人工智能卷积神经网络应用的高职教学探讨

沈宇杰 徽商职业学院电子信息系

一、人工智能的现状

人工智能技术在计算机专业中已经成为重要的朝阳技术。在几大新兴产业中，都离不开它的身影，例如云计算、大数据等等。目前，无论是新兴产业还是传统产业，人工智能已经产生了爆发式的应用。培养人才的各大高校都紧跟时代的步伐，开设了相关的研究课程。由于人工智能的特点，普通高校相对偏向理论算法。而更加强调技能的高职院校，在教学中存在着一定的挑战。

二、选择卷积神经网络应用进行教学的优点

卷积神经网络是人工智能深度学习的代表算法之一，具有表征学习的能力，能够按其阶层结构对输入信息进行平移不变分类，所以也叫“平移不变人工神经网络。卷积神经网络在图像识别中有很好的应用，能比较直观的验证效果，可以将此应用技能作为高职学生学习人工智能的入口，作为这个方向的学习起步点。

三、教学定位与方案

1.教学定位

目前人工智能前沿研究比较热门，优秀的期刊论文以及研究成果都集中在算法的创新与改进，各大高等院校也开设了相关课程，例如算法、数学等。但是相对于这些研究机构，高职院校则更强调技能的培养，所以在教学定位时不能雷同于理论算法，要结合高职院校的特点，定位学生培养方向在人工智能的技术应用层上。

2.教学方案

教学以卷积神经网络图像识别应用为技能点，采用“理论和实践并进，侧重应用”的方针。不在课程中涉及过多的理论研究，将基本理论作为辅助，以培养动手能力为主要方向。

(1）理论知识

虽然理论教学只作为辅助，但是必要的理论知识还是必须的。卷积神经网络的基本理论课是高等数学中的微积分和少量的线性代数，用于介绍卷积的基本知识。另外，还要有重点的介绍卷积神经网络应用于图像识别时的基本原理和流程。例如卷积的基本公式如下：

(2）应用技能

在应用技能上，分为编程语言和训练框架两个部分，对应编程能力与应用能力

①编程语言选用Python语言，该语言语法简单，属于能跨平台的解释性语言，模块众多，可扩展性强，非常适合人工智能学习中涉及多项工具的粘合使用。

②训练框架选择已有的成熟框架来实现图像识别的技能培养，使用主流的框架TensorFlow。TensorFlow是Google研发的深度学习框架，可视化功能强大，并且数据和模型的并行化比较好，运行速度很快。网络上的支持资料丰富，便于后期的授课支撑和学生自学。框架基本结构如下（图1）

图1 基本结构

四、教学实施：

有了教学定位和教学方案，在具体教学实施上，按照以下的步骤来执行：

第一阶段：基本的高等数学课程，重点在微积分的部分，用于理解卷积的基本原理。

第二阶段：在理解卷积的基础上，学习少量线性代数中的矩阵知识，用于理解卷积神经网络的基本工作流程，例如卷积核等。

第三阶段：重点学习TensorFlow框架，能够在框架中使用基本的卷积算法，达到触类旁通，不仅可以掌握框架的使用方法，并能在今后的学习中，开展对算法的研究。

五、总结

人工智能中的卷积神经网络应用，可以作为高职院校的课程开展方向，不仅可以让学生掌握一项职业技能，更能让学生在这个领域找到突破口，为后续进一步学习人工智能打下了较好的基础。