卷積神經網絡的歷史

前言：想要寫出一篇令人眼前一亮的文章嗎？我們特意為您整理了5篇卷積神經網絡的歷史范文，相信會為您的寫作帶來幫助，發現更多的寫作思路和靈感。

卷積神經網絡的歷史范文第1篇

過去10年，人們對機器學習的興趣激增。幾乎每天，你都可以在各種各樣的計算機科學課程、行業會議、華爾街日報等等看到有關機器學習的討論。在所有關于機器學習的討論中，許多人把機器學習能做的事情和他們希望機器學習做的事情混為一談。從根本上講，機器學習是使用算法從原始數據中提取信息，并在某種類型的模型中表示這些信息。我們使用這個模型來推斷還沒有建模的其他數據。

神經網絡是機器學習的一種模型，它們至少有50年歷史了。神經網絡的基本單元是節點(node)，基本上是受哺乳動物大腦中的生物神經元啟發。神經元之間的連接也以生物的大腦為模型，這些連接隨著時間的推移而發展的方式是為“訓練”。

在20世紀80年代中期和90年代初期，許多重要的架構進步都是在神經網絡進行的。然而，為了得到好的結果需要大量時間和數據，這阻礙了神經網絡的采用，因而人們的興趣也減少了。在21世紀初，計算能力呈指數級增長，計算技術出現了“寒武紀大爆發”。在這個10年的爆炸式的計算增長中，深度學習成為這個領域的重要的競爭者，贏得了許多重要的機器學習競賽。直到2017年，這種興趣也還沒有冷卻下來；今天，我們看到一說機器學習，就不得不提深度學習。

作者本人也注冊了Udacity的“Deep Learning”課程，這門課很好地介紹了深度學習的動機，以及從TensorFlow的復雜和/或大規模的數據集中學習的智能系統的設計。在課程項目中，我使用并開發了用于圖像識別的卷積神經網絡，用于自然語言處理的嵌入式神經網絡，以及使用循環神經網絡/長短期記憶的字符級文本生成。

本文中，作者總結了10個強大的深度學習方法，這是AI工程師可以應用于他們的機器學習問題的。首先，下面這張圖直觀地說明了人工智能、機器學習和深度學習三者之間的關系。

人工智能的領域很廣泛，深度學習是機器學習領域的一個子集，機器學習又是人工智能的一個子領域。將深度學習網絡與“經典的”前饋式多層網絡區分開來的因素如下:

比以前的網絡有更多的神經元更復雜的連接層的方法用于訓練網絡的計算機能力的“寒武紀大爆炸”自動特征提取

這里說的“更多的神經元”時，是指神經元的數量在逐年增加，以表達更復雜的模型。層(layers)也從多層網絡中的每一層都完全連接，到在卷積神經網絡中層之間連接局部的神經元，再到在循環神經網絡中與同一神經元的循環連接(recurrent connections)。

深度學習可以被定義為具有大量參數和層的神經網絡，包括以下四種基本網絡結構：

無監督預訓練網絡卷積神經網絡循環神經網絡遞歸神經網絡

在本文中，主要介紹后三種架構。基本上，卷積神經網絡(CNN)是一個標準的神經網絡，通過共享的權重在空間中擴展。CNN設計用于通過內部的卷積來識別圖像，它可以看到圖像中待識別的物體的邊緣。循環神經網絡(RNN)被設計用于識別序列，例如語音信號或文本。它的內部有循環，這意味著網絡上有短的記憶。遞歸神經網絡更像是一個層級網絡，在這個網絡中，輸入必須以一種樹的方式進行分層處理。下面的10種方法可以應用于所有這些架構。

1.反向傳播

反向傳播(Back-prop)是一種計算函數偏導數(或梯度)的方法，具有函數構成的形式(就像神經網絡中)。當使用基于梯度的方法(梯度下降只是方法之一)解決優化問題時，你需要在每次迭代中計算函數梯度。

對于神經網絡，目標函數具有組合的形式。如何計算梯度呢？有兩種常用的方法：(i)解析微分(Analytic differentiation)。你已經知道函數的形式，只需要用鏈式法則(基本微積分)來計算導數。(ii)利用有限差分進行近似微分。這種方法在計算上很昂貴，因為函數值的數量是O(N)，N指代參數的數量。不過，有限差分通常用于在調試時驗證back-prop實現。

2.隨機梯度下降法

一種直觀理解梯度下降的方法是想象一條河流從山頂流下的路徑。梯度下降的目標正是河流努力達到的目標——即，到達最底端(山腳)。

現在，如果山的地形是這樣的，在到達最終目的地之前，河流不會完全停下來(這是山腳的最低點，那么這就是我們想要的理想情況。)在機器學習中，相當從初始點(山頂)開始，我們找到了解決方案的全局最小(或最佳)解。然而，可能因為地形的性質迫使河流的路徑出現幾個坑，這可能迫使河流陷入困境。在機器學習術語中，這些坑被稱為局部極小值，這是不可取的。有很多方法可以解決這個問題。

因此，梯度下降很容易被困在局部極小值，這取決于地形的性質(用ML的術語來說是函數的性質)。但是，當你有一種特殊的地形時(形狀像一個碗，用ML的術語來說，叫做凸函數)，算法總是保證能找到最優解。凸函數對ML的優化來說總是好事，取決于函數的初始值，你可能會以不同的路徑結束。同樣地，取決于河流的速度(即，梯度下降算法的學習速率或步長)，你可能以不同的方式到達最終目的地。這兩個標準都會影響到你是否陷入坑里(局部極小值)。

3.學習率衰減

根據隨機梯度下降的優化過程調整學習率(learning rate)可以提高性能并減少訓練時間。有時這被稱為學習率退火(learning rate annealing)或自適應學習率(adaptive learning rates)。訓練過程中最簡單，也是最常用的學習率適應是隨著時間的推移而降低學習度。在訓練過程開始時使用較大學習率具有進行大的改變的好處，然后降低學習率，使得后續對權重的訓練更新更小。這具有早期快速學習好權重，后面進行微調的效果。

兩種常用且易于使用的學習率衰減方法如下：

逐步降低學習率。在特定的時間點較大地降低學習率。

4?. Dropout

具有大量參數的深度神經網絡是非常強大的機器學習系統。然而，過擬合在這樣的網絡中是一個嚴重的問題。大型網絡的使用也很緩慢，這使得在測試時將許多不同的大型神經網絡的預測結合起來變得困難。Dropout是解決這個問題的一種方法。

Dropout的關鍵想法是在訓練過程中隨機地從神經網絡中把一些units(以及它們的連接)從神經網絡中刪除。這樣可以防止單元過度適應。在訓練過程中，從一個指數級的不同的“稀疏”網絡中刪除一些樣本。在測試時，通過簡單地使用一個具有較小權重的單一網絡，可以很容易地估計所有這些“變瘦”了的網絡的平均預測效果。這顯著減少了過擬合，相比其他正則化方法有了很大改進。研究表明，在視覺、語音識別、文檔分類和計算生物學等監督學習任務中，神經網絡的表現有所提高，在許多基準數據集上獲得了state-of-the-art的結果。

5. Max Pooling

最大池化(Max pooling)是一個基于樣本的離散化過程。目標是對輸入表示(圖像，隱藏層輸出矩陣等)進行下采樣，降低其維度，并允許對包含在分區域中的特征進行假設。

這在一定程度上是為了通過提供一種抽象的表示形式來幫助過擬合。同時，它通過減少學習的參數數量，并為內部表示提供基本的平移不變性(translation invariance)，從而減少計算成本。最大池化是通過將一個最大過濾器應用于通常不重疊的初始表示的子區域來完成的。

6.批量歸一化

當然，包括深度網絡在內的神經網絡需要仔細調整權重初始化和學習參數。而批量標準化有助于實現這一點。

權重問題：無論權重的初始化如何，是隨機的也好是經驗性的選擇也罷，都距離學習到的權重很遙遠。考慮一個小批量(mini batch)，在最初時，在所需的特征激活方面將會有許多異常值。

深度神經網絡本身是有缺陷的，初始層中一個微小的擾動，就會導致后面層巨大的變化。在反向傳播過程中，這些現象會導致對梯度的分散，這意味著在學習權重以產生所需輸出之前，梯度必須補償異常值，而這將導致需要額外的時間才能收斂。

批量歸一化將梯度從分散規范化到正常值，并在小批量范圍內向共同目標(通過歸一化)流動。

學習率問題：一般來說，學習率保持較低，只有一小部分的梯度校正權重，原因是異常激活的梯度不應影響學習的激活。通過批量歸一化，減少異常激活，因此可以使用更高的學習率來加速學習過程。

7.長短時記憶

LSTM網絡在以下三個方面與RNN的神經元不同：

能夠決定何時讓輸入進入神經元；能夠決定何時記住上一個時間步中計算的內容；能夠決定何時讓輸出傳遞到下一個時間步長。

LSTM的優點在于它根據當前的輸入本身來決定所有這些。所以，你看下面的圖表：

當前時間標記處的輸入信號x(t)決定所有上述3點。輸入門從點1接收決策，遺忘門從點2接收決策，輸出門在點3接收決策，單獨的輸入能夠完成所有這三個決定。這受到我們的大腦如何工作的啟發，并且可以基于輸入來處理突然的上下文/場景切換。

8. Skip-gram

詞嵌入模型的目標是為每個詞匯項學習一個高維密集表示，其中嵌入向量之間的相似性顯示了相應詞之間的語義或句法相似性。Skip-gram是學習單詞嵌入算法的模型。

Skip-gram模型(以及許多其他的詞語嵌入模型)的主要思想是：如果兩個詞匯項(vocabulary term)共享的上下文相似，那么這兩個詞匯項就相似。

換句話說，假設你有一個句子，比如“貓是哺乳動物”。如果你用“狗”去替換“貓”，這個句子仍然是一個有意義的句子。因此在這個例子中，“狗”和“貓”可以共享相同的上下文(即“是哺乳動物”)。

基于上述假設，你可以考慮一個上下文窗口(context window，一個包含k個連續項的窗口)，然后你跳過其中一個單詞，試著去學習一個能夠得到除跳過項外所有項的神經網絡，并預測跳過的項是什么。如果兩個詞在一個大語料庫中反復共享相似的語境，則這些詞的嵌入向量將具有相近的向量。

9.連續詞袋(Continuous Bag Of Words)

在自然語言處理問題中，我們希望學習將文檔中的每個單詞表示為一個數字向量，使得出現在相似的上下文中的單詞具有彼此接近的向量。在連續的單詞模型中，我們的目標是能夠使用圍繞特定單詞的上下文并預測特定單詞。

我們通過在一個龐大的語料庫中抽取大量的句子來做到這一點，每當我們看到一個單詞時，我們就會提取它周圍的單詞。然后，我們將上下文單詞輸入到一個神經網絡，并預測位于這個上下文中心的單詞。

當我們有成千上萬的這樣的上下文單詞和中心詞以后，我們就有了一個神經網絡數據集的實例。訓練神經網絡，最后編碼的隱藏層輸出表示特定單詞的嵌入。而當我們對大量的句子進行訓練時也能發現，類似語境中的單詞得到的是相似的向量。

10.遷移學習

卷積神經網絡的歷史范文第2篇

關鍵詞：化學計量學 分析化學 人工神經網絡

化學計算學作為化學的分支學科，起步較晚，在涉及內容上又比較廣闊，涉及到數學、統計學及計算機應用技術等相關學科，可以說是一門交叉性的學科。正是因為科學技術的發展及多學科相互滲透的作用才誕生了化學計量學這門獨特的學科。涵蓋于化學測量的整個過程，采樣理論、實驗設計、選擇與優化、變量處理及數據分析斗屬于化學計量學。化學計量學擔負的主要任務是進行化學測量數據的分析與處理，進行測量程序與實驗方法的最佳選擇，最早由瑞典化學家提出，一直沿用至今。正是因為化學計量學的巨大作用，解決了傳統化學研究中不能攻破的難題，成為化學研究的新方向與關注點。

一、化學計量學對于化學測量的應用分析

在化學研究中，需要將化學計量學滲透于化學測量的全過程。在上世紀五十年代以來，新的化學儀器分析方法已經被充分的引入到分析化學中，分析測試工作已經逐步實現了儀器化、自動化與初步的計算機化，這些技術的深入應用，為化學分析提供了可靠的測量數據，但是將這些分析儀器的優點結合起來，將雜亂無章的數據信息進行重新排列組合，最大限度的解決信息的篩選，成為化學研究工作者當前面臨的最大難題。

化學計量學在解決這一問題中發揮了重大作用。將分析分離技術集于一體，通過特定的高維儀器產生分析信號，利用新型的分析信號多元校正及有效分辨方法進行復雜多組分的體系定性，進行定量解析。利用這種化學計量學的方法可以對巨大的數據信息進行有效的篩選，從而提取最有用的信息，對這些有用信息進行分析，實現了單純的“數據提供者”到“問題解決者”的角色轉變。化學計量法對于化學測量產生的影響是深遠且巨大的。化學計量法應該貫穿于化學測量的全過程。

二、當前化學計量學在分析化學中的應用分析

（一）化學計量學在化學定量構效關系中的應用分析

化學定量構效關系研究是化學學科的根本性研究問題，結合物質的化學成分與基本的結構進行化學性質的測定，是我國目前化學理論研究中的重要目標。在進行研究時一般采用圖論與數值的方法進行各種化合物的表征，將所獲取的計算結果與實際的被測量化學物的物理、化學及生物特性結合起來，用比較明確的定量關系來代替含糊的定性描述。目前化學計量學在進行分析化學研究時引入了全局最優算法，在利用誤差反向傳播的多層次感知模型進行苯酚衍生物的活性測驗時取得了明顯的研究效果，較之先前的研究方法，改進是十分明顯的。

（二）化學計量學中模式識別方法在分析化學中的應用

化學計量學中的模式識別法是根據化學測量數據矩陣，對樣本集通過樣本性質進行分類進行選取的方法。根據測量在多維模式空間中的相對位置不同，用線性判斷識別分析法、最鄰近法等進行模式的識別。模式識別法的研究能夠為決策及過程優化提供最有實用價值的信息資料。我國石油化工行業、材料化學研究領域都基于該思想破解了很多研發難題。其中K―最鄰近法從伏安波匯總對重疊的伏安響應信號進行區分，將K―最鄰近法用于電位階伏安波及毛細管曲線分類中，實現了對有機化合物構效關系的有效表征。二SMCA法最廣泛的應用就是食品的鑒定。

（三）化學計量學的人工神經網絡應用分析

除了我們上面提到的應用，化學計量學在神經網絡應用方面也發揮了積極的作用。所謂的人工神經網絡是基于現代生物學的對人腦組織進行研究而提出的，利用大量的簡單的處理單元進行充分連接，從而形成的巨大的復雜的網絡體系，主要是用來模擬人的大腦神經網絡結構域的一定神經行為。人工神經網絡可以對數據模式進行合理的解析與分類，對于原因與結果關系不確定的非線性測量數據有著獨特的應用。分析化學的不確定性很多，借助于化學計量學的人工神經網絡得到了有效的應用解決。從目前神經網絡的應用情況來看，在譜圖分析、藥物分子藥效的預測及蛋白質結構的預測方面都取得了不錯的成績。此外，在分析化學中應用比較廣泛的還有遺傳算法，遺傳算法可以進行多組分分析波長選擇、數據校正優化、核磁共振脈沖波形選擇等。人工神經網絡還進一步促進了儀器聯機與實驗的自動化。在生產方面起到了重要的指導作用。

（四）化學計量法波普化學的應用分析

目前在化學研究中，化學家們一直努力的目標主要是波普數據庫的有效利用。波普數據庫的質譜、核磁共振譜、色譜等復雜分析體系的快速定性定量分析都是當前研究的重點。化學計量學為這方面的研究提供了新的突破口。各種濾波、平滑、交換、卷積技術的應用，促進了分析化學的發展。可以直接提供不可分離的直接地測定相互干擾的共存性物種，對于完全未知的混合物也可以實現準確的測定。

（五）化學計量法的多元校正分析應用

我國化學的多元化分析成為今后化學研究的大趨勢，不僅在研究目標上體現出多元化，對于研究對象也呈現出多元化的特性。這對于化學研究工作者是不小的挑戰。要求化學工作者能夠快速、準確的定位與定量，從而得出分析結果。在這樣的背景下，多元校正法應用而生，其產生為現代分析儀器提供了大量的測量數據，并對這些數據進行了解析，可以說多元校正法是新型的數學統計方法。多元校正法在多個方面進行了研究優化，靈敏度、檢測度、精密度等都對指標進行了優化，在對這些指標優化后，大大擴展了分析儀器的功能與方法的有效及實用性。正是因為正交設計、均勻性設計分析、板因式設計分析等多種實驗設計優化方法的相互協調，對分析選擇性進行了改善，在一定程度上拓寬了其化學計量法多元校正的應用領域。

三、結束語：

化學計量學從產生到現在大約只有30多年的歷史，但是在短短的幾十年內，其應用不斷得到普及，其應用效果不斷得到化學行業的肯定。將來，化學計量學將依然是令人關注的問題，有著廣闊而光明的前景。化學計量學不斷發展，將對儀器的智能化分析提供新的研究理論與方法途徑，為高維聯用儀器的發展提供新的突破口與改進點。通過本文對化學計量學在分析化學中的應用分析，我們在看到化學計量學優勢作用的同時，更應該看到其發展中的不足，針對這些不足進行研究分析，在進行多次驗證的基礎上尋找新的解決途徑，完善這些不足，為化學計量學的發展提供更加廣闊的發展空間。在分析化學發展領域，增強對化學計量學的引入是今后化學研究發展的一個大方向。

參考文獻

[1]黃丹.淺談化學計量學在分析化學中的應用及發展前景[J].今日科苑.2009（08）.

[2]周統武，蔡娟.化學計量學的學科現狀與發展方向[J].中國科技信息，2009（03）.

[3]周南.關于“分析化學中的計量學與質量保證”的國際研討會[J].理化檢驗（化學分冊），2007（03）.

卷積神經網絡的歷史范文第3篇

在國內，百度DuerOS 2.0，希望成為新標桿，阿里ET大腦又開啟新征程。

國外

谷歌：正式TensorFlow Lite可在移動設備上運行深度學習

今年5月，在GoogleI/O開發者大會上，Google宣布了一個專門針對移動設備優化系統的TensorFlow新版本。11月，正式了TensorFlow Lite。

據了解，這款被稱為TensorFlow Lite的軟件庫，是可在移動設備上運行的深度學習工具，它允許開發人員在用戶的移動設備上實時運行人工智能應用。此外，自TensorFlow Lite正式公布以來，已經出現了多個安裝在移動設備上具有類似功能的學習軟件庫，包括蘋果的CoreML、Clarifai人工智能云端訓練服務，以及華為Mate10使用的麒麟970人工智能處理器。

亞馬遜：AWS re:Invent 2017大會AWS云推出新品EKS

11月，在亞馬遜舉辦的AWS re:Invent 2017大會上，公司了22款新品，分別涉及計算能力、數據庫、機器學習、智能硬件和IOT等領域，尤其是在計算能力、數據庫方面對AWS云服務進行了升級。

其中，AWS云推出了新品EKS，是AWS云上托管的Kubernete容器服務，不僅兼容多云環境，還具備高可用性、自動部署，自主升級等優勢，并可與AWS上其他服務集成，兩個平臺可無縫集成，在ECS中的應用同樣可以使用AWS其它服務。

FB：Pytorch 0.3實現多方優化增加對ONNX支持

今年初，Facebook在機器學習和科學計算工具Torch的基礎上，針對Python語言了一個全新的機器學習工具包PyTorch。日前，這款工具包又迎來了它的0.3.0版本，此版本增加了多個函數功能，多方面性能均有所提升。

其中，0.3版本中刪掉了Variable.reinforce()等隨機函數，用torch.distributions包來代替。新功能包括構建了一個in-built Profiler，能對模型進行瓶頸分析，同時支持CPU和CUDA模型；增加Higher order gradients模塊；以及優化器中增加了add_param_group函數，能在構建好的優化器中增加新的參數組。除此之外，還增加了新的張量函數和功能，在新版本中，能通過ONNX將模型遷移到其他框架上。

IBM：強化AI實力Deep Learning Impact軟件工具

11月，IBM公布了一款最新軟件Deep Learning Impact，其幫助用戶開發的AI模型可使用流行的開源、深度學習框架，例如TensorFlow和Caffee。12月，這款工具被添加到IBM的Spectrum Conductor軟件中。

除了軟件，IBM還推出了為AI量身定制的基于Power9處理器的新系統。據了解，該系統可以在Power9 CPU和硬件加速器(例如GPU和FPGA)之間加速傳輸數據。此外，Power9將成為首個片上支持最新高速連接器(包括Nvidia下一代NVLink、OpenCAPI 3.0和PCIe 4.0)的商用平臺。

國內

百度：DuerOS 2.0搭載AI硬件渡鴉raven H樹立新標桿

在今年的百度世界大會上，主打下一代人機交互的DuerOS迎來一次重大升級，推出了2.0版本。據官方資料，DuerOS 2.0主要帶來了兩個變化：其一，是小度智能設備開放平臺的升級；其二，則是小度技能開放平臺的全新。至此，基于語音交互，DuerOS形成了兩個開放式平臺，可以對接設備開發商、生態合作伙伴、線上線下服務提供商。

此外，百度世界大會上同時了人工智能硬件產品渡鴉raven H，這款產品通過搭載DuerOS 2.0，在功能和用戶體驗上樹立了新的標桿。

騰訊：騰訊云正式Supermind用人工智能方式實現網絡規劃

11月，騰訊云正式SUPERMIND智能網絡產品。據介紹，相比此前網絡產品，SUPERMIND智能網絡將擁有高性能、全球互聯、智能化等三大特點。

據了解，用人工智能方式實現網絡規劃、建設以及運維的全流程，是騰訊云SUPERMIND網絡產品最大的亮點。騰訊云SUPERMIND智能網絡能夠結合幾萬條線路特征智能規劃，通過歷史用量分析、網絡路徑分析、用戶反饋分析、節點規劃建議、專線擴容建議等方面，合理規劃出網絡建設路線，大幅縮短規劃時間，節約時間成本。

阿里巴巴：ET大腦獲世界互聯網領先科技成果18強

自去年8月阿里巴巴推出ET大腦，一年多來已經被用來解決和探索社會經濟發展當中依靠人腦所無法解決的棘手問題。據阿里巴巴集團CEO張勇介紹:“整個ET大腦有非常多的人工智能技術，不僅僅是機器視覺、語音識別、自然語言處理等單個的AI技術，更重要的是這些技術有機整體的實現和全局的突破。”

在11月舉辦的第三屆世界互聯網大會上，15項世界互聯網領先科技成果同時，其中便包括ET大腦。獲獎原因包括AI、云計算、大數據能力與垂直領域知識深度結合，以及在應方面，已廣泛應用于城市治理、工業制造、社會安全等數十個垂直領域。

中國移動：移動網絡業界首個AI平臺“九天”

12月，中國移動面向業界首個AI平臺“九天”。

據了解，該平臺可以拆分出三個方面：第一方面，產品的應用服務，包括運營、連接、服務三大領域，旗下分別包括智能營銷、智能決策、智能網絡、智能物聯以及智能客服等領域；第二方面，AI核心能力層可以將其處理的數據自主分為語音語言類型、圖像識別類型等；第三方面，“九天”的深度學習平臺是中國移動首款基于GPU的深度學習訓練平臺。

中科視拓：推出深度學習服務平臺SeeTaaS將深度學習開發過程簡化

10月，中科視拓推出一站式企業級深度學習平臺SeeTaaS，主要用于研發人臉識別、手勢識別、無人機視覺、視頻結構化分析等在內的企業級解決方案。據了解，該平臺可以提供深度學習相關的數據、算法、算力等服務，同時將深度學習的開發過程簡化為：上傳數據、選擇算法、自動調參、輸出訓練模型、模型批量測試、模型跨平臺部署等。

應用方面，中科視拓已與中國平安、中國航天科技、中國電信、華為、百度、三星、高通等企業達成合作。

EasyStack：推出全球首個同時支持GPU和FPGA開源云平臺

在2017中國開源產業峰會暨第21屆中國國際軟件博覽會分論壇上，EasyStack正式推出全球首個同時支持GPU和FPGA異構計算的人工智能開源云平臺ESCould AI。

卷積神經網絡的歷史范文第4篇

關鍵詞：大學計算機基礎；教學改革；人工智能；智慧課堂

云計算、大數據、人工智能新興領域的崛起，推動信息技術全面滲透于人們的生產生活中。信息技術的核心在于計算機技術和通信技術。然而，雖然目前各個高校都開設了計算機基礎課程，但是其教學卻存在著諸多問題，導致該課程無法達到預期的教學效果。教育部在2012年《教育信息化十年發展規劃（2011-2020年）》，其中指明“以教育信息化帶動教育現代化，促進教育的創新與變革”[2]。因此，本文以華中師范大學計算機基礎課程教學為例，深入闡述了傳統計算機基礎課程教學的弊端，提出了在當前人工智能如火如荼的時代背景下，如何應用人工智能相關技術對傳統的計算機基礎教學進行改革的具體方案。該方案以創建網絡智慧課堂教學模式改革為主體，輔以教學觀念、知識體系和課程考核方式改革，以期對高校的計算機基礎課程教學有所裨益。

1傳統教學的缺陷

⑴課程的教學地位沒有引起足夠的重視一些高校為計算機基礎課程分配較少的學時（少于48學時），甚至有的專業將此課程設置為選修課。這種設置降低了該課程在教師和學生心目中的位置，導致了對該課程的忽視。同時，不少老師因為學時不夠，時間緊迫，僅僅講述與考試相關的內容，不考的一概不講。這導致學生的眼界受限，知識和能力受限，無法培養其全面綜合的計算機素質。還有的專業沒有將這門課給專業的計算機學院的老師講授，而是隨意安排授課人員。沒有經過系統專業訓練的教師缺乏足夠的知識儲備，很難講好這一門看似簡單的課程。⑵課程教學內容的制定與當今時代對于信息化人才的需求脫節一些高校的現狀是計算機基礎的課程教材知識陳舊[3]、質量堪憂，教材總是無法跟上知識更新的步伐，例如都2019年了還在講Office2010。有的高校由于缺乏對課程的重視，沒有對教材優中選優，而是基于利益的考慮，優先選擇自己院系編寫的教材。其教材內容是七拼八湊，沒有整體性、邏輯性和連貫性，更不用說前瞻性。這樣的教材，無疑對學生的學習設置了巨大的屏障。除此以外，一些院校的課程教學知識體系不夠明確和完善，教學大綱的制定不夠科學。從教學大綱中制定的學時分配來說，常常偏重實用性[4]，常用計算機軟件操作占據了大部分的課時。這會讓教師在授課時輕理論而重操作，如此培養學生，非常不利于其計算思維的形成，對后續其他計算機相關課程的學習也是很大的傷害。⑶教學模式過于傳統，信息化水平較低從教學方式上來說，傳統的教學模式以教師課堂授課為中心，是以教師為主體的教學模式[5]。在這種模式下，教師仍然主要以填鴨式教學為主[6]，無法通過課堂教學發現學生的個性化特點，并進行有針對性的教學。另外，雖然計算機基礎課程一般都配備了實驗課時，但是實驗課常常是采用教師布置上機任務、學生做完抽樣檢查的模式。這對于大課堂來說，教師的任務繁重，無法搜集到每一個學生的任務完成情況，無法清晰地掌握學生學習的實際情況和薄弱環節。而且，該課程缺乏相應的研討課時，很難讓學生對其所學知識進行深入思考和探究，以增強思辨能力和對課程的學習興趣。⑷課程考核方式不夠公平合理從考核方式上來說，該課程普遍采用“平時成績”+“期末考試”的加權方式對學生成績進行評定。平時成績多由考勤分所得，期末考試多采用機考模式。這種考核方式過于單一化、機械化，無法對學生進行全方位的評價。很多學生來到教室打考勤，但可能根本沒聽講，而是在睡覺或者玩手機。期末機考的公平合理性也是存在著很多的漏洞。例如機考的試題庫可以十年不變，分值的分配和難度的掌握都沒有經過系統的考量。甚至有的考試系統不夠穩定和安全，頻頻爆出Bug，嚴重影響了考試結果的真實性。

2新人工智能環境下對計算機基礎課程改革的具體方案

2012年開始，在隨著卷積神經網絡技術在視覺處理方面的應用取得巨大的成功之后，人工智能到達了有史以來的第三個爆發期。目前，深度學習技術在AlphaGo、無人駕駛汽車、機器翻譯、智能助理、機器人、推薦系統等領域的發展如火如荼。與此同時，人工智能技術在教育領域方面的應用已經興起。人工智能的教學產品也已有先例，例如基于MOOC平臺研發的教學機器人MOOCBuddy等等。基于人工智能的教育是融合云計算、物聯網、大數據、VR、區塊鏈等新興技術的增強型數字教育[2].在當前人工智能的大時代背景下，針對傳統計算機基礎的種種弊端，我們提出了如下教學改革方案。⑴改變教學理念，確立計算機基礎課程的重要地位計算機基礎作為高校的一門公共課，實則應當作為各個專業的學生后續的學習、科研的必修之課程。因此，高等學校應從源頭上確立該課程的重要地位，將該課程納入必修課范疇，并給與更充分合理的課時分配。除教學課時、實驗課時之外，需要為該課程增加一定的研討課時。任課老師必須是來自于計算機專業的人才。同時，定時舉辦關于該課程的教學培訓、教學研討會和教學比賽，改變教師的教學理念，從源頭上給予該課程足夠的重視。⑵優化教學內容，重新制定課程的教學知識體系教材是教師教學的主要依據，也是學生獲得系統性知識的主要來源。因此，教材對于教學的重要性不言而喻。教材的選取需要優中擇優，必要的時候可以根據自身院校的情況自己編寫，力求使用好的教材使教學事半功倍。在選定優質教材的基礎上，制定更加合理的教學大綱，優化計算機基礎課程的教學知識體系，突出計算機學科入門相關基礎理論知識的重要地位。對現有的過時內容進行更新，例如操作系統以Windows10的操作取代Windows7，Office這部分使用Office2019版本取代2010的版本，同時增加關于算法入門知識、程序設計入門知識以及人工智能、區塊鏈等前沿知識單元的介紹。以華中師范大學為例，我們在圖1中給出了該校計算機基礎課程的教學知識體系結構圖。⑶充分利用現代化的教學工具和人工智能技術，構建智慧課堂，改變傳統教學模式現代化的教學應當轉變以教師為核心的教學模式，更加突出學生的主體性地位。因此，在人工智能、物聯網、大數據等技術和蓬勃發展的情形下，應當改變傳統的課堂教學形式，充分利用現代化信息技術，將傳統課堂教學和網絡課堂教學模式相結合，構建智慧課堂。融合課堂教學身臨其境的效果與網絡課堂自主性強且方便師生交流的特點，通過師生之間多層次、立體化的互動，達到提升教學效果的目的。同時，建立功能強大、完善的學生實驗平臺，基于不同專業學生的不同特點和不同需求，進行個性化的作業設置。針對教師布置的實驗任務和學生的完成情況，結合在線網絡教學系統，通過傳感器及網絡數據，搜集學生的學習行為數據，并且使用人工智能算法進行智能分析，使教師對當前的學生的學習情況一目了然，并能引導學生對重點、難點的鞏固和掌握。研討課以學生為主體，按照所選課題進行分組調研、分組討論，刺激學生的學習興趣，培養其思辨能力。研討內容最終可以課程論文的形式上交至課程共享平臺，由教師和同學共同給出評分。這里，仍以華中師范大學為例，我們將在線教學系統、實驗課平臺、研討課共享平臺等集成為一個基于人工智能技術的網絡智慧教學綜合平臺系統。該系統主要包括用戶管理、在線教學、課堂互動、作業管理、考試管理、BBS系統、智能分析和平臺管理8個模塊，其主要功能如圖2所示。該系統采用C/S模式，系統的服務器選用Linux服務器，同時開發基于PC機的和手機端的客戶端系統，方便學生和教師隨時選用、更加靈活。在線教學模塊中的智能學習助理功能，能夠根據歷史用戶的學習行為和當前用戶的學習行為，自動地識別學習內容中的難點以及當前學生的難點內容，有針對性地對學生進行知識點強化。課堂互動模塊中，通過可穿戴式傳感器搜集學生的學習行為，用于后續智能分析模塊中對學生的學習態度和學習行為進行智能分析。在線作業評價模塊包括機器評價和教師評價兩個功能。機器評價是系統為學生作業（客觀題、主觀題）自動評分，其中主觀題的評分也是使用人工智能技術來實現。教師評分時可以參考機器評分，減少教師工作量。同時，教師評分為機器評分提供機器學習的經驗數據，促進機器評分更加智能。智能分析模塊能夠依據學生的在線課程學習模塊、課堂學習模塊、作業管理模塊等搜集到的學習行為數據進行綜合分析，促使教師深入了解學生的學習情況和個性化特點，提升教學的針對性，并且有助于后續對學生進行全面、綜合的分析和成績評定。所有系統模塊中使用到的智能分析技術包括基本的統計分析、以及各類機器學習算法（k-means,NaveBayes,SupportVectorMachine,DeepLearning等等）。⑷改變傳統成績考核的方式在“教學”+“實驗”+“研討課”課程結構以及網絡智慧教學綜合平臺的輔助之下，學生的成績評定更加全面化、多元化、公平化、自動化[7]。平時成績中，除了教學綜合平臺的“課堂簽到”次數之外，還增加更多豐富多元化的考察信息，如：學生的課堂討論、在線課程學習和考核結果、平時作業完成情況，以及智能分析模塊中輔助分析的學習態度、學習能力、平時成績預測。期末上機考試系統也是智慧課堂綜合平臺的一個子模塊，是精心設計的穩定、安全、功能強大的子系統，方便教師每一年更新試題庫，修改bug。試題庫中的每一套試卷都應當經過科學的考卷質量分析，使其難度、覆蓋范圍在一個均衡、合理的范圍。最后，教師通過對各類平時成績指標以及期末考試成績加權，給出最終的學習成績。通過規范、合理、公平、全面的考核體系，獲得對學生公平、完善的評價機制，激勵學生并刺激教學良性運轉。

3結束語