基于Docker 的人工智能实验教学平台研究与设计

周玮，辛政华，杨小莹，李闪闪

（宿州学院 信息工程学院，安徽宿州 234000）

随着人工智能技术的发展，人工智能技术在图像、语音、监控等各个领域都有重要的应用[1]。“AI+”[2]已成为当今主流的应用场景，因此亟需在高校计算机专业中开设人工智能实验课程。然而人工智能交叉了物联网、大数据和概率论等多学科知识，存在专业实验课程分散，实验项目之间各自独立，没有一体化的实验平台等问题。学生动手实践较少、教学方法陈旧、教师演示简单导致教学效果差，考核方法不科学[3]。实验在教学中更多注重算法编程，没有很好地融合实际项目需求，课程实验内容落后于行业应用，很难调动学生学习积极性[4]。因此，亟需设计适应需求的人工智能实验教学平台，提升实验教学效果。

1 Docker 人工智能实验教学平台

1.1 Kubernetes+Docker 容器集平台设计

人工智能实验平台整体设计基于Kubernetes+Docker 容器[5]集群技术，提供容器云平台，支持分布式文件系统存储，集成数据转换组件[6]。提供网络服务，存储服务和弹性资源的扩展，为整个人工智能实验室提供硬件资源支撑。采用Docker 和kubernetes 技术，实现硬件资源虚拟化管理和调度，系统集成Keras、TensorFlow、Caffe、PyTorch 等深度学习框架[7]供学生选择使用。集成经典的分类，回归，聚类，数据流分类，曲线分析，生存分析和人工智能[8]等算法供学生实验操作，总体设计如图1 所示。

图1 人工智能一体化实验平台总体设计

1.2 人工智能实验体系设计

人工智能实验体系设计图如2 所示。该体系基于工程教育认证思想，以成果为导向，包括：

（1）基本实验配置：提供基础设施标准，资源和设施支持。

（2）教学过程设计：教师提出问题，根据问题进行实验过程的教学、学习和实验建模。

（3）教学分析：根据实验内容配置教学工具和模块，根据学生实验操作情况分析教学重点难点。

（4）评价设计：以产出(成果)为导向，包括实验结果、操作能力、科研能力的反馈，形成学习成果的量化。

图2 一体化平台实验体系设计

实验环节包括课前理解复习、课前材料测验、视频讲解、个人任务和小组活动。提供多屏调度、云桌面和多媒体教室等方式，实现创新式实验教学。在面对面授课开始时，提供了课前视频和在线测验的回顾。使用测试来评估学生的课前理解能力，并根据学生的表现提供即时反馈。教师可以对课前没有介绍过的内容做一个简短的讲解，其余实验大部分时间可以用于个人实验练习、项目实现以及小组协作。

课后活动包括测验和练习。测试的结果分析可以帮助教师评估学生的学习并决定后续行动。比如教师识别难理解的概念并在下次上课时提供反馈。布置课后作业，作业的结果也提供给学生进行自我评估。实验教学方案如图3 所示。

图3 实验教学方案

2 实验教学设计

2.1 实验教学方案

人工智能课程体系设计基于新技术、新学科交叉融合，结合大数据、数据挖掘和物联网等学科内容，提供实验课程、理论课程实验、实训小学期、课程综合设计等形式的项目实训教学活动，结合翻转课堂、对分课堂、综合实训、项目设计等教学场景创新教学模式。

上课前学生可以通过学生端访问实验教学平台，阅读教师提供的视频资料、文本材料(如课堂笔记和阅读材料)预习课程内容。教师可以要求学生参加在线测试，以监测他们对课前学习材料的掌握情况，促进学生课前预习实验内容。

2.2 交互式教学模式

目前，高校教学资源受到场所、设施、网络、数据等方面的制约，在传统的计算机教学过程中，基本模式是“理论课”+“实验课”，这两个环节通常是在不同的地点和时间进行。在理论课上，教师主要使用PPT来讲解教学内容。学生无法很好地理解课程的要点。

人工智能实验教学平台以学生为中心，采用交互式操作方式。将“理论课”与“实验课”相结合，实现互动式教学。采用Docker容器技术构建交互式教学平台，通过启动Docker容器为每个学生提供独立的实验环境。

利用Docker 容器搭建虚拟平台的后台硬件环境，生成实验镜像库。根据各专业学生的需求，构建镜像生成应用镜像库。学生生成Docker 指令发送到实验平台，Docker 发送指令到相应的镜像仓库。服务器根据图片生成相应的容器并返回给学生端，创建新的文档并进行交互编程。用户编写的代码逐步解释执行，执行的结果会显示在单元的底部。实验操作结束后，对容器进行保存和打包，构建新的图像上传到图库中供后续使用。

3 实验教学系统功能设计

3.1 项目创新融入实验

人工智能实验教学平台以学生为中心，采用以项目为中心的实验教学，如图4 所示。实验以项目实践为核心评价要素，着重考核学生理论联系实际的实践操作能力。

图4 项目贯穿实验的教学模式

按照基础编程、项目实战和项目创新3 个层次要求考核学生掌握知识情况。基础编程主要通过实验向学生展示工作原理和流程，以考查学生基本概念为主；项目实战主要通过项目训练学生操作应用，以考查学生应用实现为主；项目创新主要通过实验揭示应用技术问题的产生、解决方法和实现过程，以考查学生设计水平。

根据实验内容结合测试题、实验操作步骤及实验报告等环节设置多种评价方式，以适应不同实验考核侧重需要。

3.2 智能化设计

（1）整合经典算法。集成经典的人工智能算法供学生调用，学生可自己设置调试参数，观察算法实现效果并在此基础上改进。例如，在现有软件中实现随机森林算法用来解决分类或回归任务。这些算法将实验任务作为输入，并可以自动读取。运行任务执行分析结果，可选择使用预先设置的超参数值，并包含所有预期输出和对这些输出的评估。目前平台整合支持如分类，回归，多标签分类，聚类和生存分析等总共160 个算法模型。

（2）智能化数据管理。可以上传自己的数据集或简单地链接到现有的数据库获取。对于已知的数据格式，自动分析和注释具有可度量特征的数据集，以支持详细的搜索和进一步的分析。数据集可以反复更新或上传，自动进行版本管理。

（3）模块化操作。在遇到新的实验时可以与当前的实验进行比较，而不必重复操作已经完成的实验步骤。可以查找数据集、任务流程和先前的结果、设置和组织实验以便进一步分析。

（4）在线合作共享构建实验。学生可在线多人共享和组织数据、人工智能算法和实验，与小组同学分享探讨想法，并根据自己的想法、数据和仿真结果构建实验。

3.3 智能化监控体系

质量分析应用层：提供多种类型的分析评价方法，结合实验项目，可以实现智能评测、判断学生实验操作结果和操作步骤流程等功能。

质量监控服务层：教师可以批量下载所有小组的实训报告，在线评分（小组成绩或个人成绩）和填写评语，集成自动判题组件、在线编程组件、代码质量检测组件、文档查重组件等模块。

AI 支撑层：提供视觉理解、数字技术、视频技术、NLP 和知识图谱等多种支撑，从底层数据资源获取知识库数据、技术栈和业务数据集。

3.4 依托企业项目

结合企业实际项目，创新实验分解设计，将实验中涉及的知识点、技能点元子化拆分，每一个元子实验作为一个环节，将知识点从基础原理、特性到最终应用递进设计，引导学生自主学习和实验。结合企业需求从产品设计，技术研究，软件开发和产品测试等过程模拟实际开发流程，使学生能够结合多学科的交叉知识，参与到复杂工程项目。学生被划分为多个实验小组，共同参与实验项目设计开发。实验以企业项目为依托，采用专业级的大型任务，通过评估最终结果评价实验过程。

大多数学生能在指定任务截止日期前完成，教师可以在设计过程中为学生提供理论和技术支持，给学生提供科学指引。将实际企业项目作为实验内容有助于提升学生个人技能、团队合作能力、领导能力和自主性等能力。

3.5 评价模式设计

在设计实验评价时注重教学评价，传统的教学评价往往考核方式单一，实验也多采用提交实验报告，课堂评分等方式作为对学生能力的评判。然而传统的评价模式不适应工科实验侧重实际操作的需求，不能评价学生实际的动手能力。因此，需要在实验环节中评价学生的操作，在工程项目中引入实际企业项目周期的设计理念，从需求分析、项目的总体设计、代码的编写和测试、系统上线和文档的撰写交付等各环节进行评价，通过引入需求分析、项目文档等环节的评价考核学生交流、沟通和协同合作等重要能力；通过对项目的总体结构设计和模块设计评价学生决策、解决问题和领导的能力；通过对项目的功能和实现的算法和方法设计评价学生编程能力、查阅分档和自适应学习的能力。在实验教学评价中从输出中获得的反馈可以用来提高实验教学质量。

4 结语

基于Docker 的人工智能实验教学平台旨在实现人工智能实验教学科研一体化，培养人工智能专业人才。该平台集成已有的人工智能经典算法，提供数据集，方便学生进行实验和改进，在采用人工智能实训平台和传统实验进行的对比研究中发现，使用人工智能平台可以提高学生的实验成绩，并且参与的学生在后续的实习实训中有更好的表现。