0 引 言
为了积极响应教育部新工科建设的号召，同时顺应国务院推进大数据、人工智能等技术领域发展的重大政策，以培养新工科类专业人才为目标 [1]，目前全国大多数工科类院校都开设了面向本科以及研究生阶段的深度学习课程，使学生通过教学能够抓住目前深度学习的技术发展方向，从而为将来具备解决复杂工程的能力打下坚实的基础 [2]。一些相关的深度学习课程主要偏重于基本的深度学习知识的原理讲授，力求将深度学习的基本概念、基本的数学知识以及技术原理教授给学生 [3]。然而，在此类课程的教学过程中，往往会遇到深度学习课程过于偏重理论创新，忽视学生的应用能力培养，特别是深度学习课程理论同行业结合不紧密这一问题 [4]，因此，一旦课程中只强调理论或者简单的实验操作，而没有实际应用的思维能力，将会使学生毕业后对实际问题无从下手，导致“所学难以所用”的尴尬局面。
另外，高校深度学习课程开设过程中避免不了要涉及深度学习框架，框架作为底层基础将会大大方便教师以及学生进行深度学习相关的课程实践 [5]。然而，市面上绝大多数框架如TensorFlow、 PyTorch 等，是由美国一些大型公司开发出来的，并且只面向会英文的学习者，特别是其底层核心技术也是由美国人所把持 [6]，因此，如果使用国外的深度学习框架，不仅会使习惯于中文的初学者不能快速适应，同时更严重的结果还将导致培养的人才只会使用国外框架，为西方国家做“嫁衣”。
采用百度飞桨深度学习框架则可以很好地应对上述问题，如今，我国越来越多的企业都采用百度飞桨进行相关的应用和开发 [7]，而将百度飞桨引入高校深度学习课程教学中，可以充分利用框架提供的中文文档和行业应用案例，以深度学习相关知识为核心，进行百度飞桨框架的课程实践；可以形成以具体行业应用案例为导向、以提升学生的深度学习编程能力为核心、紧密结合相关深度学习理论的教学模式，以便提升学生的行业洞察力、深度学习应用开发能力和解决具体复杂工程的能力，从而有效地将课程理论与实际紧密结合，与时俱进，使学生未来能够学以致用，举一反三。
1 结合行业应用的深度学习课改方向
在深度学习技术的行业应用背景下，高校的深度学习课程教学方式需要充分结合具体的案例，以深度学习理论为基础，确定深度学习课程的授课内容。在进行深度学习课程教学改革的过程中，需要考虑深度学习知识的构建，其构建思路可以通过经典文献的参考、网上资料的搜集以及课题组教师讨论得到，期间充分结合具体行业应用案例，选择比较具有代表性的深度学习应用，并及时收集学生的课堂反馈从而进行教学评估，形成覆盖深度学习理论以及具体行业应用的全面课程体系框架。
以百度飞桨中的深度学习智能医疗作为典型案例，结合行业应用的深度学习课程改革方向主要包含 4 个方面。
（1）思政教学改革。教师需要引导学生结合时政，思考深度学习可能应用的方向，如 2020年初爆发的新冠疫情，由于传统医疗手段难以承受大量的病患，从而需要引入深度学习等技术帮助缓解当下医疗资源匮乏、人手短缺的瓶颈问题。
（2）原理知识教学改革。在课程具体的内容选择上，要将行业所涉及的深度学习相关知识作为铺垫进行引入，与传统深度学习知识不同，这部分内容需要带入特定的行业知识，不宜过深，通俗易懂即可，如智能医疗包含典型的病理分类深度卷积神经网络 VGG-16 和 ResNet[8]，同时介绍基本的病理图像的生成过程，即病理切片的制作过程。
（3）动手能力再提高。动手能力包含深度学习框架的软件操作以及结合具体行业的实际硬件操作，如在进行智能医疗诊断的过程中，需要教师引导学生用百度飞桨进行软件层面的深度学习模型搭建，另一方面还需要通过百度 EasyDL[9]等进行病理数据集的选取，有条件的情况下，还可以增加实际的显微镜成像、硬件开发等过程。
（4）引入行业思维拓展。在相应环节教学结束前，还需要针对相应的知识，引导学生对具体的应用进行行业思维拓展。同样，以百度飞桨智能医疗为例，可以引导学生从技术角度出发，思考如何提升算法的准确性，另一方面，也可以从当前我国的实际医疗大环境出发，引导学生思考深度学习技术可能带来的好处和变革。
在完成上述 4 个方面的课改工作后，在实施具体教学之前，针对学生的学情分析也必不可少。例如，针对没有什么基础以及基础比较薄弱的本科生而言，相应的教学内容就需要侧重于上述 4 个方面的前两点，注重学生基础知识层面的提高，而针对研究生学生或者本科高年级的教学，由于这些学生绝大多数有优秀的本科教育背景，综合素质比较高，通过本科阶段的学习掌握了一些深度学习的基本原理，此时就要需要考虑将授课重点放在行业思维拓展等方面的培养。无论是本科生还是研究生，对于结合了行业应用的深度学习课程的讲解，教师在总体过程上需要保证学生有较高的课堂参与度以及课后实践机会，这方面的工作可以辅以百度飞桨及其配套的AI Studio[10] 进一步完成。
2 结合行业应用的深度学习课程设计
在考虑具体行业应用的高校深度学习课程教学中，实现以百度飞桨深度学习框架为基础架构、以具体实际应用为案例的课程设计可以充分提高学生在学习过程中理论联系实际的能力，帮助学生熟悉深度学习工具的用法，在具体实验的过程中，通过教学使学生逐步熟悉从基本的深度学习模型结构的训练到实际系统部署运行的全流程，利用百度飞桨的模型可视化工具协助学生进行性能调参，适当地引入一些行业特有的知识，并根据授课进度灵活地调整内容，最终使学生不仅能够夯实深度学习理论基础，还可以顺利复现课程相关的行业应用案例。
同样，以基于百度飞桨中的深度学习智能医疗案例作为样板，课程设计的基本流程包含 3 个阶段，分为理论教学、实验实操以及最终展示 3个阶段。理论教学阶段包含深度学习知识的讲解和医疗行业知识的讲解，注意后者并非完整的医疗行业知识，而是指代课程本身所涉及的医疗知识讲解；第 2 阶段是实验实操阶段，以百度飞桨框架为基本深度学习框架进行开发，包含医疗数据采集、深度学习算法设计、飞桨框架模型搭建、数据训练、模型推理验证等，根据不同学校的实验条件以及学生的接受能力，还可以进一步考虑使用显微镜和开发板完成深度学习算法的嵌入式端硬件部署；第 3 阶段则是最终展示阶段，主要包含小组讨论、实验演示、翻转课堂等环节。表 1 罗列了这 3 个阶段相应的授课阶段、步骤和具体任务。
在执行教学的具体任务过程中，医疗数据的采集可以由教师提前准备好，按照训练集、测试集以及验证集划分好，介绍颜色标准化和数据增强的过程中，考虑到学时的限制，可以只介绍深度学习课程相关的内容，而医疗行业相关的内容不需要过多介绍，点到即止，而在深度学习算法设计步骤中，要对之前深度学习理论知识有一定的回顾。如果先前的课程已有所涉猎或者相应学生的掌握程度很高，可以直接进行实际的飞桨框架模型搭建，同理，对于百度飞桨已经比较熟悉的学生，可以直接介绍如何进行病理医疗诊断模型的编程。如果有百度方面提供好的 API，也可以有选择地鼓励学生直接调用，数据训练部分可以在教师的协助下完成。考虑到训练需要一定的时间，训练需要选择合理的迭代轮次，模型也可以轻量化处理，重点是在框架使用过程的讲解中。
在学生使用百度飞桨进行编程的过程中，可以通过百度云提供远程算力支持，或者有条件的高校可以使用 GPU 服务器集群提供实验条件。在编程入门的过程中，可以参考百度 AIStudio 提供的飞桨中文文档快速入门，飞桨可以通过提供一系列的深度学习 API 帮助完成计算机视觉、自然语言处理、强化学习等一系列模型的应用，同时飞桨官方的社区还有专门的人员进行维护，而教师在 AI Studio 上开课，可以获得相应的算力支持，同样，加入该班级的所有学生也会获得深度学习课程中的全部资源支持，包括教学资源、课件、视频资源等。考虑到 AI Studio本身的功能支持课堂作业和课内比赛开设，教师可以通过设置一些作业和比赛以检验学生的学习情况。
通过结合行业应用开设深度学习课程，可以选择经典的计算机视觉和自然语言处理之外的3 种行业应用作为课程的具体内容，让学生具体体验深度学习技术在行业中到底是如何进行应用的，从而可以提高学生的行业洞察力以及实际动手能力。上述方法顺应教育部新工科专业教学对于学生的培养要求，将理论学习同实际操作联系起来，利用适合国人并且具有自主知识产权的飞桨深度学习框架进行学习和开发，有利于为我国培养出适合本土行业发展，能够解决复杂工程，特别是将深度学习同其他领域交叉应用的专业人才，提高学生将理论转换为实际应用的综合能力。
3 理论与实际并重的全方位综合评估
任何高校开设的课程都离不开教学评估环节，一个好的评估方法不仅可以准确地衡量学生的学习水平，还能够帮助教师提高自身的教学水平。深度学习课程也不例外，除了注重学生动手能力的提升以外，还需要进行理论与实际并重的全方位综合评估，强调学生深度学习知识基础、框架编程的熟练程度以及学生个人表达等方面的全面评价，为新工科相关专业的课程改革与建设提供思路。采用前述理论学习、实际操练以及最终展示 3 个阶段的教学方式，可以通过设置合适的评估机制了解学生的知识和技能掌握程度。结合行业应用的深度学习课程依托于百度飞桨框架进行，而飞桨配套的 AI Studio 支持教师进行课程的在线班级开设，并且开设的班级包含各类评估方式，包含作业、考试、课内比赛等，同时AI Studio 上支持学生在线提问以及班级讨论，教师可以根据学生的参与度以及平时表现，结合课程任务完成情况进行综合评价。在某些教学条件允许的情况下，教师还可以组织学生针对课程具体内容进行课堂答辩，模拟毕业答辩或项目答辩，这部分内容可以纳入翻转课堂的过程中，通过这样一种方式，锻炼学生的综合素质，激发提炼科学问题的能力，真正让学生体会到深度学习技术对于行业应用的重要作用。
以往的工科类课程教学评估手段主要是期中大作业或者期末考试等方式，这类方式只从理论角度进行考核，或者仅仅考虑了动手能力，忽略了相关知识对于实际行业落地应用的作用，因此，为了进行理论与实际并重的综合评估，可以采用层次分析法 [11] 对教学的各个环节进行评估，将表 1 中的授课阶段作为一级指标，而步骤和具体任务作为二级和三级指标，通过对每一级指标进行 1-9 标度法进行判定，即将某个指标的重要程度按照区间 [1,9] 进行打分，获得该指标的权重，通过标准化，最后得到相应的权重值。例如， 3 个一级指标得分权重为 [8,8,4]，接下来建立矩阵，进一步求主特征值、特征向量、权重向量等，其具体过程可以参考经典的层次分析法进行计算。为了简单起见，仅以一级指标为例，相应的考核得分可以先按照该部分的实际得分乘以其权重进行计算，最后将 3 个部分相加得到最终的总得分。
4 实际教学改革效果
以国内某 211 高校的信息类本科学生为例，在连续 5 个学期的深度学习课程教学过程中，引入百度飞桨框架以后，学生在每个学期的总体满意度均比没有引入百度飞桨框架的要高（图 1），总体而言是因为百度飞桨具有较为完善的中文技术文档，学生学习过程中遇到的阻力较小，同时由于 AI Studio 提供了相关的技术支持和完善的行业应用案例，因此在实验进行的过程中相对容易调试，出现问题的几率小于使用其他类型的深度学习框架。随着课程改革的深入，由于百度等相关开源社区的不断优化，加之传统的一些如 Caffe 框架等缺乏后期有效的维护而逐渐没落，可以看出使用其他深度学习框架进行教学时，学生满意度逐年下降。因此，在深度学习课程中全面使用国产化的飞桨框架成为一种趋势。
参加深度学习课程的研究生在结课后一年的国家级学科竞赛获奖人数统计如图 2 所示，获奖的学生分为两组，一组是在深度学习课程讲授过程中参与过前述行业应用案例实操的学生，另一组则只有基本的理论讲解和简单的实验环节，没有进行过具体的行业应用案例实操。可以看出，除了第一学年两者人数持平以外，在后 3 年获得竞赛奖励的学生人数中，进行过行业应用案例实操的学生数量明显多于没有参与过训练的学生，这反映了引入实际的应用案例可以在一定程度上激发学生参加学科竞赛的热情，另一方面为相关学生获奖打下了良好的基础，有助于高校培养出利用深度学习技术解决复杂工程问题的专业人才。
5 结 语
随着深度学习技术同社会各领域的深度结合，选取具有代表性的行业应用作为典型案例进入高校深度学习课程中，对于当前国内各高校新工科建设以及交叉型、复合型专业人才培养具有重要作用。课程改革中采用具有我国自主知识产权的深度学习框架，不仅能够帮助国内学生快速上手深度学习框架编程，同时还可以弥补长期使用国外框架的缺陷，避免未来人才培养被国外企业“卡脖子”的可能性。此外，百度提供的AI Studio 等课程平台也有助于教师在线开展理论联系实际的课程实践，提供的深度学习资料和课内比赛能够充分激发学生兴趣，为学生毕业后从事深度学习相关行业应用打下坚实的基础。
参考文献：
[1] 钟登华. 新工科建设的内涵与行动[J]. 高等工程教育研究, 2017(3): 1-6.
[2] 杨洋, 李金良, 曲晓海, 等. 新工科背景下工程训练智能制造实践教学的建设[J]. 中国现代教育装备, 2021(21): 73-74, 83.
[3] 刘伟, 李明, 谢海斌. 人工智能基础课程的线上教学探索与实践[J]. 计算机教育, 2021(2): 30-34.
[4] 回智光. 人工智能时代课堂教学变革逻辑与路径[J]. 教学与管理, 2021(6): 13-16.
[5] 蒋磊, 张丽, 闫俊. 面向本科教育的机器学习开放式实践课程教学改革探讨[J]. 当代教育实践与教学研究, 2020(10): 145-146.
[6] 罗丽, 涂涛, 计湘婷, 等. 产教融合背景下开展高校人工智能师资培训的实践探索[J]. 计算机教育, 2021(6): 110-114.
[7] 百度飞桨. 源于产业实践的开源深度学习平台[EB/OL]. [2022-01-23]. https://www.paddlepaddle.org.cn/.
[8] He K, Zhang X, Ren S, et al. Deep residual learning for image recognition[C]//Proceedings of IEEE Conference on Computer Vision and Pattern Recognition(CVPR). Las Vegas: IEEE, 2016: 1-9.
[9] 飞桨EasyDL. EasyDL零门槛AI开发平台[EB/OL]. [2022-01-23]. https://ai.baidu.com/easydl/.
[10] 飞桨AI Studio. 人工智能学习与实训社区[EB/OL]. [2022-01-23]. https://aistudio.Ÿbaidu.com/aistudio/index.
[11] 尹慧子. 智慧医疗情境下信息交互及效果评价研究[D]. 长春: 吉林大学, 2021: 184.
基金项目：国家自然科学基金项目（61801035）；2022 年 CCF-百度松果基金项目（OF2022006）；2022 年北京邮电大学研究生专业课程立项项目（2022ZY072，2022ZY075）；2022 年北京邮电大学本科“挑战课程”建设项目。
作者简介：杨阳，男，北京邮电大学副教授，研究方向为智能无线网络，buptyy1015@gmail.com；何大中（通信作者），男，北京邮电大学高级工程师，研究方向为智能芯片设计与测试，hdz@bupt.edu.cn。
引文格式：杨阳，何刚，刘磊，等. 行业应用背景下的高校深度学习课程教学改革[J].计算机教育,2022(10):26-30.
转自：“计算机教育”微信公众号
如有侵权，请联系本站删除！
