人工智能递进式实验案例设计

人工智能递进式实验案例设计0引言2018年4月，教育部颁布了《高等学校人工智能创新行动计划》，标志着教育部对人工智能技术重要性的高度认可，也进一步强调高校在推动我国人工智能发展战略中的关键作用[1]。《2020—2026年中国人工智能行业市场竞争格局及未来发展趋势报告》的统计数据显示，2018年中国人工智能市场规模为339亿元，增长率达56.2%，而2019年中国人工智能市场规模增长到516亿元[2]。人工智能产业应用需求的飞速发展，对人工智能专业人才的培养和需求提出了空前的挑战，高校作为人才培养的重要基地，无疑肩负着这一重大责任[3]。近年来，许多高校成立了人工智能专业，或在计算机相关专业开设人工智能相关的课程，或将人工智能课程纳入通识课程体系。由于人工智能产业应用的创新性和实践性，人工智相关课程的实验案例设计对人才的培养尤为重要。文献[4—7]中详细地介绍了人工智能课程不同的案例设计，文献[8]中以“吊牌识别”案例教学为例介绍了人工智能课程实践教学改革。1人工智能相关课程教学现状1.1人工智能相关课程开设状况由于人工智能人才需求的快速发展，教育部在2021年启动的计算机领域本科教育教学改革试点工作计划——“101计划”[9]中，对计算机学科大一新生开设了人工智能引论课程并在计算机科学导论中加入比重较大的人工智能知识，其目的是让学生早一步感悟并领略人工智能在当今时代发展的地位，初步了解人工智能相关技术和方法。人工智能的领域涵盖广泛，涉及理论研究、软件工程、实际应用等多个方面，当前研究最多的领域包括机器学习、深度学习、自然语言处理、计算机视觉、智能推荐等，这些知识在计算机领域本科教学中都有涉及，通常在本科生完成高等数学、线性代数、概率论与数理统计等课程后才会相继开设。对于计算机领域学生来说，一方面不愿意被动坐等人工智能相关课程开设后才开始学习人工智能相关知识，有些学生会在竞赛导向下提前学习，如文献[3]中以竞赛为导向对本科生进行课外引导与培训深度学习相关知识，从而培养人工智能时代本科拔尖人才；另一方面，大一学生采取大类培养模式，通过人工智能知识的学习可以筛选出对人工智能专业感兴趣的学生从而进行专业分流，所以对大一新生开设人工智能基础课程的教学必要也很重要。1.2人工智能基础课程存在的问题（1）课程教学重理论轻实践。目前大部分高校开设的人工智能基础课程重视理论知识讲解，而忽略动手实践。“高大上”的新理论、新技术和新方法对大一新生如“猛虎下山”，很难一下子“吃透”，从而“望而却步”，失去兴趣和信心，更无法做到享受编程实现人工智能功能的乐趣。众所周知，人工智能是一个高度应用的领域，同时又需要非常严谨的理论基础，对大一新生若过于强调理论而忽视实际应用往往使他们对人工智能专业畏惧甚至逃避，既不利于学科发展，又不利于人才培养。（2）实验案例缺乏真实应用场景。传统人工智能实验教学案例多偏向于理论，缺乏与真实应用相结合的实验案例，本科生无法体会实际应用的效果，难以全面理解人工智能的算法精华，从而无法达到实验教学培养创新实践型人才的目的[10]。此外，当前人工智能技术，特别是机器学习和深度学习相关技术和应用的飞速发展，高校要将最新的知识和应用及时传授给学生，因此，迫切要将代表最新技术的实际应用案例融入到高校人工智能课程教学中，从而更清晰地向本科生展示人工智能领域的最新研究成果和应用，有助于他们深入了解人工智能相关技术的优势，从而激起他们对人工智能领域的兴趣。2人工智能实验案例设计原则当前，人工智能的应用领域主要包括计算机视觉、语音识别、自然语言处理、知识图谱等，而对于教学而言，效果最明显最形象的实验案例就是基于计算机视觉的图像分类。图像分类技术在实际生活中应用广泛，例如车牌识别、垃圾分类识别、人脸识别、动植物识别等。人工智能课程实验案例设计应该考虑以下因素：①递进式增加难度：确保实验从简单到复杂，逐渐引入更高级的概念和技术，以便学生能够逐步建立对人工智能算法和技术的理解。②代码量适中：确保实验中的编程工作量不会太大，以适配大学生的编程水平，使学生能够集中精力理解算法和概念，而不必担心复杂的编程细节。③合适的数据集：选用简单、易于理解、贴近生活的数据集，这样的数据集更让学生感兴趣，让学生在实验中看到人工智能技术的实际应用。3人工智能递进式实验案例设计3.1实验案例总体设计方案依据人工智能实验案例设计原则，实验案例采用验证码卷积、验证码分割识别、验证码整体识别3个从易到难递进式实验案例进行教学。每个实验案例的代码量均不超过100行，以确保学生能够轻松理解并吸收。数据集采用学生熟悉的验证码图片，其中训练集10000张图片，测试集100张图片（如图1所示）。3.2验证码卷积实验案例设计在计算机视觉中，卷积通常用于图像处理，例如边缘检测、模糊、锐化等。图像卷积操作就是通过一定大小的卷积核作用于图像的局部区域，将局部图像区域的像素值与卷积核中的数据做内积运算。卷积核是一个二维矩阵，它与原始数据进行逐个元素的乘积运算，并将结果相加得到一个新的数值。卷积核的大小和形状可以根据需要进行调整，以便更好地捕捉数据中的特征。验证码卷积实验案例使用不同的卷积核对验证码进行卷积，让学生观察卷积后的图像，从而深入理解图像卷积操作。由于验证码识别取决于验证码的形状而不是验证码的颜色，所以先将彩色验证码转换为灰度验证码，再进行卷积操作。卷积验证码的关键代码如下：fromscipyimportsignalimg=Image.open(‘data/train/000F.jpg’)gray=np.array(rgb2gray(np.array(img)))sc=np.array([[-1,-1,-1],[-1,9,-1],[-1,-1,-1]])img_conv=signal.convolve2d(gray,sc)实验采用的卷积核见表1，卷积图像的作用包括边缘检测、锐化、模糊化、浮雕效果等。实验过程中，可以让学生多实验几组卷积核，例如边缘检测卷积核常见的还有Sobel卷积核、Prewitt卷积核、Roberts交叉边缘检测等。验证码卷积实验结果见表2。3.3验证码分割识别实验案例设计验证码识别的本质是一个图片分类问题。验证码通常是由数字、字母和其他字符组成的图像，用于验证用户的身份或确保机器不易识别。验证码识别的目标是将这些字符从图像中识别出来，对于多位的验证码，通常采用的方法是首先将多位字符分割为单个字符，然后再进行分类

识别。实验案例采用的验证码由数字0~9及大写字母A~Z构成，一共36类。验证码含有4位，图片的分辨率为26*80，分割后单个验证码图片的分辨率为26*13。验证码分割的代码如下：frommatplotlibimportpyplotaspltimg=Image.open(‘data/train/000F.jpg’)gray=np.array(rgb2gray(np.array(img)))foriin[0,1,2,3]:tmp=gray[0:26,(13+i*14):(26+i*14)]x.append(tmp)plt.subplot(2,2,i+1)plt.imshow(tmp,cmap=’gray’)验证码分割后的实验结果如图2所示。验证码分割后利用卷积神经网络模型进行分类识别，采用3*3的卷积核进行图像卷积。模型输入为单个验证码图片，输出为36个分类的one-hot编码。模型采用交叉熵作为损失函数，采用Adam优化器作为神经网络的训练优化算法。卷积神经网络中的卷积核是网络利用标注好的训练集数据自动学习的，可以用于检测各种特征，包括边缘、纹理、形状、颜色等。验证码分割识别实验采用的网络模型结构见表3。卷积层是模型的核心组成部分，用于从输入图像中提取特征；池化层用于减小特征图的空间尺寸，降低计算复杂度，并减少模型对输入变化的敏感性；Dropout层随机关闭一部分神经元，用于防止过拟合以及减少神经网络的复杂性；全连接层用于将提取的特征映射到不同的类别，以进行分类或回归。在卷积神经网络中，通常会在卷积层和全连接层之间插入一个Flatten层，将输入数据从多维数组变换为一维向量，以实现从卷积层提取的特征图到全连接层所需的形状

变换。验证码分割识别实验对测试集100张图片进行实验，分割后共400个单个验证码图片，最终识别正确397个字符，正确率为0.99。验证码分割识别实验中，识别错误的验证码如图3所示，其中大部分是由于分割不准确导致的。所以引入验证码整体识别实验，排除由于图像分割不准确导致的错误识别问题。3.4验证码整体识别实验案例设计验证码整体识别实验模型利用深度卷积神经网络进行验证码识别，模型输入为整个验证码图片，输出为识别后的4位验证码。验证码整体识别深度卷积神经网络模型参数及数据集介绍见

表4。验证码整体识别网络的具体结构如图4所示，包括6层卷积层、1层全连接层、2层池化层、2层Dropout层、1层BatchNormalization层，其中Dropout_rate设置为0.5。验证码整体识别网络参数总数为2559856个，其中训练参数为2529136个，非训练参数为30720个。BatchNormalization层有两组参数，一组是训练时用到的可学习参数，另一组是在训练和推断过程中都在使用的非训练参数，非训练参数包括移动平均、缩放参数和偏移参数。验证码整体识别实验对测试集100张图片进行实验，每张图片包含4位验证码，最终识别正确400个字符，正确率为1.00。训练过程中在训练集、验证集上的损失如图5所示，准确率如图6所示。4实施效果本案例已纳入武汉大学计算机学院的计算机科学导论、人工智能引论课程实验教学中，整体反映效果良好，由于实验场景贴近生活且代码量不大，程序通俗易懂，学生对实验内容有很大的兴趣及热情。在学生进行实验之前，可以引入一个简单的用于数字手写体识别的卷积神经网络示例作为参考。为了进一步提高验证码识别率，给予学生一些建议，指出验证码有36个分类，相比数字手写体的10个类别更多。建议增大特征提取的维度，因为随着分类数量的增加，要用于区分的特征也会相应增多。整体而言，这个案例在激发学生学习兴趣和实践能力方面取得了显著的效果。在实验的过程中，为了帮助学生更深入理解人工智能技术，鼓励学生调整卷积神经网络的超参数，包括但不限于损失函数、优化器、激活函数、学习率、卷积核大小、Dropout比例、批大小、Epoch次数等。对于动手能力强的学生，可以提供更进一步的挑战，比如修改网络模型结构，如增加卷积层数、修改网络节点数，甚至引入残差网络等操作。学生可以通过调整这些参数和结构，进行对比实验，并记录实验结果。为了激发学生的竞争意识并提高实验热情，可以举行一个擂台赛。在擂台赛中，学生可以组队对识别模型调优，然后对上传识别所消耗的时间及识别准确率进行比赛。这不仅能够培养团队协作与解决问题的能力，还能够在愉快的学习氛围中增加实验的趣味性。这样的实践既加强了学生对人工智能技术的理论理解，还培养了他们灵活运用知识的能力。整个实验过程变得更加生动有趣，为本科生提供了一个积极互动的学习环境。5结语作为人才培育、基础科研和成果转化的重要机制，高等教育对人工智能人才培养及国家人工智能产业发展具有至关重要的作用[11]。将本科生培养为既具备工程实践能力又具备科研探究能力的人工智能人才，是高等教育的使命和责任。人工智能作为飞速发展的前沿科学，其相关课程实验案例设计对于提高学生的创新能力和实践能力至关重要[12]。以典型应用场景落地为目标，从易到难，递进式设计实验案例，是人工智能人才培养的必经之路，是创新实践型人工智能本科人才培养的有力保障。参考文献：[1]中华人民共和国教育部.教育部关于印发《高等学校人工智能创新行动计划》的通知[EB/OL].(2018-04-03)[2023-11-18].http://www.moe.gov.cn/srcsite/A16/s7062/201804/t20180410_332722.html.[2]智妍咨询.2020—2026年中国人工智能行业市场竞争格局及未来发展趋势报告[EB/OL].[2024-01-29]./research/201807/656993.html.[3]方颖,彭蓉,王正,等.学科竞赛导向的本科拔尖人才培养模式[J].计算机教育,2024(1):16-20.[4]张伟,陈龙,贾应智.大学计算机基础课中的人工智能实验案例设计[J].计算机教育,2021(5):65-68.[5]陈龙,张伟,赵英良,等.新工科背景下大学计算机人工智能实验案例设计[J].计算机教育,2022(3):29-33.[6]刘凯,余应福,闫文君,等.军事人工智能课程的层次递进式实验案例设计[J].实验技术与管理,2022,39(4):186-189.[7]杨波,许福,李冬梅,等.针对软件工程课程的人工智能实验案例设计[J].计算机教育,2022(9):202-206.[8]刘艳丽,张恒.人工智能课程实践教学改革探索[J].中国现代教育装备,2022(5):116-