人工神经网络课程与深度学习融合的混合式教学改革研究

［摘 要］文章依托人工神经网络研究生课程的讲授经验，分析其特点和现状，着重探讨其教学内容上的时效性与实践性问题，提出神经网络与深度学习融合的线上线下混合式教学改革，提升课程理论和方法的时效性；提出前沿性的实践类研究型专题，提升研究生的实践动手能力；搭建与课程内容配套的线上系统，方便研究生自主学习、互动学习。通过践行“与时俱进、互动评价、专题创新”的教学理念，提高研究生的创新思维与综合素质。

［关键词］人工神经网络课程；深度学习；混合式教学；人工智能类课程

［中图分类号］G642.0 ［文献标识码］A ［文章编号］2095-3437（2024）15-0075-05

一、问题的提出

人工智能是新一轮科技和产业变革的核心驱动力，我国已将人工智能发展放在国家战略层面。高校作为人工智能发展的人才高地，研究生教育在培养高素质、高水平专业技术人才方面起着关键作用[1]。在人工智能热点中，人工神经网络（Artificial Neural Networks）担当重要的角色，其涉及计算机科学与技术、控制科学与技术、信息与通信工程、电子科学与技术等学科，其应用也渗透到机器人、自动驾驶等方面[2]。人工神经网络课作为高校智能方向的核心课程，融合了数理统计、计算机科学、运筹学等学科知识，其课程内容主要由感知器、BP神经网络等网络模型构成，为学生奠定了人工神经网络的概念、特点和理论基础，帮助学生了解其在数值计算、模式识别与分类等方面的应用。

考虑到常年稳定的教学内容和教学大纲使得授课内容相对滞后，尤其是近年人工神经网络的理论、技术与方法在日新月异地更新[3]，不少该领域的新方法与技术对于授课教师而言也是全新的。因此，面对人工智能快速发展和应用广泛的现实，常规的人工神经网络课程教学内容和讲授方法面临全新的挑战。

教学组针对该课程技术更新快、应用面广、知识点多等特点，积极改进教学方法，补充更新教学内容，整理利用网络资源，加强研究生实践创新能力培养，推行和完善智能时代下的人工神经网络课程建设，帮助学生在理论知识认识、实践技能锻炼、创新能力培养等方面获得与时俱进的提升。

二、人工神经网络课程的问题分析与改革举措

为了使人工神经网络课程更好地培养具有知识面广、创新意识强的研究生，文章从分析原课程的问题出发，提出课程的改革举措。

（一）时效性滞后

由于该课程知识所关联的方法与技术更新速度快，从教学内容的时效性上分析发现，目前教学内容相对滞后于前沿技术。原课程教学内容主要由感知器、BP、RBF、Elman、Hopfield神经网络等传统经典的网络模型组成，相对现今前沿的模型、方法和技术已有较大的时间跨度，而新兴的诸多深度学习网络模型已经在机器视觉、语言理解等领域带来重大突破[4]。可见，在必须掌握经典知识的前提下，研究生应接触、了解和学习新内容，但传统神经网络教学还达不到该要求。因此，教学内容的更新和前后知识的相互关联是必要的改革举措。

（二）实践性不足

由于该课程知识蕴含较多数学理论，从而占有较多课时，从教学实践性分析发现，课程实验资源缺乏，研究生动手实践机会较少。原课程教学内容侧重原理和算法推导，这对掌握经典的人工神经网络思想很重要。但如今的网络模型重在开源、实践与实用，原课程实验的设计较少，导致研究生的动手实践能力、科研与分析能力得不到提高，制约了应用型创新人才的培养，难以满足工程素质教育的要求。因此，应设计课程教学内容相关的实验和实践，以实现理论知识与应用之间的互动创新。

（三）课时有限制

由于课程授课课时有限，从教学方式上分析发现，线下授课受到时空限制且未能高效地利用如今开源的人工智能网络资源。为了提高研究生的学习效率，强化和促进研究生课下自主学习的能力，教师可以研发配套的线上系统，以满足研究生在计算机和手机端登录和访问的需求，综合采用“线上+线下”混合式教学模式[5]来服务研究生，让研究生可以随时随地查看课程相关内容，更加贴近研究生教育对教学和能力培养的直接需求，进一步提升课程质量。

综上，针对该课程的问题和相应的改革举措，从经典神经网络到新兴深度网络模型，设计由浅到深并有机关联的教学内容；设计可研究的实践创新专题，调动研究生自主研究的兴趣，更好地衡量和评价研究生对课程内容的理解程度和科研水平，培养研究生的创新思维和科研素质。在此基础上，开发课程配套的线上系统，采用多元化学习方式，提高研究生的学习效率，强化师生互动。本课程的教学改革思路如图1所示。

三、人工神经网络课程教学改革方法

（一）教学知识点的增量更新

1. 优化课程教学内容

传统的人工神经网络课程主要学习浅层前向网络、误差反向传播算法、经典的反馈型和自竞争型网络等内容。为了跟踪学科前沿，紧贴新兴方法与技术，教师应及时更新课程内容，尤其是深度学习中的新兴网络模型与算法。如将课程教学模块优化为前向神经网络、反馈神经网络、自组织神经网络和深度学习网络四大模块，课程教学模块优化前后对比情况见表1。

在课程教学模块优化上，以时间为顺序选择具有重要意义的卷积型深度学习网络模型，从图像分类、分割、目标检测三个方向来讲授，如ResNet、UNet和YOLO系列等十余种应用广泛并受到一致认可的重要模型[6]，其中的重要知识点以卷积计算方法和结构、模型结构设计和学习策略为主，突出各个网络模型的特点以及其在深度学习发展上的重大作用。在认识卷积型深度学习网络的基础上，讲授目前发展强劲的自注意力机制结构，以Transformer、Bert、ViT等具有里程碑意义的模型为主[7]，重要知识点围绕自注意力计算方法与结构、自注意力变种、自注意力网络基础结构而展开，突出其与卷积型网络的异同及其在前沿发展中的重要意义。

2. 优化内容模块学时

在课程教学模块内容优化的同时，教师应保持课程的授课学时不变，这需要合理地压缩部分经典网络内容，课程学时优化前后对比情况见表2。

（1）经典神经网络部分，前向神经网络的理论学时由14学时减少到10学时，删减PID神经网络内容，反馈神经网络的理论学时由6学时减少到4学时。

（2）深度学习网络部分，理论学时增加6学时，实践学时增加14学时。

整体上，新增知识方面的授课学时增加占比约20%，总体实践课时增加20%以上，使研究生所学习的课程内容与人工智能前沿接轨，提高研究生的专业技术与实践能力。

（二）研究型专题的设计与评价

在教学方法上，研究生教学应区别于本科生教学，前者更加注重培养学生的自主学习与探索能力。针对人工神经网络课程特点和教学重点内容，引入实践案例或教师所从事的科研项目内容，为重点知识设计专题。目前教学组已完成近30个专题的设计。这些专题具有研究性、实用性和实践性，要求研究生自我学习、自主探索，或者形成学习小组，合理分工、团结协作完成专题任务，小组之间相互交流学习，共同促进。面对难度较大的专题，鼓励研究生通过参加导师的科研项目或参加国内知名的学术会议、研究生学术论坛等，以拓宽视野、寻找专题研究的新思路、新方法，培养研究生的工程设计能力和创新思维能力。

课程从课题类型、难易程度两个方面设计研究型专题，包括基础类、应用类和挑战类。研究生或学习小组自行选择神经网络模型并完成文献查询、Python编程、仿真验证、指标评价等实验与实践工作，达到专题所要求的目标；同时，鼓励研究生通过文献阅读和自身的研究课题，激发研究生的创新精神，自行设定课题对象和目标，在通过教师审核后完成相应的任务，以达到本课程要求的目标，获得相应的成绩。研究生设计的部分研究性专题见表3。

（三）辅助教学的线上系统开发与使用

基于最新web技术开发实现与课程内容配套的线上系统，分为前端界面和后端数据库两个部分。前端界面能够展示学习资料，包括PPT讲义、习题、示例代码和网络共享资源、研究型专题、问题讨论和交流等；后端数据库支持整个系统，完成各类学习数据、研究生数据的结构化存储，以服务网站系统各项功能的实现。该课程线上系统的主要功能（见图2）包括如下四个模块。

1. 课程资源模块

课程自编课件PPT，应用及其示例代码、其他参考资料、网络共享资源等材料的上传下载功能。

2. 作业习题集模块

各章节作业、自编习题集和优秀作业的浏览、上传和下载功能。

3. 专题研究模块

神经网络模型的案例分析、专题集以及个人或小组申请完成专题及其评价功能。

4. 互动交流模块

师生和学生之间的问题讨论和资源共享功能。

通过该系统，教师可在授课时使用系统提供的案例与代码，展示神经网络模型的功能和作用。课程知识点相关的作业和习题以在线形式发布，研究生可结合案例学习。在保证课堂理论授课32学时的基础上，研究生课后在线上系统随时随地查看和学习课程知识点、查看往届优秀作业、查看研究型专题并提交完成报告。该系统提供的互动交流功能，可实现在线留言、交流和讨论功能，提高研究生发现问题、解决问题的能力。另外，教师和学生都可以通过上传材料，分享与人工神经网络前沿知识相关的讲座、视频等。通过这种混合式的授课模式，培养研究生的学习素养，提升研究生跟踪前沿的能力以及对科学研究的兴趣。

四、结语

本文以自动化专业的人工神经网络课程教学改革为主题，通过分析课程中的问题及其原因，有针对性地提出了改革措施，明确了课程内容中传统与新兴方法互补融合的重要性，设计了培养研究生实践与创新的研究型专题，开发了配套课程内容的线上系统以丰富学习形式。人工神经网络课程的改革举措以人工智能时代特点为角度，以培养具有扎实基础知识和前沿技术认识的人才为中心，推进传统的和经典的人工神经网络知识与前沿的和新兴的神经网络知识相互结合，突出学以致用、解决实际问题的能力培养，使课程真正关注研究生综合素质的提高，帮助研究生在基础知识与技能、团队协作、分析与解决问题、沟通等方面得到良好的训练，为研究生将来从事AI领域工作打下坚实的基础。教学组将持续推进研究生教育改革步伐，建立高水平的“金课”和一流课程。

［ 参 考 文 献 ］

[1］ 邱赛兵，刘心歌.数学专业研究生神经网络课程的教学改革与研究[J].湖南理工学院学报（自然科学版），2016，29（2）：81-83.

[2］ 张驰，郭媛，黎明.人工神经网络模型发展及应用综述[J].计算机工程与应用，2021，57（11）：57-69.

[3］ 李晓媛，曾庆山.《人工神经网络》课程的自助互动教学方法探索[J].教育现代化，2018，5（35）：130-133.

[4] 张强，牛天林，邵思羽，等.神经网络理论与应用课程线上线下混合教学模式探析[J].高教学刊，2022，8（14）：66-69.

[5] 赵岑，王展硕.线上线下融合式学生工作的特征与实践[J].高等教育研究，2021，42（11）：83-88.

[6] 陈科圻，朱志亮，邓小明，等.多尺度目标检测的深度学习研究综述[J].软件学报，2021，32（4）：1201-1227.

[7] 贾红雨，王宇涵，丛日晴，等.结合自注意力机制的神经网络文本分类算法研究[J].计算机应用与软件，2020，37（2）：200-206.

［责任编辑：黄紧德］