jiǎn)而言之，如何降低人工智能學(xué)習(xí)門(mén)檻，脫離對(duì)專(zhuān)用實(shí)驗(yàn)環(huán)境的依賴(lài)，成為當(dāng)前中小學(xué)人工智能通識(shí)課程亟待解決的關(guān)鍵問(wèn)題。而AIRay的出現(xiàn)，為解決這一問(wèn)題提供了可能。

AIRay簡(jiǎn)介

AIRay是一個(gè)專(zhuān)為青少年及初學(xué)者設(shè)計(jì)的在瀏覽器前端運(yùn)行的人工智能實(shí)驗(yàn)平臺(tái)，學(xué)生僅需打開(kāi)瀏覽器即可完成從模型搭建到訓(xùn)練評(píng)估的全流程實(shí)驗(yàn)，無(wú)需安裝任何軟件或配置編程環(huán)境。AIRay的核心優(yōu)勢(shì)如下：

（1）無(wú)需專(zhuān)用環(huán)境。傳統(tǒng)的人工智能學(xué)習(xí)往往需要配置專(zhuān)門(mén)的硬件設(shè)備和軟件環(huán)境，如高性能顯卡、特定的編程語(yǔ)言環(huán)境等，這對(duì)中小學(xué)來(lái)說(shuō)成本高、難度大。而AIRay只需打開(kāi)瀏覽器，學(xué)生就能隨時(shí)隨地開(kāi)展人工智能實(shí)驗(yàn)，不受環(huán)境限制，為中小學(xué)人工智能通識(shí)課程提供了極大的便利。

（2）拖拽式工作流。AIRay將人工智能模型構(gòu)建分解為可視化模塊，如卷積層、池化層、全連接層等，學(xué)生僅需用鼠標(biāo)拖拽相應(yīng)的模塊并進(jìn)行連線，即可完成模型搭建。而且平臺(tái)內(nèi)置智能連接機(jī)制，自動(dòng)檢測(cè)模塊兼容性，避免邏輯錯(cuò)誤。

（3）多層次可視化。AIRay提供了訓(xùn)練過(guò)程可視化功能。通過(guò)實(shí)時(shí)繪制訓(xùn)練過(guò)程中的損失曲線、準(zhǔn)確率曲線以及其他評(píng)估指標(biāo)，讓學(xué)生可以在實(shí)驗(yàn)過(guò)程中一眼看出模型的學(xué)習(xí)進(jìn)度與效果。當(dāng)模型出現(xiàn)過(guò)擬合或欠擬合時(shí)，及時(shí)的可視化反饋有助于學(xué)生快速定位問(wèn)題。

（4）全流程教學(xué)與實(shí)驗(yàn)支撐。AIRay為學(xué)生提供了從導(dǎo)入數(shù)據(jù)、清洗數(shù)據(jù)、切分訓(xùn)練集與測(cè)試集、搭建模型、訓(xùn)練模型到模型評(píng)估全流程的功能接口。學(xué)生可以在一步步搭建工作流的過(guò)程中，真實(shí)地模擬人工智能項(xiàng)目流程。此外，學(xué)生可在可視化界面中調(diào)整超參數(shù)設(shè)置（如批次大小、訓(xùn)練輪次等），再快速啟動(dòng)新一輪訓(xùn)練與驗(yàn)證，深化對(duì)模型調(diào)優(yōu)的重要性的認(rèn)識(shí)。

人工智能實(shí)驗(yàn)：全連接神經(jīng)網(wǎng)絡(luò)訓(xùn)練鳶尾花分類(lèi)模型

1.實(shí)驗(yàn)活動(dòng)描述

鳶尾屬植物有三個(gè)品種，分別是山鳶尾（setosa）、變色鳶尾（versicolor）、維吉尼亞鳶尾（virginica）。這些種類(lèi)之間差別不大，但是不同種類(lèi)在花瓣和花萼的形狀上有所區(qū)別。因此，此實(shí)驗(yàn)活動(dòng)將搭建一個(gè)全連接神經(jīng)網(wǎng)絡(luò)來(lái)訓(xùn)練鳶尾花分類(lèi)模型。

2.數(shù)據(jù)準(zhǔn)備

將鳶尾花數(shù)據(jù)集提前存于

AIRay平臺(tái)，可通過(guò)“數(shù)據(jù)集”標(biāo)題欄找到，其中包括150條不同鳶尾花的數(shù)據(jù)（如圖1）。

單擊鳶尾花數(shù)據(jù)集，便可看到“數(shù)據(jù)集預(yù)覽”，其包含五列數(shù)據(jù)

（如圖2），前四列為鳶尾花的特征，分別為花萼長(zhǎng)度、花萼寬度、花瓣長(zhǎng)度、花瓣寬度，最后一列為分類(lèi)類(lèi)別，一共有三類(lèi)，分別為山鳶尾（setosa）、變色鳶尾（versicolor）和維吉尼亞鳶尾（virginica）。

3.搭建全連接神經(jīng)網(wǎng)絡(luò)

單擊上頁(yè)圖2中的“使用AIRay對(duì)該數(shù)據(jù)集實(shí)驗(yàn)”，便可進(jìn)入如上頁(yè)圖3所示的界面。因?yàn)轼S尾花有4個(gè)特征數(shù)據(jù)，且有3類(lèi)，因此默認(rèn)輸入為4個(gè)特征，輸出為3類(lèi)。

開(kāi)神經(jīng)網(wǎng)絡(luò)畫(huà)板，如圖4所示?？梢钥吹剑窠?jīng)網(wǎng)絡(luò)畫(huà)板有很多的模塊，圖4展示的僅是“基本”畫(huà)板中的模塊，“二維”畫(huà)板中還有卷積層、池化層等模塊。大家可自行展開(kāi)查看。

筆者以搭建三層全連接神經(jīng)網(wǎng)絡(luò)為例，輸入層的輸入維度為鳶尾花數(shù)據(jù)集特征數(shù)量4，輸出層的輸出維度為鳶尾花的分類(lèi)數(shù)量3。因?yàn)槟J(rèn)的那個(gè)輸出只是一個(gè)分類(lèi)標(biāo)簽，因此需要用鼠標(biāo)再拖動(dòng)2個(gè)“線性層”至輸入層與分類(lèi)標(biāo)簽之間，并將層與層之間通過(guò)鼠標(biāo)連接起來(lái)，如圖5所示。

每個(gè)線性層有“維度”和“激活函數(shù)”兩個(gè)參數(shù)，其中，維度指的是這個(gè)線性層的輸出維度，可人為設(shè)定，但第3層，即輸出層的輸出維度要與分類(lèi)數(shù)量保持一致，因此只能設(shè)為3。激活函數(shù)有多個(gè)可選，通常情況下，輸出層（第3層）的激活函數(shù)使用softmax，其他層的激活函數(shù)都可設(shè)置為relu。

4.訓(xùn)練模型

在搭建好神經(jīng)網(wǎng)絡(luò)工作流之后，可根據(jù)需要選擇優(yōu)化算法和損失函數(shù)，設(shè)定批次大小（當(dāng)訓(xùn)練集樣本非常多時(shí)，如果直接將這些數(shù)據(jù)輸入到神經(jīng)網(wǎng)絡(luò)會(huì)導(dǎo)致計(jì)算量非常大，容易因內(nèi)存不足導(dǎo)致內(nèi)核掛掉，因此，可通過(guò)批次大小，設(shè)定每次訓(xùn)練在訓(xùn)練集中取多少個(gè)樣本訓(xùn)練）和訓(xùn)練輪數(shù)，然后便可單擊右邊的“開(kāi)始訓(xùn)練”按鈕，進(jìn)行訓(xùn)練（如上頁(yè)圖6）。當(dāng)然，在訓(xùn)練的同時(shí)，還可以單擊“訓(xùn)練情況”按鈕，查看訓(xùn)練進(jìn)度、當(dāng)前訓(xùn)練損失及當(dāng)前準(zhǔn)確率情況等。

由可視化結(jié)果可知，搭建的3層全連接神經(jīng)網(wǎng)絡(luò)訓(xùn)練鳶尾花分類(lèi)模型，在訓(xùn)練100輪之后，最終驗(yàn)證準(zhǔn)確度為 9 4 . 4 % ，最終測(cè)試準(zhǔn)確度為"

5.模型推理

筆者已經(jīng)訓(xùn)練了一個(gè)鳶尾花分類(lèi)模型，接下來(lái)便可輸入一組新的數(shù)據(jù)，使用模型進(jìn)行推理。如上頁(yè)圖7所示，單擊“測(cè)試模型”按鈕，輸入4個(gè)特征值，然后點(diǎn)擊“測(cè)試”，便可看到預(yù)測(cè)結(jié)果，并且還能看到各類(lèi)別的置信度。

至此，筆者應(yīng)用AIRay平臺(tái)完成了訓(xùn)練鳶尾花分類(lèi)模型的人工智能實(shí)驗(yàn)，從搭建模型、訓(xùn)練模型到模型推理，全程無(wú)代碼，且所有操作均在瀏覽器頁(yè)面內(nèi)實(shí)現(xiàn)。

結(jié)語(yǔ)

可以預(yù)見(jiàn)，隨著多個(gè)人工智能實(shí)驗(yàn)平臺(tái)在中小學(xué)人工智能通識(shí)課程中應(yīng)用，中小學(xué)人工智能教育將不再局限于“少數(shù)學(xué)校的選修課”，而是成為真正的普惠性通識(shí)課程。當(dāng)越來(lái)越多的學(xué)生在瀏覽器中親手構(gòu)建人工智能模型、見(jiàn)證算法解決實(shí)際問(wèn)題時(shí)，他們收獲的不僅是技術(shù)認(rèn)知，更是面向未來(lái)的問(wèn)題解決與創(chuàng)新能力。