新工科背景下神經網絡與深度學習課程建設研究

張澤宇 艾西丁·艾克白爾 迪力夏提·多力昆 孟小艷 程曦

摘要：基于新工科建設要求，分析人工智能專業課程建設及本科生專業能力培養中存在的問題。提出結合案例的混合式教學模式，通過設計課程案例，借助人工智能教學實驗平臺，突出學生以案例實踐為主體的教學方式。以神經網絡與深度學習課程為例，從線上課程資源建設、實驗案例設計、教學實施、考核評價四個方面闡述課程建設主要內容。

關鍵詞：混合式教學；神經網絡；深度學習；實驗案例

中圖分類號：G642? ? ? 文獻標識碼：A

文章編號：1009-3044（2023）36-0131-03

開放科學（資源服務）標識碼（OSID）

0 引言

2010年前后，深度學習在各種任務中都取得了突破性的進展，這使得它迅速成為人工智能領域的研究焦點。在圖像分類、目標檢測、圖像生成、語義分割還是風格遷移等計算機視覺任務中，深度學習已成為主流方法[1]。深度學習模型，特別是卷積神經網絡（CNN），取得了前所未有的性能優勢。同時，深度學習在自然語言處理領域中也取得了廣泛的應用，如BERT、GPT和T5等Transformer-based模型。生成模型領域中，生成對抗網絡（GAN）和變分自編碼器（VAE）等生成模型在圖像生成、藝術創作和數據增強等領域都表現出強大的能力[2]。隨著深度學習的發展，專門針對深度學習計算的硬件如TPU和NVIDIA的各種GPU也得到了迅猛的發展。此外，開源深度學習框架TensorFlow、PyTorch及MXNet使得深度學習的開發和研究變得更加便捷。

神經網絡與深度學習課程是面向本科生的專業選修課程，課程采用混合式教學模式建設。課程以合理規劃與重構教學內容為切入點，突出教學內容設計的針對性與差異化特征，建設外延寬、內涵深、時效性強的完備課程資源知識體系，以期能夠有效激發學生學習興趣與探索精神。

1 一級標題

教學模式單一：傳統教學模式中，學生往往是被動的知識接受者，單一的教學模式會導致教學內容和方法變得重復和單調，降低學生的學習興趣和積極性[3]。教學過程中，書本和紙質教材是主要的學習資源，而人工智能技術日新月異，書本內容可能很快會過時，學生在教室或圖書館中閱讀教科書和參考書籍，缺乏相關前沿技術學習資源。

數學基礎薄弱：人工智能是一個高度技術化和數學化的領域，涉及許多數學知識，如線性代數、統計學、微積分等。然而，許多學生在選擇人工智能或相關領域時可能并不完全意識到其背后的數學要求，在之前的學習中沒有獲得足夠堅實的數學基礎，導致課程內容理解困難[4]。

側重理論知識講解，難以與實際工程接軌：“新工科”是教育界和工業界針對傳統工程教育的一種創新和補充，旨在更好地適應現代社會的發展需求和工業變革。教學模式過于重視理論知識的傳授，忽視實踐機會，造成缺乏應用所學知識的能力，而人工智能課程的學習往往需要通過實踐和實驗來加深理解。課程實驗案例設計對計算機硬件資源需求較高，個人計算機難以承載實驗項目所需算力，學生難以高效完成實驗案例[5]。傳統教學模式往往沒有針對學生的個體差異和學習風格進行個性化調整。教師往往采取一種統一的教學方法和節奏，忽視了學生的個體需求和潛在能力，缺乏實踐和實驗機會。

2 課程資源建設

2.1 課程簡介

神經網絡與深度學習課程面向新疆農業大學計算機與信息工程學院本科三年級學生開設，課程總學時為32學時，其中理論課16學時，實驗課16學時。該課程為計算機科學與技術專業、物聯網工程專業、電子科學技術專業、人工智能專業的專業選修課程。課程教學內容包括深度學習基本概念、算法、原理及相關技術，神經網絡的基本概念、網絡模型、數據集及主流框架，經典神經網絡模型等。

2.2 教學內容

神經網絡與深度學習課程旨在培養學生獨立建立、訓練和應用深度學習模型能力。課程涉及計算機視覺、自然語言處理，生成式模型的基本任務模型，并融合神經網絡相關的基礎數學概念。課程團隊經過深度調研，分析研究Coursera、Edx等平臺在線課程的內容設計、組織方法，研讀人工智能技術叢書，結合學院學生實際學情，規劃與重構教學內容，以培養應用型人才為目標，由易到難，層層深入。課程教學內容分為8個章節，課程教學內容如表1所示。

2.3 線上資源建設

線上資源為課程提供更加豐富和靈活的學習方式，線上課程平臺使用新農慕課網站，平臺功能包括：閱讀材料，課程資料、實驗指導書，相關研究論文[6]、定期發布作業題目、項目要求等，并提供提交通道，每章節內容對應20題客觀題目。平臺外部資源鏈接到人工智能教學實驗平臺，為課程提供GPU算力資源。學生完成一章學習內容后，可以查看自己的學習進度、實驗成績和小測驗結果。

2.4 實驗案例設計

1）課程項目式綜合實驗設計

項目式綜合實驗設計旨在通過實際項目來整合與應用所學的知識，提高學生實踐能力、團隊協作能力和創新能力。課程組教師設計7個相關實驗，具體內容如下。

①實驗一：全連接網絡模型實現波士頓房價預測。實驗內容包括深度學習框架Pytorch本地開發環境搭建，學習使用PyCharm集成開發環境，學習人工智能教學實驗平臺。使用Pytorch定義一個全連接神經網絡，使用均方差損失函數MSE，解決回歸問題，實現波士頓房價預測。

②實驗二：基于DenseNet的CIFAR10圖像分類。實驗內容包括使用Pytorch搭建DenseNet網絡模型進行圖像分類?；仡櫨矸e神經網絡基礎，包括卷積運算、池化運算、激活函數，損失函數等基礎知識。創建自定義的nn.Module的子類，學習密集模塊（Dense Block）、Transition模塊，Bottleneck模塊，根據課程內容創建DenseNet網絡模型，實現CIFAR10數據集圖像分類。

③實驗三：基于ShuffleNet的CIFAR100圖像分類。實驗內容包括使用Pytorch搭建ShuffleNet網絡模型進行圖像分類及網絡優化與正則化方法。在深度學習中，隨著模型復雜度的增加，模型可能在訓練集上表現得越來越好，但在測試集上的表現可能不佳。這種情況被稱為過擬合。為了避免過擬合并優化網絡性能，引入優化和正則化方法，對比不同優化器與歸一化方法，驗證對模型訓練的影響。學習分組卷積及通道重排技術，搭建ShuffleNet模型實現CIFAR100數據集圖像分類。

④實驗四：循環神經網絡RNN實現手寫數字識別。實驗內容包括使用Pytorch搭建循環神經網絡進行手寫數字識別。知識點包含：隨時間反向傳播算法實現，RNN長程依賴問題解決方法，循環單元、隱狀態和序列建模等概念，對比RNN與CNN的不同，使用RNN實現圖像數據手寫數字識別。

⑤實驗五：長短期記憶網絡LSTM、門控循環單元GRU模型實現Google股票價格預測。實驗內容包括使用Pytorch搭建LSTM、GRU模型，數據預處理，模型訓練，模型評估，模型預測股票價格，要求學生重點掌握門控機制和參數更新方式。

⑥實驗六：基于Transformer的機器翻譯。實驗內容包括使用Pytorch實現Transformer的組件，實現英文翻譯成中文功能。要求學生了解：自注意力機制 （Self-Attention） 、位置編碼 （Positional Encoding）、 多頭注意力 （Multi-head Attention） 、前饋網絡、規范化和殘差連接，Transformer中的編碼器與解碼器結構。

⑦實驗七：基于DCGAN的人臉圖像生成模型實現。實驗內容包括用Pytorch實現生成器與判別器，掌握對抗訓練過程，使用生成器生成新的數據并進行可視化。

2）課程項目式綜合實驗設計

將思想政治教育融入人工智能系列課程，確保學生在掌握這一前沿技術的同時，能夠具備深刻的倫理意識和社會責任感[7]。通過實驗案例分析技術與社會之間的相互影響，探討技術與社會的歷史關系，分析人工智能如何改變我們的生活、工作和娛樂。討論技術進步對社會的正面和負面影響，包括數據的獲取、使用和存儲背后的倫理問題。討論數據隱私、安全性和數據擁有權，提升國家安全保護意識。強調在技術項目中團隊合作的重要性，以及與非技術人員溝通的技巧，培養學生的人文關懷和社會責任感。融合思政教育的專業課程不僅可以培養學生的專業技能，還可以培養其全面的人文素養、社會責任感和批判性思維能力，為其成為新時代的優秀人才打下堅實基礎。

3 教學實施

混合式教學模式結合了傳統的面對面教學方法和線上教學方法[8]。學生課前登錄新農慕課平臺瀏覽本周學習內容，閱讀相關知識點和概念，通過觀看視頻、閱讀材料，對學習內容做初步預習工作，完成客觀題小測驗任務。線下理論課課程，教師對章節知識點進行講解，明確學生在課程結束后掌握的核心概念和技能。學生在課前通過視頻、文本和其他在線資源進行自主學習，理論課程由專業老師進行講解，實驗課用于學生討論、實踐和深入學習，完成章節的實驗任務。

人工智能（AI）課程的實踐部分對學生理解理論知識和獲得實踐技能至關重要[9]。將理論應用到實際問題中是理解AI的關鍵。為兼顧學生在數學基礎以及編程能力上的差異性，課程第一章為學生系統地介紹深度學習數學基礎以及深度學習框架Pytorch原理，為理解后續算法做好必要準備。完成理論課學習后，通過實驗加深理論理解，將理論應用于實際問題可以幫助學生更好地理解和記憶抽象的概念和算法。課程實驗可以使學生直觀地看到算法的工作方式和其對數據的影響。學生需要具備數據處理、編程、模型調優等實踐技能。在實驗中，學生可以嘗試新的方法、改進算法或設計自己的模型。學生在實驗中可能會遇到各種挑戰，例如數據問題、代碼錯誤或模型不收斂。解決這些問題的過程幫助學生培養問題解決的技巧和耐心。實驗允許學生對比不同的方法、評估模型的性能和理解其局限性，有助于培養學生的批判性思維和評估技能。

由于深度學習模型通常需要大量的計算資源，GPU算力平臺可以顯著加速模型的訓練時間，從而使學生能夠在更短的時間內看到結果，這對于激發學生的興趣和保持他們的注意力至關重要。課程實驗使用人工智能教學實驗平臺，為學生提供線上GPU算力資源，平臺滿足50名學生同時運行網絡訓練，平均分配顯存資源16GB，完全適配實驗項目及課程考核案例算力資源需求。所有學生都可以使用相同的性能資源，而不是依賴于他們個人的計算機硬件。學生能夠隨時隨地訪問和使用高性能計算資源，確保學生能獲得最佳的學習經驗。

4 考核評價

神經網絡與深度學習課程的考核評價綜合反映學生在理論知識、實際應用和創新能力上的表現。課程采用過程性考核，側重于學生學習過程中的持續性評估，而不僅僅是最終結果。成績由平時成績和課程設計成績兩部分組成，其中平時成績占比70%，包含周測驗成績21%和實驗成績49%，課程設計成績占30%。周測驗成績來自每周20題客觀題目，由新農慕課平臺自動判分。實驗成績由7章實驗構成，學生使用人工智能教學實驗平臺完成對應實驗，提交實驗代碼與結果至新農慕課平臺，由任課老師進行批改。課程設計三人一組，題目選自課程考核案例，要求學生撰寫課程設計報告，并以小組的形式答辯。

5 結語

新工科背景下，人工智能課程建設對于培養具有高水平的創新能力和實踐能力的工程技術人才具有重要的意義。本文以神經網絡與深度學習課程為例，對新工科背景下人工智能課程的建設進行了深入研究。首先對課程設置、教學內容、實驗案例設計，教學方法等進行了全面的梳理和優化。課程引入了項目導向學習和在線學習資源，以增強學生的學習體驗和學習效果。同時，根據學生的背景和需求對課程內容進行了合理的調整，強化了基礎理論知識和實踐應用技能的結合。其次，課程開展了系列實驗、項目案例，為學生提供了充分的實踐機會，激發了學生的創新意識和實踐能力。最后，對課程的效果進行了評估和總結。通過評估學生的成績、滿意度和實際創新成果。學生的學習積極性、學習效果和實踐能力都得到了很大的提升。人工智能課程建設是一個持續的過程，需要不斷地探索和實踐。后續會繼續關注人工智能領域的發展趨勢，進一步優化課程設置和教學方法，為培養更多的高水平人工智能工程技術人才做出更大的貢獻。

參考文獻：

[1] 付文博，孫濤，梁藉，等.深度學習原理及應用綜述[J].計算機科學，2018，45（S1）：11-15，40.

[2] 賴麗娜，米瑜，周龍龍，等.生成對抗網絡與文本圖像生成方法綜述[J].計算機工程與應用，2023，59（19）：21-39.

[3] 白雙，梁晨.“深度學習算法與實現” 研究生課程的教學探索與實踐[J].工業和信息化教育，2023（5）：21-25.

[4] 羅秀麗，陳平.產教融合背景下“神經網絡與深度學習” 課程教學改革[J].工業和信息化教育，2022（11）：17-21.

[5] 胡臻龍.基于飛槳AI Studio平臺的人工智能類課程線上線下融合式教學模式[J].計算機教育，2023（5）：130-134.

[6] 柯春艷，靳晟，馮向萍.新工科背景下物聯網工程課程建設研究——以Arduino應用開發課程為例[J].物聯網技術，2021，11（11）：124-127.

[7] 崔正賢，馬萬利.人工智能賦能課程思政改革研究[J].教育理論與實踐，2023，43（12）：33-36.

[8] 楊樂，施俊林，朱穎雯.MOOC環境下大數據專業混合式教學模式研究[J].江西廣播電視大學學報，2023，25（2）：29-34.

[9] 高岳，楊小康.前沿導向的人工智能課程內容重構——以上海交通大學“人工智能理論及應用” 課程為例[J].高等工程教育研究，2022（6）：52-55.

【通聯編輯：王 力】