以学生为中心的初中人工智能课程的教学研究

赵莹莹

【摘 要】本文将复杂的卷积神经网络内容化繁为简，将理论讲解部分设置为不同的师生互动环节，激发学生对人工智能的兴趣。在实践应用环节引导学生将人工智能技术应用于身边的生活，让课程更适合学生，增强学生的信息意识和社会责任感。

【关键词】卷积神经网络;人脸性别识别;人工智能;课程设计

【中图分类号】G434  【文献标识码】A

【论文编号】1671-7384（2022）01-057-03

教学案例背景

目前在初中开设人工智能课程存在诸多问题，其中最重要的是人工智能的核心算法对数学知识要求较高，如果在教学中过多地提到函数、矩阵、求导等概念，不但初中生理解不了，还会造成学业负担，挫伤学生的学习热情。如何把复杂的数学问题转化为初中学生可以理解的人工智能概念，成为教学最大的难题。

教学案例主题

《人工智能与生活》是北京市第五中学分校的校本课程，单元主题为基于卷积神经网络的人脸性别识别，以分类小助手为项目实践目标，单元课程分为四个课时。本文以大单元中的核心概念卷积神经网络为例，探讨把人工智能的基础概念和原理以通俗易懂的方式讲解，让学生掌握并能够应用到生活实践中。

案例描述

1.情境引入环节

这个环节我让学生根据记忆画出100元人民币的正面。学生画一分钟，老师20秒给答案，反复二次，最后邻座同学进行互评，每提取到一个重要特征加一分。学生开始的时候有点懵，毕竟在数字时代，很多学生都是刷码支付了，但是大多数学生能够基本提取出毛主席头像和100元数字单位这两个重要特征。后来我给学生展示20秒人民币的图片时，学生都抓紧记录关鍵特征。我看到有些学生把“中国人民银行”这六个字简单记录了位置并缩略写上了“中国”两个字，等我再次切走屏幕凭记忆画人民币的时候，学生已经能够画出大部分的特征。

这个课堂活动起到了承上启下的作用。学生对自己画的人民币做反复修改类似于之前课堂上学到的全连接网络里反向传播的过程，学生反复提取人民币上重要特征的过程类似于卷积神经网络中正向做卷积的过程，通过这个环节对后面卷积概念的讲解做出铺垫。

2.为什么要做卷积？

我首先让学生做一个计算题，使其感受全连接网络运算量的巨大，并说：“这是我拍的一张图片，我查了一下像素为3648*2736，如果要把它输入到全连接神经网络中，且隐藏层的第一层有1000个神经元，那么隐藏层的第一层会有多少个连接呢？3648*2736*1000=9980928000，这是一个彩色图片，数字还得乘以3，数量巨大，说明了机器在学习的过程中需要调整的参数量巨大，就会给训练带来问题，怎么解决呢？”以此让学生了解利用卷积的重要目的是为了降低训练的难度。

接着我引导学生从图片的特点入手。第一种方法是以熊猫的图像识别为例分析如何降低训练的难度：“一张图片的像素多，但是图片上的一些特征像素要比整张图片少得多，就像刚才画人民币时，也是提取到一些关键特征，而省略了一些次要信息。第二种方法，可以让图片变小，缩放的图片并不会影响你来判断他是一只熊猫，但是缩放后的图片像素变少，连接变少，参数就会变少，模型的训练就会相对容易了。”

卷积的过程利用了第一种方法，提取特征。因为图片上的一些特征像素要比整张图片少得多。池化的过程是利用对图片进行缩放不会改变图像中的物体。通过反复的卷积和池化再放进全连接神经网络后，这样训练的难度就降低很多。

3.计算体验—卷积的方法

卷积是卷积神经网络的精髓。首先我讲解什么是卷积：“这是一个5*5 像素的图片（图1），这是一个3*3的卷积核（表1），卷积核是什么呢？就像特征检测器，目的是探测图片里的一些小的特征。一个卷积神经网络模型里可以有很多卷积核，通过不同的卷积核去探测不同的图片特征。卷积核里面的数值是怎么来的呢？是通过机器学习，不断调整参数训练得来的。那么，卷积核怎么去探测特征呢？算法是什么呢？就是对应位置相乘再相加。”我引导学生一起算卷积核滑动到初始位置时卷积运算的结果。把滑动卷积核算出的第二个位置和第三个位置的结果填在卷积运算结果（表2）里。

4.直观体验—卷积的效果

引导学生打开卷积计算的可视化网站（如图2所示），体验原图像和卷积核相乘相加后得到的图像之间的关系，让学生更直观地看出提取特征的图片与原图片的区别，以理解卷积核提取特征的过程原理。

5.猜算法—最大池化

出示一张图片的原始像素值和最大池化运算后的值，引导学生猜一猜最大池化的算法是什么。学生们很快就找到了规律，积极举手说：“就是相邻四个像素取最大值”。这时我说：“最大池化可以比喻为一个小池子，把里面最大的值给拿出来。原来4*4的图像，变成了一个2*2的图像，起到了一个图像缩放的效果。”

到这个时候，卷积神经网络中的核心概念就讲清楚了，这时我出示一张卷积神经网络的概念图进行总结：“卷积神经网络是几轮的卷积和池化，它形成了一个新的图像，把这个新的图像输入到全连接的网络中去，这样训练的效率就能提高了。所以，整个过程就是一个正向卷积、反向传播的过程。”

6. 总结提升

我引导学生通过微课，自主学习利用IAI软件训练一个可以对人脸照片进行男女二分类的卷积神经网络模型，并测试训练效果。在实践环节测试模型训练的时候，有的学生发现识别结果有错误，我引导学生从训练数据角度理解错误的原因，体验人工智能技术中大数据的重要性。我强调：“咱们的数量和数据种类有限，而且照片经过了黑白处理，大小也进行了统一限制，所以咱们用这些数据训练出来的模型在识别照片的时候具有局限性。咱们课上训练的模型水平好比是小学一年级的学生，而旷视科技主页上模型的水平则是大学毕业生，大学生在某些方面要比小学生更见多识广一些，还有其他的原因吗？感兴趣的同学可以思考一下，从算法还有搭建网络的参数方面去考虑上面局限性的问题。”

案例反思

信息技术教师应保持对科技的敏感度。信息技术更新迭代快，相关教师应该走在科技的前沿，关注科技发展，建立终身学习理念。人工智能内容复杂且有难度，教师要积极参加各类培训，或在互联网上学习，要建立对人工智能整体概念的认知，并结合新课标要求，筛选适合学生学习的课程内容。

人工智能课程的内容可深可浅，课程内容应化繁为简成体系。教师应该充分考虑到学生的知识储备，做好学情调研。在课程实施过程中，在涉及到跨学科内容时，要在课堂上设置对应的教学环节。对于学生已经学会的内容，让学生尽量运用知识进行巩固;对于学生没有学过的较为复杂的数学概念，要转化为学生能理解和接受的概念和语言，让学生易于掌握。

学生对人工智能课程的实践要求高。在对学生的问卷调查中：“你对人工智能内容的期待是什么？”这个多选题，88%的学生选择的是人工智能的实践，而对于人工智能思维、理论与算法的期待之间的相比差异不大，均有50%左右学生选择，因此课堂应更多把时间还给学生，通过课堂实践活动推动理论和概念的理解。课程不宜设置长篇的理论内容，应将理论学习和实践操作穿插进行，增强学生的学习兴趣。

参考文献

蒋雨欣. 基于多特征深度学习的人脸性别识别[J]. 计算机工程与设计，2016，37（1）： 226-231.

邱阳. 基于卷积神经网络的人脸个体与性别识别研究[D]. 赣州：江西理工大学，2019.

艾心. 基于深度卷积神经网络的人脸识别研究[D]. 北京：北京邮电大学，2019.

石学超. 自然场景下基于卷积神经网络的人脸检测与人脸性别识别研究[D]. 天津：河北工业大学，2018.