引入类脑计算的计算机基础类课程教学方式

2018-01-27 05:59黄宏博崇美英
计算机教育 2017年12期
关键词:类脑神经网络基础

黄宏博,崇美英

(北京信息科技大学计算中心,北京100192)

0 引言

在信息化高度普及的背景下,计算机基础类教育对各专业来说都是一个必不可少的环节。计算机基础类教育的普及程度和深度,在很大程度上决定了高层次人才的信息化素养。虽然各学科专业人才培养的目标不同,但是对计算能力、信息素养和逻辑思维能力的基础需求都是一样的。然而对计算机基本素养的培养,大学计算机基础类课程承担着主要责任,也被寄予了很大的期望。

传统的计算机结构体系以冯·诺依曼型计算机为主,这种结构体系也决定了目前计算机实践和教学中思维和行为方式。冯·诺依曼型的结构体系极大地促进了计算机科学和工程的发展,在人类文明史上留下了浓墨重彩的篇章。近年来,得益于人工智能的最新进展,类脑计算、深度学习等新型计算模式取得了令人瞩目的成就,在许多领域有了突破性的进展。这种以深度神经网络为基础的新型计算模式有望突破传统冯·诺依曼型计算体系的框架,为计算科学的发展带来新的驱动力。抓住新的历史机遇,尽早在大学计算机课程体系中体现类脑计算的内容,有利于尽快推广计算机科学的新发展,为适应新形势下的计算机教育改革奠定基础。

1 大学计算机基础类课程体系的设置和教学现状分析

计算机基础类课程的教学目标要求学生能够通过课程学习掌握计算机的基础知识和基本原理,初步掌握使用计算机解决实际问题的基本方式、方法,具备基本的信息能力和信息素养。国内高校中的计算机基础类课程体系设置主要有两类课程:一类是大学计算机基础,主要培养学生对计算机基本原理的认知和基本技能的应用;另一类是程序设计类课程,主要培养学生的逻辑思维能力和用计算机解决实际问题的基础能力。长期以来,国内高校的计算机基础教学都以典型软件的应用教学为主[1]。随着教学改革的推进,很多高校开始在教学内容上加入更多计算机基本原理的相关知识和内容。但是,典型软件的应用训练仍然占据课程教学相当多的比例。以某些软件应用为主的教学缺乏灵活性和变通性,教学中依赖具体软件和版本,不利于计算机基本原理和内涵的掌握,不符合教育的基本规律。自从美国卡耐基·梅隆大学周以真教授在2006年提出计算思维以来[2],计算思维以其深层的内涵、高度的抽象和推广的普遍性受到了越来越多的关注。计算思维和基本的阅读、书写、表达等能力一样,是人类需要掌握的最基本技能。因此,在计算机基础课程中体现计算思维的基本思想被越来越多的高校认可[3]。

近年来,包括计算机技术在内的信息技术发展异常迅速,新技术、新模式和新潮流不断涌现。大数据、云计算、人工智能、深度学习、类脑计算等技术得到了迅速发展,形成了信息技术发展的新热点。然而,国内高校的大学计算机基础类课程在教学中还是以传统教学内容为主,信息技术的最新发展在课程教学中少有体现。虽然计算机基础类课程以基本理论和基本原理为主线,但是脱离最新发展的课程教学必然难以适应新形势的要求。探讨和研究如何在大学计算机基础类课程中体现计算的新形式和新方法,对于高素质人才培养具有显著的现实意义。

2 类脑计算对于计算机基础课程的意义

类脑计算是对比计算机信息技术与脑神经信息功能的智能差距后提出的技术理想,目标是发展仿脑的高智能计算机器[4]。类脑计算是在脑科学研究的基础上,通过探求人脑神经网络学习的方式,模拟高等生物的认知和思考模式进行信息变换的一种计算模式。类脑计算以人工神经网络为基础,对传统神经网络的层次进行深度扩充,以卷积神经网络、自编码器、深度置信网络等形式简化层与层之间的网络参数量级,在目前蓬勃发展的大数据和并行高性能计算的协助下,完成模式的认知和分类[5]。这种计算模式有别于传统的冯·诺依曼型计算机的计算架构,有望突破冯·诺依曼计算机的瓶颈,为计算的新发展探求新方向[4-6]。

近年来,国内外已经掀起了类脑计算的研究热潮。不论是AlphaGo在传统被认为智能化难度非常高的围棋领域战胜人类九段棋手,还是不断刷新纪录的ImageNet识别竞赛,到处都有类脑计算带来的震撼性效果。为推动类脑研究的发展,发达国家和组织也相继推出了大型脑研究计划。其中最受关注的有美国和欧盟在2013年分别提出的“通过推动创新型神经技术开展大脑研究计划(BrainResearch throughAdvancing Innovative Neurotechnologies,BRAIN)”和“人脑计划(Human Brain Project,HBP)”以及2014年日本启动的“脑智(Brain/MIND)计划”等。类脑研究和脑机智能技术是未来高科技领域的关键,类脑计算系统的突破将推动我国信息产业并带动工业、农业、金融及国防等领域的跨越式发展[7]。

由此可见,类脑计算包括很多信息领域的新技术,像大数据、高性能计算、深度学习、机器学习、人工智能等。如果将来高校培养的人才不了解这些知识,就无法理解和应用这些新的信息技术,难以适应时代的发展。在信息社会下,各学科专业学生都要具备基本的信息素养和计算机能力,因此,在计算机基础类课程教学中适当融入新技术是必要和有意义的。

3 大学计算机基础类课程中的类脑计算引入方式

在高校计算机基础类课程中进行类脑计算的教学具有一定的必要性和前瞻性。但是,受限于教学条件、教学环境、师资力量、学生知识基础等多方面因素,在实际教学的过程中,具体实施存在着较大的困难。一方面,类脑计算需要较多的基础知识,需要了解人工神经网络的基本理论,具体计算中又要求具有梯度下降法寻优等数学基础;另一方面,计算机基础类课程基本安排在高校的低年级学习,此时学生缺乏计算机理论和知识的基本了解,相应的数据基础也没有建立起来,教学类脑计算必然会遇到很大的困难。然而,从另一个角度来看,此时学生的思维方式还没有定向化,较易于接受新的思想和思维模式。如果在教学中把类脑计算概要化,提取出抽象化的思维模式,不拘泥于具体的网络训练细节,就可以摆脱数学基础的牵绊,把教学重点放在思想和计算方式上,达到计算思维培养的教学目的。

3.1 类脑计算的先修内容及其相互关系

在课程的具体设计和安排上,可以设置在大学计算机课程中。大学计算机课程一般先讲授计算的本质、计算的原理等。以图灵机模型为例,让学生理解所有数据都可以表示为字符串,计算就是在控制器的作用下把输入字符串变换为输出字符串的过程。一方面让学生了解计算的强大能力,另一方面可以结合图灵机的“停机问题”,解释计算的局限性,让学生明白宇宙中存在着许多难以计算的问题。随后,讲解数值、文本、声音、图形图像、视频等信息在计算机中的表示等相关内容,为教授计算机的其他理论和应用打下基础。在计算的具体实现步骤中,应以算法的相应内容为主线,安排算法的概念、特点、常见算法设计的方法以及算法复杂度度量等内容。在算法复杂度讲解部分,可以呼应计算理论的相关内容,通过典型计算复杂度曲线让学生理解计算的复杂性和局限性。有了这些基础,便于进一步进行类脑计算部分的教学。其中,信息编码部分是计算与类脑计算部分的静态数据表示基础,算法部分是计算与类脑计算部分的动态变换基础。类脑计算是计算的一种特殊形式,它们一起构成了信息编码和算法的具体应用。各部分间既有先后顺序关系,又有相辅相成的内在联系,在教学中可以前后呼应,强化学生对各部分内容的理解。类脑计算部分与其先修内容间的相互关系可用图1表示。图中矩形框内为各部分章节的主题,各部分章节前的标号表示教学内容的先后顺序,椭圆形框中为各章节的主要内容。

图1 类脑计算部分与其他章节内容的相互关系

3.2 类脑计算的教学内容

类脑计算是模仿生物脑神经网络的模式进行计算的,因此适当介绍脑科学研究中关于生物脑信息存储和信息处理方式的内容,有助于对类脑计算的教学和理解;同时,通过图像和视频作为多媒体教学辅助工具展示人脑信息处理方式,有利于吸引学生的好奇心,调动其学习的积极性和主动性;由人脑的神经元构成和各部分的工作模式,引出MP神经元模型;通过对比神经元的兴奋和抑制状态,类比MP模型的激活函数的输出,使学生明白神经元的工作机理,继而通过把多个神经元分层联结,形成人工神经网络,模拟人脑内部的神经元联结;结合Hebb规则,说明神经网络通过权值调整来进行学习的思想,让学生理解以神经网络的权值作为信息存储和表现的方式。由于人脑内部对于信息的存储和处理是分区域分层次进行的,因此通过加深神经网络的层数,可以更好地模拟人脑,由此带来参数增加和训练难度加大等问题可以通过大数据等方式克服。图2为从神经元连接为人脑的示意图及其与神经元模型连接为神经网络和深度神经网络的类比。以类比的方式进行教学,可以让学生更容易领会类脑计算的实质。在实际课程教学进程中,依据教学学时的安排,可根据需要调整内容的详略侧重。如果时间允许,可以适当介绍通过大数据训练神经网络的主要思想和方法以及为什么要把神经网络的层次变深变多来实现更好的人脑模拟效果。

3.3 教学中的一些建议

类脑计算的信息表示存储方式以及计算方式和冯·诺依曼型计算机的信息表达与处理方式存在显著差异,在教学中容易引起学生的困惑。另外,由于新的知识体系与传统计算机的知识体系不尽相同,对学生的学习也会造成困难,教学中需要特别注意。为了降低学生的学习难度,达到更好的教学效果,对大学计算机课程中的类脑计算教学提出以下建议。

(1)强调思想,舍弃细节。由于大学低年级学生尚未完全建立真正类脑计算涉及的知识基础,过多陷入细节容易使学生产生畏难情绪,不利于把握整体思想。

(2)重视直观,摆脱公式。在大学的低年级阶段,学生的抽象思维能力还处在持续的培养训练中,对于直观感受的依赖性还很强。因此,多用实例、图表和多媒体辅助教学工具可以起到更好的效果。对于很多类脑计算的复杂数学公式,可以舍弃掉,以免课堂出现过于抽象的情况。

(3)多做类比,理解模拟。结合脑科学和神经科学的研究成果,把类脑计算的相关内容和生物脑的结构与组织方式多做类比,帮助学生理解人工神经网络来模拟生物脑的初衷、方法和效果。在模拟中舍弃了哪些细枝末节,又做了哪些强化和修改,以比较的方式并从方法论的高度加强学生对这种模拟的思维和方法训练。(4)启发思维,培养素养。类脑计算教学的初衷是培养学生对这种计算模式思维方式的熟悉度,因此应以启发思维的角度来要求,不应过于强调识记知识的掌握。学生能够掌握这种思维的模式和框架,在以后需要时能够快速回忆和理解有关的体系内容就是一种教学的成功。

对于不同层次高校和不同学科,可以依据实际情况强调或弱化不同部分的内容,因材施教、因需施教,结合实际调整各部分内容的权重。应着重在思维模式的训练和培养上下工夫,使学生对类脑计算的总体有一个把握,便于在以后需要掌握技术细节时从其他课程中获取。同时,与类脑计算相关的一些新发展和热点也可以适当介绍和渗透,例如大数据、人工智能、并行计算等,使学生在学习计算机的早期就奠定新式计算机技术和算法的思想基础,启迪思维、开阔眼界,不拘泥于传统思想,从而在应用时与社会需求相匹配。

图2 生物脑与脑计算模型的类比

4 结语

目前以深度学习、类脑计算等为代表的计算机和人工智能新技术正在蓬勃发展,这种发展趋势势必对未来的社会发展产生重要影响,甚至会引起许多生活模式的变革。承载着信息技术基础教育和普及教育功能的高校计算机基础类课程必须顺应时代潮流,调整教学内容和教学模式。在信息化和智能化的社会大形势下,计算机基础教育任重道远,必须不断更新,探索具有普遍性重大影响的新技术在日常教学中的引入方法,才能培养出与时代相适应的、具有信息素养的高素质人才。

[1]战德臣,聂兰顺,徐晓飞.“大学计算机”:所有大学生都应学习的一门计算思维基础教育课程[J].中国大学教学,2011(4):15-20.

[2]WingJM.Computationalthinking[J].CommunicationsoftheAcm,2006,49(3):3.

[3]陈国良,董荣胜.计算思维与大学计算机基础教育[J].中国大学教学,2011(1):7-11.

[4]华春雷.深构造网络:类脑计算的新方向[J].科技导报,2016(7):34-38.

[5] Hinton G E, Salakhutdinov R R. Reducing the dimensionality of data with neural networks[J]. Science, 2006, 313(5786): 504-517.

[6]曾毅,刘成林,谭铁牛.类脑智能研究的回顾与展望[J].计算机学报,2016(1):212-222.

[7]蒲慕明,徐波,谭铁牛.脑科学与类脑研究概述[J].中国科学院院刊,2016(7):16-18.

猜你喜欢
类脑神经网络基础
“不等式”基础巩固
基于递归模糊神经网络的风电平滑控制策略
“整式”基础巩固
神经元规模最大类脑计算机问世
我科学家首次提出“类脑计算完备性”
神经网络抑制无线通信干扰探究
基于神经网络的中小学生情感分析
“防”“治”并举 筑牢基础
中国成立“类脑国家实验室”“借鉴人脑”攻关人工智能
基于Q-Learning算法和神经网络的飞艇控制