新工科背景下神经网络与深度学习课程建设研究

张泽宇 艾西丁·艾克白尔 迪力夏提·多力昆 孟小艳 程曦

摘要：基于新工科建设要求，分析人工智能专业课程建设及本科生专业能力培养中存在的问题。提出结合案例的混合式教学模式，通过设计课程案例，借助人工智能教学实验平台，突出学生以案例实践为主体的教学方式。以神经网络与深度学习课程为例，从线上课程资源建设、实验案例设计、教学实施、考核评价四个方面阐述课程建设主要内容。

关键词：混合式教学；神经网络；深度学习；实验案例

中图分类号：G642      文献标识码：A

文章编号：1009-3044（2023）36-0131-03

开放科学（资源服务）标识码（OSID）

0 引言

2010年前后，深度学习在各种任务中都取得了突破性的进展，这使得它迅速成为人工智能领域的研究焦点。在图像分类、目标检测、图像生成、语义分割还是风格迁移等计算机视觉任务中，深度学习已成为主流方法[1]。深度学习模型，特别是卷积神经网络（CNN），取得了前所未有的性能优势。同时，深度学习在自然语言处理领域中也取得了广泛的应用，如BERT、GPT和T5等Transformer-based模型。生成模型领域中，生成对抗网络（GAN）和变分自编码器（VAE）等生成模型在图像生成、艺术创作和数据增强等领域都表现出强大的能力[2]。随着深度学习的发展，专门针对深度学习计算的硬件如TPU和NVIDIA的各种GPU也得到了迅猛的发展。此外，开源深度学习框架TensorFlow、PyTorch及MXNet使得深度学习的开发和研究變得更加便捷。

神经网络与深度学习课程是面向本科生的专业选修课程，课程采用混合式教学模式建设。课程以合理规划与重构教学内容为切入点，突出教学内容设计的针对性与差异化特征，建设外延宽、内涵深、时效性强的完备课程资源知识体系，以期能够有效激发学生学习兴趣与探索精神。

1 一级标题

教学模式单一：传统教学模式中，学生往往是被动的知识接受者，单一的教学模式会导致教学内容和方法变得重复和单调，降低学生的学习兴趣和积极性[3]。教学过程中，书本和纸质教材是主要的学习资源，而人工智能技术日新月异，书本内容可能很快会过时，学生在教室或图书馆中阅读教科书和参考书籍，缺乏相关前沿技术学习资源。

数学基础薄弱：人工智能是一个高度技术化和数学化的领域，涉及许多数学知识，如线性代数、统计学、微积分等。然而，许多学生在选择人工智能或相关领域时可能并不完全意识到其背后的数学要求，在之前的学习中没有获得足够坚实的数学基础，导致课程内容理解困难[4]。

侧重理论知识讲解，难以与实际工程接轨：“新工科”是教育界和工业界针对传统工程教育的一种创新和补充，旨在更好地适应现代社会的发展需求和工业变革。教学模式过于重视理论知识的传授，忽视实践机会，造成缺乏应用所学知识的能力，而人工智能课程的学习往往需要通过实践和实验来加深理解。课程实验案例设计对计算机硬件资源需求较高，个人计算机难以承载实验项目所需算力，学生难以高效完成实验案例[5]。传统教学模式往往没有针对学生的个体差异和学习风格进行个性化调整。教师往往采取一种统一的教学方法和节奏，忽视了学生的个体需求和潜在能力，缺乏实践和实验机会。

2 课程资源建设

2.1 课程简介

神经网络与深度学习课程面向新疆农业大学计算机与信息工程学院本科三年级学生开设，课程总学时为32学时，其中理论课16学时，实验课16学时。该课程为计算机科学与技术专业、物联网工程专业、电子科学技术专业、人工智能专业的专业选修课程。课程教学内容包括深度学习基本概念、算法、原理及相关技术，神经网络的基本概念、网络模型、数据集及主流框架，经典神经网络模型等。

2.2 教学内容

神经网络与深度学习课程旨在培养学生独立建立、训练和应用深度学习模型能力。课程涉及计算机视觉、自然语言处理，生成式模型的基本任务模型，并融合神经网络相关的基础数学概念。课程团队经过深度调研，分析研究Coursera、Edx等平台在线课程的内容设计、组织方法，研读人工智能技术丛书，结合学院学生实际学情，规划与重构教学内容，以培养应用型人才为目标，由易到难，层层深入。课程教学内容分为8个章节，课程教学内容如表1所示。

2.3 线上资源建设

线上资源为课程提供更加丰富和灵活的学习方式，线上课程平台使用新农慕课网站，平台功能包括：阅读材料，课程资料、实验指导书，相关研究论文[6]、定期发布作业题目、项目要求等，并提供提交通道，每章节内容对应20题客观题目。平台外部资源链接到人工智能教学实验平台，为课程提供GPU算力资源。学生完成一章学习内容后，可以查看自己的学习进度、实验成绩和小测验结果。

2.4 实验案例设计

1）课程项目式综合实验设计

项目式综合实验设计旨在通过实际项目来整合与应用所学的知识，提高学生实践能力、团队协作能力和创新能力。课程组教师设计7个相关实验，具体内容如下。

①实验一：全连接网络模型实现波士顿房价预测。实验内容包括深度学习框架Pytorch本地开发环境搭建，学习使用PyCharm集成开发环境，学习人工智能教学实验平台。使用Pytorch定义一个全连接神经网络，使用均方差损失函数MSE，解决回归问题，实现波士顿房价预测。

②实验二：基于DenseNet的CIFAR10图像分类。实验内容包括使用Pytorch搭建DenseNet网络模型进行图像分类。回顾卷积神经网络基础，包括卷积运算、池化运算、激活函数，损失函数等基础知识。创建自定义的nn.Module的子类，学习密集模块（Dense Block）、Transition模块，Bottleneck模块，根据课程内容创建DenseNet网络模型，实现CIFAR10数据集图像分类。

③实验三：基于ShuffleNet的CIFAR100图像分类。实验内容包括使用Pytorch搭建ShuffleNet网络模型进行图像分类及网络优化与正则化方法。在深度学习中，随着模型复杂度的增加，模型可能在训练集上表现得越来越好，但在测试集上的表现可能不佳。这种情况被称为过拟合。为了避免过拟合并优化网络性能，引入优化和正则化方法，对比不同优化器与归一化方法，验证对模型训练的影响。学习分组卷积及通道重排技术，搭建ShuffleNet模型实现CIFAR100数据集图像分类。

④实验四：循环神经网络RNN实现手写数字识别。实验内容包括使用Pytorch搭建循环神经网络进行手写数字识别。知识点包含：随时间反向传播算法实现，RNN长程依赖问题解决方法，循环单元、隐状态和序列建模等概念，对比RNN与CNN的不同，使用RNN实现图像数据手写数字识别。

⑤实验五：长短期记忆网络LSTM、门控循环单元GRU模型实现Google股票价格预测。实验内容包括使用Pytorch搭建LSTM、GRU模型，数据预处理，模型训练，模型评估，模型预测股票价格，要求学生重点掌握门控机制和参数更新方式。

⑥实验六：基于Transformer的机器翻译。实验内容包括使用Pytorch实现Transformer的组件，实现英文翻译成中文功能。要求学生了解：自注意力机制 （Self-Attention） 、位置编码 （Positional Encoding）、 多头注意力 （Multi-head Attention） 、前馈网络、规范化和残差连接，Transformer中的编码器与解码器结构。

⑦实验七：基于DCGAN的人脸图像生成模型实现。实验内容包括用Pytorch实现生成器与判别器，掌握对抗训练过程，使用生成器生成新的数据并进行可视化。

2）课程项目式综合实验设计

将思想政治教育融入人工智能系列课程，确保学生在掌握这一前沿技术的同时，能够具备深刻的伦理意识和社会责任感[7]。通过实验案例分析技术与社会之间的相互影响，探讨技术与社会的历史关系，分析人工智能如何改變我们的生活、工作和娱乐。讨论技术进步对社会的正面和负面影响，包括数据的获取、使用和存储背后的伦理问题。讨论数据隐私、安全性和数据拥有权，提升国家安全保护意识。强调在技术项目中团队合作的重要性，以及与非技术人员沟通的技巧，培养学生的人文关怀和社会责任感。融合思政教育的专业课程不仅可以培养学生的专业技能，还可以培养其全面的人文素养、社会责任感和批判性思维能力，为其成为新时代的优秀人才打下坚实基础。

3 教学实施

混合式教学模式结合了传统的面对面教学方法和线上教学方法[8]。学生课前登录新农慕课平台浏览本周学习内容，阅读相关知识点和概念，通过观看视频、阅读材料，对学习内容做初步预习工作，完成客观题小测验任务。线下理论课课程，教师对章节知识点进行讲解，明确学生在课程结束后掌握的核心概念和技能。学生在课前通过视频、文本和其他在线资源进行自主学习，理论课程由专业老师进行讲解，实验课用于学生讨论、实践和深入学习，完成章节的实验任务。

人工智能（AI）课程的实践部分对学生理解理论知识和获得实践技能至关重要[9]。将理论应用到实际问题中是理解AI的关键。为兼顾学生在数学基础以及编程能力上的差异性，课程第一章为学生系统地介绍深度学习数学基础以及深度学习框架Pytorch原理，为理解后续算法做好必要准备。完成理论课学习后，通过实验加深理论理解，将理论应用于实际问题可以帮助学生更好地理解和记忆抽象的概念和算法。课程实验可以使学生直观地看到算法的工作方式和其对数据的影响。学生需要具备数据处理、编程、模型调优等实践技能。在实验中，学生可以尝试新的方法、改进算法或设计自己的模型。学生在实验中可能会遇到各种挑战，例如数据问题、代码错误或模型不收敛。解决这些问题的过程帮助学生培养问题解决的技巧和耐心。实验允许学生对比不同的方法、评估模型的性能和理解其局限性，有助于培养学生的批判性思维和评估技能。

由于深度学习模型通常需要大量的计算资源，GPU算力平台可以显著加速模型的训练时间，从而使学生能够在更短的时间内看到结果，这对于激发学生的兴趣和保持他们的注意力至关重要。课程实验使用人工智能教学实验平台，为学生提供线上GPU算力资源，平台满足50名学生同时运行网络训练，平均分配显存资源16GB，完全适配实验项目及课程考核案例算力资源需求。所有学生都可以使用相同的性能资源，而不是依赖于他们个人的计算机硬件。学生能够随时随地访问和使用高性能计算资源，确保学生能获得最佳的学习经验。

4 考核评价

神经网络与深度学习课程的考核评价综合反映学生在理论知识、实际应用和创新能力上的表现。课程采用过程性考核，侧重于学生学习过程中的持续性评估，而不仅仅是最终结果。成绩由平时成绩和课程设计成绩两部分组成，其中平时成绩占比70%，包含周测验成绩21%和实验成绩49%，课程设计成绩占30%。周测验成绩来自每周20题客观题目，由新农慕课平台自动判分。实验成绩由7章实验构成，学生使用人工智能教学实验平台完成对应实验，提交实验代码与结果至新农慕课平台，由任课老师进行批改。课程设计三人一组，题目选自课程考核案例，要求学生撰写课程设计报告，并以小组的形式答辩。

5 结语

新工科背景下，人工智能课程建设对于培养具有高水平的创新能力和实践能力的工程技术人才具有重要的意义。本文以神经网络与深度学习课程为例，对新工科背景下人工智能课程的建设进行了深入研究。首先对课程设置、教学内容、实验案例设计，教学方法等进行了全面的梳理和优化。课程引入了项目导向学习和在线学习资源，以增强学生的学习体验和学习效果。同时，根据学生的背景和需求对课程内容进行了合理的调整，强化了基础理论知识和实践应用技能的结合。其次，课程开展了系列实验、项目案例，为学生提供了充分的实践机会，激发了学生的创新意识和实践能力。最后，对课程的效果进行了评估和总结。通过评估学生的成绩、满意度和实际创新成果。学生的学习积极性、学习效果和实践能力都得到了很大的提升。人工智能课程建设是一个持续的过程，需要不断地探索和实践。后续会继续关注人工智能领域的发展趋势，进一步优化课程设置和教学方法，为培养更多的高水平人工智能工程技术人才做出更大的贡献。

参考文献：

[1] 付文博，孙涛，梁藉，等.深度学习原理及应用综述[J].计算机科学，2018，45（S1）：11-15，40.

[2] 赖丽娜，米瑜，周龙龙，等.生成对抗网络与文本图像生成方法综述[J].计算机工程与应用，2023，59（19）：21-39.

[3] 白双，梁晨.“深度学习算法与实现” 研究生课程的教学探索与实践[J].工业和信息化教育，2023（5）：21-25.

[4] 罗秀丽，陈平.产教融合背景下“神经网络与深度学习” 课程教学改革[J].工业和信息化教育，2022（11）：17-21.

[5] 胡臻龙.基于飞桨AI Studio平台的人工智能类课程线上线下融合式教学模式[J].计算机教育，2023（5）：130-134.

[6] 柯春艳，靳晟，冯向萍.新工科背景下物联网工程课程建设研究——以Arduino应用开发课程为例[J].物联网技术，2021，11（11）：124-127.

[7] 崔正贤，马万利.人工智能赋能课程思政改革研究[J].教育理论与实践，2023，43（12）：33-36.

[8] 杨乐，施俊林，朱颖雯.MOOC环境下大数据专业混合式教学模式研究[J].江西广播电视大学学报，2023，25（2）：29-34.

[9] 高岳，杨小康.前沿导向的人工智能课程内容重构——以上海交通大学“人工智能理论及应用” 课程为例[J].高等工程教育研究，2022（6）：52-55.

【通联编辑：王 力】