高校模式识别课程改革与探讨

秦华锋 王兴琼

摘要：随着这人工智能算法尤其是深度学习的快速发展，已经对各行各业产生了影响。为了能够跟上技术和理论发展的步伐，培养企业和行业所需的人才，当前高校的人工智能课程需要做出调整。本文以模式识别课程为例，探讨人工智能背景下高校课程的改革方案。首先分析了目前模式识别课程存在的问题。然后，针对模式识别的课程特点，提出将前沿科技引入教学内容，并对教学内容和教学方式进行改革。最后，开发了相应的实验平台，并在实验教学环节中介绍了基于深度卷积神经网络手写体识别的实验案例。

关键词：模式识别;课程改革;深度学习;人工智呢;实验平台

中图分类号：G642        文献标识码：A

文章编号：1009-3044（2019）20-0160-03

开放科学（资源服务）标识码（OSID）：

Abstract： With the rapid development of this artificial intelligence algorithm， especially deep learning， it has already had an impact on various industries. In order to keep up with the pace of technological and theoretical development and to cultivate the talents needed by enterprises and industries， the current artificial intelligence courses in colleges and universities need to be adjusted. This paper takes the pattern recognition course as an example to discuss the reform plan of college curriculum under the background of artificial intelligence. First， the problems existing in the current pattern recognition course are analyzed. Then， according to the characteristics of the curriculum of pattern recognition， it is proposed to introduce new technology into course， and reform the teaching content and teaching methods. Finally， the corresponding experimental platform was developed， and the experimental case based on deep convolutional neural network handwriting recognition was introduced in the experimental teaching section.

Key words：Pattern recognition; curriculum reform; deep learning; artificial intelligence; experimental platform

1 引言

目前很多高校组建了人工智能专业。而且，部分高校将人工智能与传统的学科专业进行交叉融合形成了具有智能化特色的专业。在此背景下，各高校智能科学与技术相关专业的本科和研究生教学模式不但具有专业本身的特色，还融入了智能化特色[1]。模式识别课程是各个高校人工智能开设的核心专业课[2]，其主要讨论以统计学为基础的模式识别理论和方法，内容包括：贝叶斯决策理论以及参数估计方法、以误差函数最小化为原则的线性和非线性判别、近邻规则、特征提取和选择、聚类分析、神经网络、支撑矢量机、随机方法、非度量方法、独立于算法的机器学习等内容[3]。特别是近年来，深度学习受到了广泛关注，目前已经应用于计算视觉、语音识别、自然语言处理等方面并取得了令人鼓舞的结果。这些为模式别识别课程注入了新的血液。然而，我国的人工智能的发展尚属初级阶段，膜识别课程和教学都处于建设和摸索阶段。因此，随着深度学习理论和技术的发展，必然会推动该课程的改革。

2 模式识别教学的现状

2.1教学内容与前沿知识的脱轨

模式识别是对表征事物或现象的各种形式的信息进行处理和分析，以对事物或现象进行描述、辨认、分类和解释的过程，是信息科学的重要组成部分[1-2]。它不仅是一门理论基础特别强，而同时与工程实践又紧密结合的学科。然而，随着人工智能的快速发展与应用，各种理论和技术也不断涌现。例如，近来的深度神经网络、增强学习等理论取得了较大的进展。 然而，目前模式识别教学却几乎忽视了人工智能领域的最新发展。

2.2课程培养方案不合理

模式识别是一门理论与实践紧密结合的学科，其理论基础涉及高等数学、线性代数、数理统计、矩阵论、随机过程、工程优化方法、小样本统计学习理论、模糊数学等学科[2]。然而，然而除了高等数学、线性代数和数理统计，其他课程都是研究生阶段才能开设的课程。这就使得大部分本科学生还不具备足够的知识储备，很难深刻理解模式识别这门课程，容易产生厌学情绪。

2.3 學生实际动手能力很难得到提高

模式识别是一门紧密联系实际的课程，针对模式识别的应用需求非常多，比如生物特征识别、自然语言处理、智能交通等都要用到模式识别的基础知识。然而，由于实验资源有限，往往很难有效培养的学生的实际动手能力。例如，学生实验课时不足而且很多时候提供给学生的硬件设备缺乏，这些使得学生很难再有限的实验完成规定的实验内容。这种问题在一些地方院校中尤为突出。 久而久之，学生在这些实际应用的驱动下很难产生高涨的兴趣。

3 将深度学习引入模式识别教学内容

深度学习是基于学习数据表示的更广泛的机器学习方法中的一部分，而不是特指某一种算法[4-6]。深度学习算法试图让机器自己学习输入数据的特征，在建立模型和参数优化的过程中，机器能够将输入数据转变为更高层次、更加抽象的数据表征，从而自动地学习到更加有效、表达力更强的特征信息。

近些年来，随着计算机硬件技术的不断进步，深度学习算法已经广泛应用于包括计算机视觉[7]、语音识别[8]、自然语言处理[9]等领域，并在对应领域取得了相应地研究成果。例如，在2016年3月人工智能围棋比赛中，由谷歌旗下DeepMind公司开发的AlphaGo[10]战胜了人类围棋世界冠军李世石，这使得深度学习算法更加声名远播。

如今深度学习模型主要有[11]：深度置信网络模型、自动编码器模型、卷积神经网络模型。随着深度学习技术的快速发展，深度学习模型衍生出几个变体模型，如稀疏自编码器模型，全卷积神经网络模型等。

稀疏自编码器是一种无监督的机器学习算法，通过计算自编码的输出与原输入的误差，不断调节自编码器的参数，最终训练出模型。其中，自编码器可以用于压缩输入信息，提取有用的输入特征。稀疏自编码器是指在自编码器的基础上加入了稀疏性条件，以减少过拟合。

全卷积神经网络是一类包含卷积计算且具有深度结构的前馈神经网络，前馈是相对于反向而言，不对神经网络进行调整，直接计算每一层中每一个神经元的输出并向下一层传递，最后传递到输出层，进而计算网络的输出结果。本质上是一种输入到输出的映射网络，它能够学习大量的输入与输出之间的映射关系，而不需要任何输入和输出之间精确的数学表达式。

深度置信网络是一个概率生成模型，与传统的判别模型的神经网络不同，生成模型是建立一个观察数据和标签之间的联合分布，以推断出数据样本分布。深度置信网络模型通过训练网络结构中神经元间的权重使得整个神经网络依据最大概率生成训练数据，形成高层抽象特征，以得到更好的特征表达。

从目前的深度学习理论知识可以看出， 深度学习是对传统学习方法的一个补充，将其引入教学过程，不仅能够增加学生的知识面，也可以使学生顺应社会的需求。

4  开发深度学习试验，增强学生动手能力

动手能力能够激发学生的学习兴趣。为了增强学生的动手能力，有效掌握深度学习相关知识，需要搭建深度学习试验平台。

4.1 深度学习平台工具

随着深度学习的深入研究，大量的深度学习平台被提出，例如Tensorflow、Theano、Caffe、Matlab等，表1总结了这些工具的主要情况。

其中，在众多平台中，Tensorflow是相对高阶的机器学习库，用户可以方便的用它设计神经网络结构，且目前使用的研究人员也远远多于其他平台。除此之外，Matlab编码简单，且绘图功能也相当强大，因此本文主要采用Tensorflow和Matlab作为实验工具。因为Matlab安装比较简单，故详细阐述Tensorflow平台的搭建过程。

4.2 Tensorflow平台搭建

Tensorflow平台搭建的具体实验环境配置如表2所示。Tensorflow的安装版本分为GPU版和CPU版，其安装方式有4种，分别是：基于Docker的安装、基于VitualEnv的安装、基于Anaconda的安装和基于源码的安装。基于实验环境，本文选择了基于Anaconda的GPU版Tensorflow安装。在Ubuntu系统上，首先下载相应的软件版本，然后分别安装nvidia显卡驱动、cuda、cudnn、anaconda和tensorflow，主要操作过程如下。

5  实验案例

在实验开始之前，教师先向学生介绍基于TensorFlow环境和卷积前馈型人工神经网络的实验方案。 然后，在搭建的深度学习平台上，利用卷积神经网络模型对手写体数据进行识别，如图2所示。该实验简单易于操作、效果直观，让学生更好地理解卷积神经网络及其应用。该实验属于验证性实验，主要目的在于引导学生入门，激发学生兴趣，使得知识点更易于理解。

6  结束语

本文通过提高 学生的学习兴趣目的，综合考虑模式识别的课程特征和学生的知识储备，将目前的先见的技术引入教学内容，重构教学大纲和授课计划，注重学生动手能力的培养，激发学生的创新潜力，积极培养学生的自主学习能力。通过实践研究表明，本文的方法 在调动学生的学习积极性方面是有效的。

参考文献：

[1] 钟义信. 智能科学技术导论[M]. 北京： 北京邮电大学出版社， 2007. （下转第165页）

（上接第162页）

[2] 顾波. 《模式识别》本科教学方法浅谈[J]. 中国科教创新导刊， 2010（4）：68-68.

[3] 戚玉涛. 模式识别教学实践与课程改革[J]. 计算机教育， No.127（19）：28-30.

[4] 郭丽丽， 丁世飞. 深度学习研究进展[J]. 计算机科学， 2015， 42（5）：28-33.

[5] Bengio Y ， Courville A ， Vincent P . Representation Learning： A Review and New Perspectives[J]. IEEE Transactions on Pattern Analysis & Machine Intelligence， 2012， 35（8）：1798-1828.

[6]. Schmidhuber， Jürgen. Deep learning in neural networks： An overview[J]. Neural Networks， 2015（61）：85-117.

[7]. 张慧， 王坤峰， 王飞跃. 深度学习在目标视觉检测中的应用进展与展望[J]. 自动化学报， 2017（8）.

[8] 奚雪峰， 周国栋. 面向自然语言处理的深度学习研究[J]. 自动化学报， 2016， 42（10）： 1445-1465.

[9] 奚雪峰， 周国栋. 面向自然语言处理的深度学习研究[J]. 自动化学报， 2016， 42（10）： 1445-1465.

[10] Silver D ， Schrittwieser J ， Simonyan K ， et al. Mastering the game of Go without human knowledge[J]. Nature， 2017， 550（7676）：354-359.

[11] Lecun Y， Bengio Y， Hinton G. Deep learning[J]. Nature， 2015， 521（7553）：436.

【通聯编辑：王力】