任务驱动型渐进式智能计算课程教学实践

赵彤洲，卢 涛，李晓林，曾祥进，李德华

（1.武汉工程大学 计算机科学与工程学院，湖北 武汉 430205；2.华中科技大学 人工智能与自动化学院，湖北 武汉 430074）

1 背 景

智能计算致力于研究如何借鉴生物智能行为模式并利用数值计算方法解决实际问题，现已成为诸多应用技术的理论基石，在计算机视觉、自然语言处理等应用领域发挥了重要作用[1]。智能计算源于通用计算，逐步融入了数学、生物学、社会学、计算机科学等知识，是对通用计算的延续与升华。同时，伴随着人工智能的快速发展，其计算形态也朝着生物智能的纵深演化。智能计算内容的复杂性导致教师和学生在教学过程中都面临一定困难。一方面，智能计算课程以启发式算法理论为主，要求学生有较强的数理基础和计算机应用技能；另一方面，由于人工智能发展迅猛，传统智能计算类教材在基础理论及应用实例上，有部分内容无法跟上快速发展的节奏，尤其是深度学习的快速发展，更是加剧这一现象[2]。智能计算课程的教学，既要继承传统启发式算法的讲授，又要兼顾人工智能最新发展趋势，教学内容多，学时有限，同时教材更新频度低，且有大量的数学理论。综合这些因素，无论是学生学习还是教师授课都存在一定困难。因此，围绕智能计算课程，对教学内容、教学模式、教学方法进行探索，分析教学基础理论和科研素养培养方法和途径，构建多元化教学方法，培养学生利用智能算法思想解决实际问题的能力，是提高教学质量的重要手段[3]。

2 教学内容因时而变

“智能计算”课程作为人工智能算法类入门基础课程，致力于培养学生具备基本智能算法思想并初步掌握人工智能基本技术，使学生具备应用智能算法思想解决科学和工程实际问题进而提供各类技术服务的能力[4]。近年社会对人工智能人才及技术需求不断提升，高校的智能计算课程教学就必须适时调整、与时俱进，才能提高人才培养质量，满足不断提升的社会需求。武汉工程大学从2006 年以来，本课程的教学内容及实践内容就不断调整，详情见表1。

从表1 中可见，在人工智能从稳步发展阶段到蓬勃发展的十余年间，人工智能从2010 年开始，从稳步发展进入蓬勃发展阶段，此时智能计算授课内容增加了神经网络基础知识，2012 年以卷积神经网络为代表的深度学习在视频识别领域巨大成功后，智能计算课程增加了反向传播网络的典型结构，即BP 网络结构的基本原理，同时增加了相应的实践内容。2016 年3 月，李世石与AlphaGo 对战，代表着人工智能发展的里程碑事件，也意味着人工智能发展进入更高阶段，此时，本课程的教学内容进行了较大幅度调整，从以讲授启发式算法为主的经典智能计算算法，逐步过渡到以模式识别为目标的机器智能类算法。

表1 智能计算课程教学内容与人工智能发展状态的同步调整

3 任务驱动型渐进式教学模式

围绕“手写数字识别”这一主题，本课程在课堂授课、实践教学两方面，以实现手写数字识别任务为导向，在任务驱动下开展了渐进式教学模式探索。手写数字识别任务，就是让计算机能够比较准确地认识人类手写出来的阿拉伯数字0～9 共计10 个数字，该主题是模式识别领域非常经典的问题之一，有着重要的理论研究价值以及工业应用前景。选择该主题作为贯穿课堂教学的主线，主要基于如下两点考虑。

（1）可将数字图像处理、模式识别基础知识融会贯通，并建立初步的人工智能思想基础。本课程开在大学三年级上学期，先修课程有人工智能、数字图像处理，尽管人工智能已经在本课程之前开设，但我校的人工智能课程主要是讲授基于符号的人工智能，而启发式算法基础及机器学习内容，由后续的智能计算和机器学习课程来完成。基于符号的人工智能可完成知识表达及推理等任务，数字图像处理可完成数字图像的灰度变换、滤波等基本任务[5]。通过“手写数字识别”任务，可将图像处理中的预处理及灰度变换、人工智能中的知识表达综合运用，并赋予智能计算思想最终完成从图像到数字的识别任务。以此为契机，学生将前序课程融会贯通，可完成一个综合性较强的任务，对学生深刻理解课程体系，提升动手能力有重要作用。

（2）便于与工业应用场景结合，拓展应用领域，缩小课堂教学与社会需求之间的距离。选择手写数字识别这一主题，可以逐步拓展到手写字母、手写文字，逐步拓展应用广度和深度，甚至可以到人脸识别以及通用目标识别领域。在课堂授课过程中，将选择手写数字识别的目的明确告知学生，并围绕手写数字及其拓展领域的相关场景应用给学生展示，使学生对教学及实践目的有非常明确的认识，并对手写数字识别在工业应用场景中的作用有清晰的认知，可极大提高学生学习兴趣。当学生走向工作岗位时，可以缩短对应用场景的理解，尽快适应岗位需求。

围绕手写数字识别这一任务，采用渐进式教学方式，逐步拓展深化，过程如图1 所示。

主要授课及实验内容1：首先从模板匹配开始，在此介绍了什么是模板，如何将手写数字经过标准化后与模板库中的训练样本比较过程。在这个阶段，学生要利用先修课程中的图像处理知识将手写数字切分并标准化，还要利用人工智能知识将标准化后的图像表达成数字序列，以便于接下来通过距离识别数字。该过程拓展了学生原来基于数字图像处理对“特征”概念的内涵及外延的理解。

主要授课及实验内容2：在建立了手写数字特征后，接下来将特征与统计学习理论中的最小风险贝叶斯分类方法相结合，学生能较好地理解基本原理，贝叶斯分类实验大多能轻松完成。该实验不仅让学生深刻理解了贝叶斯统计识别基本原理，更让学生对统计识别基本思想有了较深刻的体会。

图1 手写数字识别任务渐进式教学方法

主要授课及实验内容3：介绍PCA 主成分分析的主要目的是让学生理解降维的思想方法，是从另外一个角度对特征提取及识别基本原理再认识。通过该内容的学习，拓展了学生对“特征”的理解，从原来较为形象的模板特征拓展到抽象的向量特征。

主要授课及实验内容4：BP 神经网络主要介绍感知器、BP 网络拓扑结构、反向传播及梯度下降基本原理，目的是让学生对神经网络的作用、结构以及基本原理有初步了解，为后续深度学习奠定基础。通过该部分内容的学习，让学生对运用神经网络解决识别问题有一定的体会。在此过程中，将传统的智能计算内容，如遗传算法和蚁群算法应用到BP 网络参数优化求解过程中，让学生初步具备知识融合能力。

主要授课及实验内容5：交叉熵代价函数用于改进BP 网络学习速率缓慢的问题，该内容的引入是为了让学生了解深度学习的基础知识。主要目的是让学生对深度学习中常见的交叉熵代价函数、损失函数、过拟合和欠拟合等问题有初步了解，并能按照给出的案例进行简单实验。

综上所述，授课及实验的五个重点内容，全部以完成“手写数字识别”任务为目标，通过不同方法完成识别任务，让学生对“特征”有了更加深刻的认识，理解并初步掌握了典型特征提取方法和识别方法。上述每个内容安排一个实验，实验采取逐个检查方式，让学生讲解算法思路和代码，严格把控实验质量。

4 面向应用场景的课程项目

当经过上述5 个实验项目后，学生已经初步具备解决识别类问题的能力。为巩固并深化教学效果，本课程期末安排了人脸识别大作业，学生以3～4 人为一组共同协作完成识别任务，最终以论文报告和小组答辩形式实施考核。人脸识别任务是典型的面向应用场景需求的课程项目，该课题与应用场景紧密结合，极大地激发了学生学习兴趣，且人脸识别技术发展日臻成熟，参考资源丰富，有利于学生通过查阅资料采用各类方法实现。本课程通过前期实验已经积累一定基础，学生对完成任务既有浓厚兴趣，又充满信心。人脸识别领域有多个专门数据集以及国际通用评测标准，学生完成后可以上传代码测试自己算法的性能优劣。通过该大作业，让学生在前期实验基础上，面向实际应用场景，完成具有一定挑战性的任务，不但提高学生的学习兴趣和技能，更重要的是缩短了学校教学与工业应用之间的距离，使得学生今后深入开展深度学习研究和应用智能算法解决实际问题奠定一定基础。

5 结 语

我校的智能计算课程在教学及实践内容上的不断变化，目的就是为培养符合时代发展的、满足社会需求的人工智能人才。我校智能科学与技术专业从2006 年招收本科生开始，智能计算一直是本专业课程体系中的关键支撑性课程，且在人工智能发展强劲趋势下越来越突出。2015 年我校智能专业获批湖北省“战略性新兴（支柱）产业人才培养计划”，成为我校重点培育本科专业，在此背景下，智能计算课程教学应在提高人才培养质量上发挥更大作用。

通过任务驱动的渐进式教学，学生受益匪浅。本课程实践内容得到学生们的普遍欢迎，也成为他们写在简历里的重要实践经历。由于本专业学生对智能计算基础理论掌握较好，且有一定的实践经验，受到用人单位的欢迎，现有用人单位已经提出预定学生的需求。

尽管智能计算课程采用的教学模式让学生有较高满意度，但是，在教学过程中因为受到学时少、学生数理基础薄弱、教材更新赶不上技术发展速度等因素制约，在教学过程中对理论阐述不够深入透彻，实验学时不够，为完成上述教学任务需要教师额外增加辅导学时，诸如此类问题都是下一步教学改革需要思考的方向。