前言：想要寫(xiě)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(jīng)網(wǎng)絡(luò)的歷史范文，相信會(huì)為您的寫(xiě)作帶來(lái)幫助，發(fā)現(xiàn)更多的寫(xiě)作思路和靈感。

卷積神經(jīng)網(wǎng)絡(luò)的歷史范文第1篇

過(guò)去10年，人們對(duì)機(jī)器學(xué)習(xí)的興趣激增。幾乎每天，你都可以在各種各樣的計(jì)算機(jī)科學(xué)課程、行業(yè)會(huì)議、華爾街日?qǐng)?bào)等等看到有關(guān)機(jī)器學(xué)習(xí)的討論。在所有關(guān)于機(jī)器學(xué)習(xí)的討論中，許多人把機(jī)器學(xué)習(xí)能做的事情和他們希望機(jī)器學(xué)習(xí)做的事情混為一談。從根本上講，機(jī)器學(xué)習(xí)是使用算法從原始數(shù)據(jù)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(gè)模型來(lái)推斷還沒(méi)有建模的其他數(shù)據(jù)。

神經(jīng)網(wǎng)絡(luò)是機(jī)器學(xué)習(xí)的一種模型，它們至少有50年歷史了。神經(jīng)網(wǎng)絡(luò)的基本單元是節(jié)點(diǎn)(node)，基本上是受哺乳動(dòng)物大腦中的生物神經(jīng)元啟發(fā)。神經(jīng)元之間的連接也以生物的大腦為模型，這些連接隨著時(shí)間的推移而發(fā)展的方式是為“訓(xùn)練”。

在20世紀(jì)80年代中期和90年代初期，許多重要的架構(gòu)進(jìn)步都是在神經(jīng)網(wǎng)絡(luò)進(jìn)行的。然而，為了得到好的結(jié)果需要大量時(shí)間和數(shù)據(jù)，這阻礙了神經(jīng)網(wǎng)絡(luò)的采用，因而人們的興趣也減少了。在21世紀(jì)初，計(jì)算能力呈指數(shù)級(jí)增長(zhǎng)，計(jì)算技術(shù)出現(xiàn)了“寒武紀(jì)大爆發(fā)”。在這個(gè)10年的爆炸式的計(jì)算增長(zhǎng)中，深度學(xué)習(xí)成為這個(gè)領(lǐng)域的重要的競(jìng)爭(zhēng)者，贏得了許多重要的機(jī)器學(xué)習(xí)競(jìng)賽。直到2017年，這種興趣也還沒(méi)有冷卻下來(lái)；今天，我們看到一說(shuō)機(jī)器學(xué)習(xí)，就不得不提深度學(xué)習(xí)。

作者本人也注冊(cè)了Udacity的“Deep Learning”課程，這門課很好地介紹了深度學(xué)習(xí)的動(dòng)機(jī)，以及從TensorFlow的復(fù)雜和/或大規(guī)模的數(shù)據(jù)集中學(xué)習(xí)的智能系統(tǒng)的設(shè)計(jì)。在課程項(xiàng)目中，我使用并開(kāi)發(fā)了用于圖像識(shí)別的卷積神經(jīng)網(wǎng)絡(luò)，用于自然語(yǔ)言處理的嵌入式神經(jīng)網(wǎng)絡(luò)，以及使用循環(huán)神經(jīng)網(wǎng)絡(luò)/長(zhǎng)短期記憶的字符級(jí)文本生成。

本文中，作者總結(jié)了10個(gè)強(qiáng)大的深度學(xué)習(xí)方法，這是AI工程師可以應(yīng)用于他們的機(jī)器學(xué)習(xí)問(wèn)題的。首先，下面這張圖直觀地說(shuō)明了人工智能、機(jī)器學(xué)習(xí)和深度學(xué)習(xí)三者之間的關(guān)系。

人工智能的領(lǐng)域很廣泛，深度學(xué)習(xí)是機(jī)器學(xué)習(xí)領(lǐng)域的一個(gè)子集，機(jī)器學(xué)習(xí)又是人工智能的一個(gè)子領(lǐng)域。將深度學(xué)習(xí)網(wǎng)絡(luò)與“經(jīng)典的”前饋式多層網(wǎng)絡(luò)區(qū)分開(kāi)來(lái)的因素如下:

比以前的網(wǎng)絡(luò)有更多的神經(jīng)元更復(fù)雜的連接層的方法用于訓(xùn)練網(wǎng)絡(luò)的計(jì)算機(jī)能力的“寒武紀(jì)大爆炸”自動(dòng)特征提取

這里說(shuō)的“更多的神經(jīng)元”時(shí)，是指神經(jīng)元的數(shù)量在逐年增加，以表達(dá)更復(fù)雜的模型。層(layers)也從多層網(wǎng)絡(luò)中的每一層都完全連接，到在卷積神經(jīng)網(wǎng)絡(luò)中層之間連接局部的神經(jīng)元，再到在循環(huán)神經(jīng)網(wǎng)絡(luò)中與同一神經(jīng)元的循環(huán)連接(recurrent connections)。

深度學(xué)習(xí)可以被定義為具有大量參數(shù)和層的神經(jīng)網(wǎng)絡(luò)，包括以下四種基本網(wǎng)絡(luò)結(jié)構(gòu)：

無(wú)監(jiān)督預(yù)訓(xùn)練網(wǎng)絡(luò)卷積神經(jīng)網(wǎng)絡(luò)循環(huán)神經(jīng)網(wǎng)絡(luò)遞歸神經(jīng)網(wǎng)絡(luò)

在本文中，主要介紹后三種架構(gòu)?；旧希矸e神經(jīng)網(wǎng)絡(luò)(CNN)是一個(gè)標(biāo)準(zhǔn)的神經(jīng)網(wǎng)絡(luò)，通過(guò)共享的權(quán)重在空間中擴(kuò)展。CNN設(shè)計(jì)用于通過(guò)內(nèi)部的卷積來(lái)識(shí)別圖像，它可以看到圖像中待識(shí)別的物體的邊緣。循環(huán)神經(jīng)網(wǎng)絡(luò)(RNN)被設(shè)計(jì)用于識(shí)別序列，例如語(yǔ)音信號(hào)或文本。它的內(nèi)部有循環(huán)，這意味著網(wǎng)絡(luò)上有短的記憶。遞歸神經(jīng)網(wǎng)絡(luò)更像是一個(gè)層級(jí)網(wǎng)絡(luò)，在這個(gè)網(wǎng)絡(luò)中，輸入必須以一種樹(shù)的方式進(jìn)行分層處理。下面的10種方法可以應(yīng)用于所有這些架構(gòu)。

1.反向傳播

反向傳播(Back-prop)是一種計(jì)算函數(shù)偏導(dǎo)數(shù)(或梯度)的方法，具有函數(shù)構(gòu)成的形式(就像神經(jīng)網(wǎng)絡(luò)中)。當(dāng)使用基于梯度的方法(梯度下降只是方法之一)解決優(yōu)化問(wèn)題時(shí)，你需要在每次迭代中計(jì)算函數(shù)梯度。

對(duì)于神經(jīng)網(wǎng)絡(luò)，目標(biāo)函數(shù)具有組合的形式。如何計(jì)算梯度呢？有兩種常用的方法：(i)解析微分(Analytic differentiation)。你已經(jīng)知道函數(shù)的形式，只需要用鏈?zhǔn)椒▌t(基本微積分)來(lái)計(jì)算導(dǎo)數(shù)。(ii)利用有限差分進(jìn)行近似微分。這種方法在計(jì)算上很昂貴，因?yàn)楹瘮?shù)值的數(shù)量是O(N)，N指代參數(shù)的數(shù)量。不過(guò)，有限差分通常用于在調(diào)試時(shí)驗(yàn)證back-prop實(shí)現(xiàn)。

2.隨機(jī)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(biāo)正是河流努力達(dá)到的目標(biāo)——即，到達(dá)最底端(山腳)。

現(xiàn)在，如果山的地形是這樣的，在到達(dá)最終目的地之前，河流不會(huì)完全停下來(lái)(這是山腳的最低點(diǎn)，那么這就是我們想要的理想情況。)在機(jī)器學(xué)習(xí)中，相當(dāng)從初始點(diǎn)(山頂)開(kāi)始，我們找到了解決方案的全局最小(或最佳)解。然而，可能因?yàn)榈匦蔚男再|(zhì)迫使河流的路徑出現(xiàn)幾個(gè)坑，這可能迫使河流陷入困境。在機(jī)器學(xué)習(xí)術(shù)語(yǔ)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(gè)問(wèn)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(zhì)(用ML的術(shù)語(yǔ)來(lái)說(shuō)是函數(shù)的性質(zhì))。但是，當(dāng)你有一種特殊的地形時(shí)(形狀像一個(gè)碗，用ML的術(shù)語(yǔ)來(lái)說(shuō)，叫做凸函數(shù))，算法總是保證能找到最優(yōu)解。凸函數(shù)對(duì)ML的優(yōu)化來(lái)說(shuō)總是好事，取決于函數(shù)的初始值，你可能會(huì)以不同的路徑結(jié)束。同樣地，取決于河流的速度(即，梯度下降算法的學(xué)習(xí)速率或步長(zhǎng))，你可能以不同的方式到達(dá)最終目的地。這兩個(gè)標(biāo)準(zhǔn)都會(huì)影響到你是否陷入坑里(局部極小值)。

3.學(xué)習(xí)率衰減

根據(jù)隨機(jī)梯度下降的優(yōu)化過(guò)程調(diào)整學(xué)習(xí)率(learning rate)可以提高性能并減少訓(xùn)練時(shí)間。有時(shí)這被稱為學(xué)習(xí)率退火(learning rate annealing)或自適應(yīng)學(xué)習(xí)率(adaptive learning rates)。訓(xùn)練過(guò)程中最簡(jiǎn)單，也是最常用的學(xué)習(xí)率適應(yīng)是隨著時(shí)間的推移而降低學(xué)習(xí)度。在訓(xùn)練過(guò)程開(kāi)始時(shí)使用較大學(xué)習(xí)率具有進(jìn)行大的改變的好處，然后降低學(xué)習(xí)率，使得后續(xù)對(duì)權(quán)重的訓(xùn)練更新更小。這具有早期快速學(xué)習(xí)好權(quán)重，后面進(jìn)行微調(diào)的效果。

兩種常用且易于使用的學(xué)習(xí)率衰減方法如下：

逐步降低學(xué)習(xí)率。在特定的時(shí)間點(diǎn)較大地降低學(xué)習(xí)率。

4?. Dropout

具有大量參數(shù)的深度神經(jīng)網(wǎng)絡(luò)是非常強(qiáng)大的機(jī)器學(xué)習(xí)系統(tǒng)。然而，過(guò)擬合在這樣的網(wǎng)絡(luò)中是一個(gè)嚴(yán)重的問(wèn)題。大型網(wǎng)絡(luò)的使用也很緩慢，這使得在測(cè)試時(shí)將許多不同的大型神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)結(jié)合起來(lái)變得困難。Dropout是解決這個(gè)問(wèn)題的一種方法。

Dropout的關(guān)鍵想法是在訓(xùn)練過(guò)程中隨機(jī)地從神經(jīng)網(wǎng)絡(luò)中把一些units(以及它們的連接)從神經(jīng)網(wǎng)絡(luò)中刪除。這樣可以防止單元過(guò)度適應(yīng)。在訓(xùn)練過(guò)程中，從一個(gè)指數(shù)級(jí)的不同的“稀疏”網(wǎng)絡(luò)中刪除一些樣本。在測(cè)試時(shí)，通過(guò)簡(jiǎn)單地使用一個(gè)具有較小權(quán)重的單一網(wǎng)絡(luò)，可以很容易地估計(jì)所有這些“變瘦”了的網(wǎng)絡(luò)的平均預(yù)測(cè)效果。這顯著減少了過(guò)擬合，相比其他正則化方法有了很大改進(jìn)。研究表明，在視覺(jué)、語(yǔ)音識(shí)別、文檔分類和計(jì)算生物學(xué)等監(jiān)督學(xué)習(xí)任務(wù)中，神經(jīng)網(wǎng)絡(luò)的表現(xiàn)有所提高，在許多基準(zhǔn)數(shù)據(jù)集上獲得了state-of-the-art的結(jié)果。

5. Max Pooling

最大池化(Max pooling)是一個(gè)基于樣本的離散化過(guò)程。目標(biāo)是對(duì)輸入表示(圖像，隱藏層輸出矩陣等)進(jìn)行下采樣，降低其維度，并允許對(duì)包含在分區(qū)域中的特征進(jìn)行假設(shè)。

這在一定程度上是為了通過(guò)提供一種抽象的表示形式來(lái)幫助過(guò)擬合。同時(shí)，它通過(guò)減少學(xué)習(xí)的參數(shù)數(shù)量，并為內(nèi)部表示提供基本的平移不變性(translation invariance)，從而減少計(jì)算成本。最大池化是通過(guò)將一個(gè)最大過(guò)濾器應(yīng)用于通常不重疊的初始表示的子區(qū)域來(lái)完成的。

6.批量歸一化

當(dāng)然，包括深度網(wǎng)絡(luò)在內(nèi)的神經(jīng)網(wǎng)絡(luò)需要仔細(xì)調(diào)整權(quán)重初始化和學(xué)習(xí)參數(shù)。而批量標(biāo)準(zhǔn)化有助于實(shí)現(xiàn)這一點(diǎn)。

權(quán)重問(wèn)題：無(wú)論權(quán)重的初始化如何，是隨機(jī)的也好是經(jīng)驗(yàn)性的選擇也罷，都距離學(xué)習(xí)到的權(quán)重很遙遠(yuǎn)?？紤]一個(gè)小批量(mini batch)，在最初時(shí)，在所需的特征激活方面將會(huì)有許多異常值。

深度神經(jīng)網(wǎng)絡(luò)本身是有缺陷的，初始層中一個(gè)微小的擾動(dòng)，就會(huì)導(dǎo)致后面層巨大的變化。在反向傳播過(guò)程中，這些現(xiàn)象會(huì)導(dǎo)致對(duì)梯度的分散，這意味著在學(xué)習(xí)權(quán)重以產(chǎn)生所需輸出之前，梯度必須補(bǔ)償異常值，而這將導(dǎo)致需要額外的時(shí)間才能收斂。

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

學(xué)習(xí)率問(wèn)題：一般來(lái)說(shuō)，學(xué)習(xí)率保持較低，只有一小部分的梯度校正權(quán)重，原因是異常激活的梯度不應(yīng)影響學(xué)習(xí)的激活。通過(guò)批量歸一化，減少異常激活，因此可以使用更高的學(xué)習(xí)率來(lái)加速學(xué)習(xí)過(guò)程。

7.長(zhǎng)短時(shí)記憶

LSTM網(wǎng)絡(luò)在以下三個(gè)方面與RNN的神經(jīng)元不同：

能夠決定何時(shí)讓輸入進(jìn)入神經(jīng)元；能夠決定何時(shí)記住上一個(gè)時(shí)間步中計(jì)算的內(nèi)容；能夠決定何時(shí)讓輸出傳遞到下一個(gè)時(shí)間步長(zhǎng)。

LSTM的優(yōu)點(diǎn)在于它根據(jù)當(dāng)前的輸入本身來(lái)決定所有這些。所以，你看下面的圖表：

當(dāng)前時(shí)間標(biāo)記處的輸入信號(hào)x(t)決定所有上述3點(diǎn)。輸入門從點(diǎn)1接收決策，遺忘門從點(diǎn)2接收決策，輸出門在點(diǎn)3接收決策，單獨(dú)的輸入能夠完成所有這三個(gè)決定。這受到我們的大腦如何工作的啟發(fā)，并且可以基于輸入來(lái)處理突然的上下文/場(chǎng)景切換。

8. Skip-gram

詞嵌入模型的目標(biāo)是為每個(gè)詞匯項(xiàng)學(xué)習(xí)一個(gè)高維密集表示，其中嵌入向量之間的相似性顯示了相應(yīng)詞之間的語(yǔ)義或句法相似性。Skip-gram是學(xué)習(xí)單詞嵌入算法的模型。

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

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

基于上述假設(shè)，你可以考慮一個(gè)上下文窗口(context window，一個(gè)包含k個(gè)連續(xù)項(xiàng)的窗口)，然后你跳過(guò)其中一個(gè)單詞，試著去學(xué)習(xí)一個(gè)能夠得到除跳過(guò)項(xiàng)外所有項(xiàng)的神經(jīng)網(wǎng)絡(luò)，并預(yù)測(cè)跳過(guò)的項(xiàng)是什么。如果兩個(gè)詞在一個(gè)大語(yǔ)料庫(kù)中反復(fù)共享相似的語(yǔ)境，則這些詞的嵌入向量將具有相近的向量。

9.連續(xù)詞袋(Continuous Bag Of Words)

在自然語(yǔ)言處理問(wèn)題中，我們希望學(xué)習(xí)將文檔中的每個(gè)單詞表示為一個(gè)數(shù)字向量，使得出現(xiàn)在相似的上下文中的單詞具有彼此接近的向量。在連續(xù)的單詞模型中，我們的目標(biāo)是能夠使用圍繞特定單詞的上下文并預(yù)測(cè)特定單詞。

我們通過(guò)在一個(gè)龐大的語(yǔ)料庫(kù)中抽取大量的句子來(lái)做到這一點(diǎn)，每當(dāng)我們看到一個(gè)單詞時(shí)，我們就會(huì)提取它周圍的單詞。然后，我們將上下文單詞輸入到一個(gè)神經(jīng)網(wǎng)絡(luò)，并預(yù)測(cè)位于這個(gè)上下文中心的單詞。

當(dāng)我們有成千上萬(wàn)的這樣的上下文單詞和中心詞以后，我們就有了一個(gè)神經(jīng)網(wǎng)絡(luò)數(shù)據(jù)集的實(shí)例。訓(xùn)練神經(jīng)網(wǎng)絡(luò)，最后編碼的隱藏層輸出表示特定單詞的嵌入。而當(dāng)我們對(duì)大量的句子進(jìn)行訓(xùn)練時(shí)也能發(fā)現(xiàn)，類似語(yǔ)境中的單詞得到的是相似的向量。

10.遷移學(xué)習(xí)

卷積神經(jīng)網(wǎng)絡(luò)的歷史范文第2篇

關(guān)鍵詞：化學(xué)計(jì)量學(xué) 分析化學(xué) 人工神經(jīng)網(wǎng)絡(luò)

化學(xué)計(jì)算學(xué)作為化學(xué)的分支學(xué)科，起步較晚，在涉及內(nèi)容上又比較廣闊，涉及到數(shù)學(xué)、統(tǒng)計(jì)學(xué)及計(jì)算機(jī)應(yīng)用技術(shù)等相關(guān)學(xué)科，可以說(shuō)是一門交叉性的學(xué)科。正是因?yàn)榭茖W(xué)技術(shù)的發(fā)展及多學(xué)科相互滲透的作用才誕生了化學(xué)計(jì)量學(xué)這門獨(dú)特的學(xué)科。涵蓋于化學(xué)測(cè)量的整個(gè)過(guò)程，采樣理論、實(shí)驗(yàn)設(shè)計(jì)、選擇與優(yōu)化、變量處理及數(shù)據(jù)分析斗屬于化學(xué)計(jì)量學(xué)。化學(xué)計(jì)量學(xué)擔(dān)負(fù)的主要任務(wù)是進(jìn)行化學(xué)測(cè)量數(shù)據(jù)的分析與處理，進(jìn)行測(cè)量程序與實(shí)驗(yàn)方法的最佳選擇，最早由瑞典化學(xué)家提出，一直沿用至今。正是因?yàn)榛瘜W(xué)計(jì)量學(xué)的巨大作用，解決了傳統(tǒng)化學(xué)研究中不能攻破的難題，成為化學(xué)研究的新方向與關(guān)注點(diǎn)。

一、化學(xué)計(jì)量學(xué)對(duì)于化學(xué)測(cè)量的應(yīng)用分析

在化學(xué)研究中，需要將化學(xué)計(jì)量學(xué)滲透于化學(xué)測(cè)量的全過(guò)程。在上世紀(jì)五十年代以來(lái)，新的化學(xué)儀器分析方法已經(jīng)被充分的引入到分析化學(xué)中，分析測(cè)試工作已經(jīng)逐步實(shí)現(xiàn)了儀器化、自動(dòng)化與初步的計(jì)算機(jī)化，這些技術(shù)的深入應(yīng)用，為化學(xué)分析提供了可靠的測(cè)量數(shù)據(jù)，但是將這些分析儀器的優(yōu)點(diǎn)結(jié)合起來(lái)，將雜亂無(wú)章的數(shù)據(jù)信息進(jìn)行重新排列組合，最大限度的解決信息的篩選，成為化學(xué)研究工作者當(dāng)前面臨的最大難題。

化學(xué)計(jì)量學(xué)在解決這一問(wèn)題中發(fā)揮了重大作用。將分析分離技術(shù)集于一體，通過(guò)特定的高維儀器產(chǎn)生分析信號(hào)，利用新型的分析信號(hào)多元校正及有效分辨方法進(jìn)行復(fù)雜多組分的體系定性，進(jìn)行定量解析。利用這種化學(xué)計(jì)量學(xué)的方法可以對(duì)巨大的數(shù)據(jù)信息進(jìn)行有效的篩選，從而提取最有用的信息，對(duì)這些有用信息進(jìn)行分析，實(shí)現(xiàn)了單純的“數(shù)據(jù)提供者”到“問(wèn)題解決者”的角色轉(zhuǎn)變。化學(xué)計(jì)量法對(duì)于化學(xué)測(cè)量產(chǎn)生的影響是深遠(yuǎn)且巨大的?；瘜W(xué)計(jì)量法應(yīng)該貫穿于化學(xué)測(cè)量的全過(guò)程。

二、當(dāng)前化學(xué)計(jì)量學(xué)在分析化學(xué)中的應(yīng)用分析

（一）化學(xué)計(jì)量學(xué)在化學(xué)定量構(gòu)效關(guān)系中的應(yīng)用分析

化學(xué)定量構(gòu)效關(guān)系研究是化學(xué)學(xué)科的根本性研究問(wèn)題，結(jié)合物質(zhì)的化學(xué)成分與基本的結(jié)構(gòu)進(jìn)行化學(xué)性質(zhì)的測(cè)定，是我國(guó)目前化學(xué)理論研究中的重要目標(biāo)。在進(jìn)行研究時(shí)一般采用圖論與數(shù)值的方法進(jìn)行各種化合物的表征，將所獲取的計(jì)算結(jié)果與實(shí)際的被測(cè)量化學(xué)物的物理、化學(xué)及生物特性結(jié)合起來(lái)，用比較明確的定量關(guān)系來(lái)代替含糊的定性描述。目前化學(xué)計(jì)量學(xué)在進(jìn)行分析化學(xué)研究時(shí)引入了全局最優(yōu)算法，在利用誤差反向傳播的多層次感知模型進(jìn)行苯酚衍生物的活性測(cè)驗(yàn)時(shí)取得了明顯的研究效果，較之先前的研究方法，改進(jìn)是十分明顯的。

（二）化學(xué)計(jì)量學(xué)中模式識(shí)別方法在分析化學(xué)中的應(yīng)用

化學(xué)計(jì)量學(xué)中的模式識(shí)別法是根據(jù)化學(xué)測(cè)量數(shù)據(jù)矩陣，對(duì)樣本集通過(guò)樣本性質(zhì)進(jìn)行分類進(jìn)行選取的方法。根據(jù)測(cè)量在多維模式空間中的相對(duì)位置不同，用線性判斷識(shí)別分析法、最鄰近法等進(jìn)行模式的識(shí)別。模式識(shí)別法的研究能夠?yàn)闆Q策及過(guò)程優(yōu)化提供最有實(shí)用價(jià)值的信息資料。我國(guó)石油化工行業(yè)、材料化學(xué)研究領(lǐng)域都基于該思想破解了很多研發(fā)難題。其中K―最鄰近法從伏安波匯總對(duì)重疊的伏安響應(yīng)信號(hào)進(jìn)行區(qū)分，將K―最鄰近法用于電位階伏安波及毛細(xì)管曲線分類中，實(shí)現(xiàn)了對(duì)有機(jī)化合物構(gòu)效關(guān)系的有效表征。二SMCA法最廣泛的應(yīng)用就是食品的鑒定。

（三）化學(xué)計(jì)量學(xué)的人工神經(jīng)網(wǎng)絡(luò)應(yīng)用分析

除了我們上面提到的應(yīng)用，化學(xué)計(jì)量學(xué)在神經(jīng)網(wǎng)絡(luò)應(yīng)用方面也發(fā)揮了積極的作用。所謂的人工神經(jīng)網(wǎng)絡(luò)是基于現(xiàn)代生物學(xué)的對(duì)人腦組織進(jìn)行研究而提出的，利用大量的簡(jiǎn)單的處理單元進(jìn)行充分連接，從而形成的巨大的復(fù)雜的網(wǎng)絡(luò)體系，主要是用來(lái)模擬人的大腦神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)域的一定神經(jīng)行為。人工神經(jīng)網(wǎng)絡(luò)可以對(duì)數(shù)據(jù)模式進(jìn)行合理的解析與分類，對(duì)于原因與結(jié)果關(guān)系不確定的非線性測(cè)量數(shù)據(jù)有著獨(dú)特的應(yīng)用。分析化學(xué)的不確定性很多，借助于化學(xué)計(jì)量學(xué)的人工神經(jīng)網(wǎng)絡(luò)得到了有效的應(yīng)用解決。從目前神經(jīng)網(wǎng)絡(luò)的應(yīng)用情況來(lái)看，在譜圖分析、藥物分子藥效的預(yù)測(cè)及蛋白質(zhì)結(jié)構(gòu)的預(yù)測(cè)方面都取得了不錯(cuò)的成績(jī)。此外，在分析化學(xué)中應(yīng)用比較廣泛的還有遺傳算法，遺傳算法可以進(jìn)行多組分分析波長(zhǎng)選擇、數(shù)據(jù)校正優(yōu)化、核磁共振脈沖波形選擇等。人工神經(jīng)網(wǎng)絡(luò)還進(jìn)一步促進(jìn)了儀器聯(lián)機(jī)與實(shí)驗(yàn)的自動(dòng)化。在生產(chǎn)方面起到了重要的指導(dǎo)作用。

（四）化學(xué)計(jì)量法波普化學(xué)的應(yīng)用分析

目前在化學(xué)研究中，化學(xué)家們一直努力的目標(biāo)主要是波普數(shù)據(jù)庫(kù)的有效利用。波普數(shù)據(jù)庫(kù)的質(zhì)譜、核磁共振譜、色譜等復(fù)雜分析體系的快速定性定量分析都是當(dāng)前研究的重點(diǎn)。化學(xué)計(jì)量學(xué)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(shù)的應(yīng)用，促進(jìn)了分析化學(xué)的發(fā)展?？梢灾苯犹峁┎豢煞蛛x的直接地測(cè)定相互干擾的共存性物種，對(duì)于完全未知的混合物也可以實(shí)現(xiàn)準(zhǔn)確的測(cè)定。

（五）化學(xué)計(jì)量法的多元校正分析應(yīng)用

我國(guó)化學(xué)的多元化分析成為今后化學(xué)研究的大趨勢(shì)，不僅在研究目標(biāo)上體現(xiàn)出多元化，對(duì)于研究對(duì)象也呈現(xiàn)出多元化的特性。這對(duì)于化學(xué)研究工作者是不小的挑戰(zhàn)。要求化學(xué)工作者能夠快速、準(zhǔn)確的定位與定量，從而得出分析結(jié)果。在這樣的背景下，多元校正法應(yīng)用而生，其產(chǎn)生為現(xiàn)代分析儀器提供了大量的測(cè)量數(shù)據(jù)，并對(duì)這些數(shù)據(jù)進(jìn)行了解析，可以說(shuō)多元校正法是新型的數(shù)學(xué)統(tǒng)計(jì)方法。多元校正法在多個(gè)方面進(jìn)行了研究?jī)?yōu)化，靈敏度、檢測(cè)度、精密度等都對(duì)指標(biāo)進(jìn)行了優(yōu)化，在對(duì)這些指標(biāo)優(yōu)化后，大大擴(kuò)展了分析儀器的功能與方法的有效及實(shí)用性。正是因?yàn)檎辉O(shè)計(jì)、均勻性設(shè)計(jì)分析、板因式設(shè)計(jì)分析等多種實(shí)驗(yàn)設(shè)計(jì)優(yōu)化方法的相互協(xié)調(diào)，對(duì)分析選擇性進(jìn)行了改善，在一定程度上拓寬了其化學(xué)計(jì)量法多元校正的應(yīng)用領(lǐng)域。

三、結(jié)束語(yǔ)：

化學(xué)計(jì)量學(xué)從產(chǎn)生到現(xiàn)在大約只有30多年的歷史，但是在短短的幾十年內(nèi)，其應(yīng)用不斷得到普及，其應(yīng)用效果不斷得到化學(xué)行業(yè)的肯定。將來(lái)，化學(xué)計(jì)量學(xué)將依然是令人關(guān)注的問(wèn)題，有著廣闊而光明的前景?；瘜W(xué)計(jì)量學(xué)不斷發(fā)展，將對(duì)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(lián)用儀器的發(fā)展提供新的突破口與改進(jìn)點(diǎn)。通過(guò)本文對(duì)化學(xué)計(jì)量學(xué)在分析化學(xué)中的應(yīng)用分析，我們?cè)诳吹交瘜W(xué)計(jì)量學(xué)優(yōu)勢(shì)作用的同時(shí)，更應(yīng)該看到其發(fā)展中的不足，針對(duì)這些不足進(jìn)行研究分析，在進(jìn)行多次驗(yàn)證的基礎(chǔ)上尋找新的解決途徑，完善這些不足，為化學(xué)計(jì)量學(xué)的發(fā)展提供更加廣闊的發(fā)展空間。在分析化學(xué)發(fā)展領(lǐng)域，增強(qiáng)對(duì)化學(xué)計(jì)量學(xué)的引入是今后化學(xué)研究發(fā)展的一個(gè)大方向。

參考文獻(xiàn)

[1]黃丹.淺談化學(xué)計(jì)量學(xué)在分析化學(xué)中的應(yīng)用及發(fā)展前景[J].今日科苑.2009（08）.

[2]周統(tǒng)武，蔡娟.化學(xué)計(jì)量學(xué)的學(xué)科現(xiàn)狀與發(fā)展方向[J].中國(guó)科技信息，2009（03）.

[3]周南.關(guān)于“分析化學(xué)中的計(jì)量學(xué)與質(zhì)量保證”的國(guó)際研討會(huì)[J].理化檢驗(yàn)（化學(xué)分冊(cè)），2007（03）.

卷積神經(jīng)網(wǎng)絡(luò)的歷史范文第3篇

在國(guó)內(nèi)，百度DuerOS 2.0，希望成為新標(biāo)桿，阿里ET大腦又開(kāi)啟新征程。

國(guó)外

谷歌：正式TensorFlow Lite可在移動(dòng)設(shè)備上運(yùn)行深度學(xué)習(xí)

今年5月，在GoogleI/O開(kāi)發(fā)者大會(huì)上，Google宣布了一個(gè)專門針對(duì)移動(dòng)設(shè)備優(yōu)化系統(tǒng)的TensorFlow新版本。11月，正式了TensorFlow Lite。

據(jù)了解，這款被稱為TensorFlow Lite的軟件庫(kù)，是可在移動(dòng)設(shè)備上運(yùn)行的深度學(xué)習(xí)工具，它允許開(kāi)發(fā)人員在用戶的移動(dòng)設(shè)備上實(shí)時(shí)運(yùn)行人工智能應(yīng)用。此外，自TensorFlow Lite正式公布以來(lái)，已經(jīng)出現(xiàn)了多個(gè)安裝在移動(dòng)設(shè)備上具有類似功能的學(xué)習(xí)軟件庫(kù)，包括蘋(píng)果的CoreML、Clarifai人工智能云端訓(xùn)練服務(wù)，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(huì)AWS云推出新品EKS

11月，在亞馬遜舉辦的AWS re:Invent 2017大會(huì)上，公司了22款新品，分別涉及計(jì)算能力、數(shù)據(jù)庫(kù)、機(jī)器學(xué)習(xí)、智能硬件和IOT等領(lǐng)域，尤其是在計(jì)算能力、數(shù)據(jù)庫(kù)方面對(duì)AWS云服務(wù)進(jìn)行了升級(jí)。

其中，AWS云推出了新品EKS，是AWS云上托管的Kubernete容器服務(wù)，不僅兼容多云環(huán)境，還具備高可用性、自動(dòng)部署，自主升級(jí)等優(yōu)勢(shì)，并可與AWS上其他服務(wù)集成，兩個(gè)平臺(tái)可無(wú)縫集成，在ECS中的應(yīng)用同樣可以使用AWS其它服務(wù)。

FB：Pytorch 0.3實(shí)現(xiàn)多方優(yōu)化增加對(duì)ONNX支持

今年初，F(xiàn)acebook在機(jī)器學(xué)習(xí)和科學(xué)計(jì)算工具Torch的基礎(chǔ)上，針對(duì)Python語(yǔ)言了一個(gè)全新的機(jī)器學(xué)習(xí)工具包PyTorch。日前，這款工具包又迎來(lái)了它的0.3.0版本，此版本增加了多個(gè)函數(shù)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(jī)函數(shù)，用torch.distributions包來(lái)代替。新功能包括構(gòu)建了一個(gè)in-built Profiler，能對(duì)模型進(jìn)行瓶頸分析，同時(shí)支持CPU和CUDA模型；增加Higher order gradients模塊；以及優(yōu)化器中增加了add_param_group函數(shù)，能在構(gòu)建好的優(yōu)化器中增加新的參數(shù)組。除此之外，還增加了新的張量函數(shù)和功能，在新版本中，能通過(guò)ONNX將模型遷移到其他框架上。

IBM：強(qiáng)化AI實(shí)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(kāi)發(fā)的AI模型可使用流行的開(kāi)源、深度學(xué)習(xí)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(tǒng)。據(jù)了解，該系統(tǒng)可以在Power9 CPU和硬件加速器(例如GPU和FPGA)之間加速傳輸數(shù)據(jù)。此外，Power9將成為首個(gè)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(tái)。

國(guó)內(nèi)

百度：DuerOS 2.0搭載AI硬件渡鴉raven H樹(shù)立新標(biāo)桿

在今年的百度世界大會(huì)上，主打下一代人機(jī)交互的DuerOS迎來(lái)一次重大升級(jí)，推出了2.0版本。據(jù)官方資料，DuerOS 2.0主要帶來(lái)了兩個(gè)變化：其一，是小度智能設(shè)備開(kāi)放平臺(tái)的升級(jí)；其二，則是小度技能開(kāi)放平臺(tái)的全新。至此，基于語(yǔ)音交互，DuerOS形成了兩個(gè)開(kāi)放式平臺(tái)，可以對(duì)接設(shè)備開(kāi)發(fā)商、生態(tài)合作伙伴、線上線下服務(wù)提供商。

此外，百度世界大會(huì)上同時(shí)了人工智能硬件產(chǎn)品渡鴉raven H，這款產(chǎn)品通過(guò)搭載DuerOS 2.0，在功能和用戶體驗(yàn)上樹(shù)立了新的標(biāo)桿。

騰訊：騰訊云正式Supermind用人工智能方式實(shí)現(xiàn)網(wǎng)絡(luò)規(guī)劃

11月，騰訊云正式SUPERMIND智能網(wǎng)絡(luò)產(chǎn)品。據(jù)介紹，相比此前網(wǎng)絡(luò)產(chǎn)品，SUPERMIND智能網(wǎng)絡(luò)將擁有高性能、全球互聯(lián)、智能化等三大特點(diǎn)。

據(jù)了解，用人工智能方式實(shí)現(xiàn)網(wǎng)絡(luò)規(guī)劃、建設(shè)以及運(yùn)維的全流程，是騰訊云SUPERMIND網(wǎng)絡(luò)產(chǎn)品最大的亮點(diǎn)。騰訊云SUPERMIND智能網(wǎng)絡(luò)能夠結(jié)合幾萬(wàn)條線路特征智能規(guī)劃，通過(guò)歷史用量分析、網(wǎng)絡(luò)路徑分析、用戶反饋分析、節(jié)點(diǎn)規(guī)劃建議、專線擴(kuò)容建議等方面，合理規(guī)劃出網(wǎng)絡(luò)建設(shè)路線，大幅縮短規(guī)劃時(shí)間，節(jié)約時(shí)間成本。

阿里巴巴：ET大腦獲世界互聯(lián)網(wǎng)領(lǐng)先科技成果18強(qiáng)

自去年8月阿里巴巴推出ET大腦，一年多來(lái)已經(jīng)被用來(lái)解決和探索社會(huì)經(jīng)濟(jì)發(fā)展當(dāng)中依靠人腦所無(wú)法解決的棘手問(wèn)題。據(jù)阿里巴巴集團(tuán)CEO張勇介紹:“整個(gè)ET大腦有非常多的人工智能技術(shù)，不僅僅是機(jī)器視覺(jué)、語(yǔ)音識(shí)別、自然語(yǔ)言處理等單個(gè)的AI技術(shù)，更重要的是這些技術(shù)有機(jī)整體的實(shí)現(xiàn)和全局的突破?！?/p>

在11月舉辦的第三屆世界互聯(lián)網(wǎng)大會(huì)上，15項(xiàng)世界互聯(lián)網(wǎng)領(lǐng)先科技成果同時(shí)，其中便包括ET大腦。獲獎(jiǎng)原因包括AI、云計(jì)算、大數(shù)據(jù)能力與垂直領(lǐng)域知識(shí)深度結(jié)合，以及在應(yīng)方面，已廣泛應(yīng)用于城市治理、工業(yè)制造、社會(huì)安全等數(shù)十個(gè)垂直領(lǐng)域。

中國(guó)移動(dòng)：移動(dòng)網(wǎng)絡(luò)業(yè)界首個(gè)AI平臺(tái)“九天”

12月，中國(guó)移動(dòng)面向業(yè)界首個(gè)AI平臺(tái)“九天”。

據(jù)了解，該平臺(tái)可以拆分出三個(gè)方面：第一方面，產(chǎn)品的應(yīng)用服務(wù)，包括運(yùn)營(yíng)、連接、服務(wù)三大領(lǐng)域，旗下分別包括智能營(yíng)銷、智能決策、智能網(wǎng)絡(luò)、智能物聯(lián)以及智能客服等領(lǐng)域；第二方面，AI核心能力層可以將其處理的數(shù)據(jù)自主分為語(yǔ)音語(yǔ)言類型、圖像識(shí)別類型等；第三方面，“九天”的深度學(xué)習(xí)平臺(tái)是中國(guó)移動(dòng)首款基于GPU的深度學(xué)習(xí)訓(xùn)練平臺(tái)。

中科視拓：推出深度學(xué)習(xí)服務(wù)平臺(tái)SeeTaaS將深度學(xué)習(xí)開(kāi)發(fā)過(guò)程簡(jiǎn)化

10月，中科視拓推出一站式企業(yè)級(jí)深度學(xué)習(xí)平臺(tái)SeeTaaS，主要用于研發(fā)人臉識(shí)別、手勢(shì)識(shí)別、無(wú)人機(jī)視覺(jué)、視頻結(jié)構(gòu)化分析等在內(nèi)的企業(yè)級(jí)解決方案。據(jù)了解，該平臺(tái)可以提供深度學(xué)習(xí)相關(guān)的數(shù)據(jù)、算法、算力等服務(wù)，同時(shí)將深度學(xué)習(xí)的開(kāi)發(fā)過(guò)程簡(jiǎn)化為：上傳數(shù)據(jù)、選擇算法、自動(dòng)調(diào)參、輸出訓(xùn)練模型、模型批量測(cè)試、模型跨平臺(tái)部署等。

應(yīng)用方面，中科視拓已與中國(guó)平安、中國(guó)航天科技、中國(guó)電信、華為、百度、三星、高通等企業(yè)達(dá)成合作。

EasyStack：推出全球首個(gè)同時(shí)支持GPU和FPGA開(kāi)源云平臺(tái)

在2017中國(guó)開(kāi)源產(chǎn)業(yè)峰會(huì)暨第21屆中國(guó)國(guó)際軟件博覽會(huì)分論壇上，EasyStack正式推出全球首個(gè)同時(shí)支持GPU和FPGA異構(gòu)計(jì)算的人工智能開(kāi)源云平臺(tái)ESCould AI。

卷積神經(jīng)網(wǎng)絡(luò)的歷史范文第4篇

關(guān)鍵詞：大學(xué)計(jì)算機(jī)基礎(chǔ)；教學(xué)改革；人工智能；智慧課堂

云計(jì)算、大數(shù)據(jù)、人工智能新興領(lǐng)域的崛起，推動(dòng)信息技術(shù)全面滲透于人們的生產(chǎn)生活中。信息技術(shù)的核心在于計(jì)算機(jī)技術(shù)和通信技術(shù)。然而，雖然目前各個(gè)高校都開(kāi)設(shè)了計(jì)算機(jī)基礎(chǔ)課程，但是其教學(xué)卻存在著諸多問(wèn)題，導(dǎo)致該課程無(wú)法達(dá)到預(yù)期的教學(xué)效果。教育部在2012年《教育信息化十年發(fā)展規(guī)劃（2011-2020年）》，其中指明“以教育信息化帶動(dòng)教育現(xiàn)代化，促進(jìn)教育的創(chuàng)新與變革”[2]。因此，本文以華中師范大學(xué)計(jì)算機(jī)基礎(chǔ)課程教學(xué)為例，深入闡述了傳統(tǒng)計(jì)算機(jī)基礎(chǔ)課程教學(xué)的弊端，提出了在當(dāng)前人工智能如火如荼的時(shí)代背景下，如何應(yīng)用人工智能相關(guān)技術(shù)對(duì)傳統(tǒng)的計(jì)算機(jī)基礎(chǔ)教學(xué)進(jìn)行改革的具體方案。該方案以創(chuàng)建網(wǎng)絡(luò)智慧課堂教學(xué)模式改革為主體，輔以教學(xué)觀念、知識(shí)體系和課程考核方式改革，以期對(duì)高校的計(jì)算機(jī)基礎(chǔ)課程教學(xué)有所裨益。

1傳統(tǒng)教學(xué)的缺陷

⑴課程的教學(xué)地位沒(méi)有引起足夠的重視一些高校為計(jì)算機(jī)基礎(chǔ)課程分配較少的學(xué)時(shí)（少于48學(xué)時(shí)），甚至有的專業(yè)將此課程設(shè)置為選修課。這種設(shè)置降低了該課程在教師和學(xué)生心目中的位置，導(dǎo)致了對(duì)該課程的忽視。同時(shí)，不少老師因?yàn)閷W(xué)時(shí)不夠，時(shí)間緊迫，僅僅講述與考試相關(guān)的內(nèi)容，不考的一概不講。這導(dǎo)致學(xué)生的眼界受限，知識(shí)和能力受限，無(wú)法培養(yǎng)其全面綜合的計(jì)算機(jī)素質(zhì)。還有的專業(yè)沒(méi)有將這門課給專業(yè)的計(jì)算機(jī)學(xué)院的老師講授，而是隨意安排授課人員。沒(méi)有經(jīng)過(guò)系統(tǒng)專業(yè)訓(xùn)練的教師缺乏足夠的知識(shí)儲(chǔ)備，很難講好這一門看似簡(jiǎn)單的課程。⑵課程教學(xué)內(nèi)容的制定與當(dāng)今時(shí)代對(duì)于信息化人才的需求脫節(jié)一些高校的現(xiàn)狀是計(jì)算機(jī)基礎(chǔ)的課程教材知識(shí)陳舊[3]、質(zhì)量堪憂，教材總是無(wú)法跟上知識(shí)更新的步伐，例如都2019年了還在講Office2010。有的高校由于缺乏對(duì)課程的重視，沒(méi)有對(duì)教材優(yōu)中選優(yōu)，而是基于利益的考慮，優(yōu)先選擇自己院系編寫(xiě)的教材。其教材內(nèi)容是七拼八湊，沒(méi)有整體性、邏輯性和連貫性，更不用說(shuō)前瞻性。這樣的教材，無(wú)疑對(duì)學(xué)生的學(xué)習(xí)設(shè)置了巨大的屏障。除此以外，一些院校的課程教學(xué)知識(shí)體系不夠明確和完善，教學(xué)大綱的制定不夠科學(xué)。從教學(xué)大綱中制定的學(xué)時(shí)分配來(lái)說(shuō)，常常偏重實(shí)用性[4]，常用計(jì)算機(jī)軟件操作占據(jù)了大部分的課時(shí)。這會(huì)讓教師在授課時(shí)輕理論而重操作，如此培養(yǎng)學(xué)生，非常不利于其計(jì)算思維的形成，對(duì)后續(xù)其他計(jì)算機(jī)相關(guān)課程的學(xué)習(xí)也是很大的傷害。⑶教學(xué)模式過(guò)于傳統(tǒng)，信息化水平較低從教學(xué)方式上來(lái)說(shuō)，傳統(tǒng)的教學(xué)模式以教師課堂授課為中心，是以教師為主體的教學(xué)模式[5]。在這種模式下，教師仍然主要以填鴨式教學(xué)為主[6]，無(wú)法通過(guò)課堂教學(xué)發(fā)現(xiàn)學(xué)生的個(gè)性化特點(diǎn)，并進(jìn)行有針對(duì)性的教學(xué)。另外，雖然計(jì)算機(jī)基礎(chǔ)課程一般都配備了實(shí)驗(yàn)課時(shí)，但是實(shí)驗(yàn)課常常是采用教師布置上機(jī)任務(wù)、學(xué)生做完抽樣檢查的模式。這對(duì)于大課堂來(lái)說(shuō)，教師的任務(wù)繁重，無(wú)法搜集到每一個(gè)學(xué)生的任務(wù)完成情況，無(wú)法清晰地掌握學(xué)生學(xué)習(xí)的實(shí)際情況和薄弱環(huán)節(jié)。而且，該課程缺乏相應(yīng)的研討課時(shí)，很難讓學(xué)生對(duì)其所學(xué)知識(shí)進(jìn)行深入思考和探究，以增強(qiáng)思辨能力和對(duì)課程的學(xué)習(xí)興趣。⑷課程考核方式不夠公平合理從考核方式上來(lái)說(shuō)，該課程普遍采用“平時(shí)成績(jī)”+“期末考試”的加權(quán)方式對(duì)學(xué)生成績(jī)進(jìn)行評(píng)定。平時(shí)成績(jī)多由考勤分所得，期末考試多采用機(jī)考模式。這種考核方式過(guò)于單一化、機(jī)械化，無(wú)法對(duì)學(xué)生進(jìn)行全方位的評(píng)價(jià)。很多學(xué)生來(lái)到教室打考勤，但可能根本沒(méi)聽(tīng)講，而是在睡覺(jué)或者玩手機(jī)。期末機(jī)考的公平合理性也是存在著很多的漏洞。例如機(jī)考的試題庫(kù)可以十年不變，分值的分配和難度的掌握都沒(méi)有經(jīng)過(guò)系統(tǒng)的考量。甚至有的考試系統(tǒng)不夠穩(wěn)定和安全，頻頻爆出Bug，嚴(yán)重影響了考試結(jié)果的真實(shí)性。

2新人工智能環(huán)境下對(duì)計(jì)算機(jī)基礎(chǔ)課程改革的具體方案

2012年開(kāi)始，在隨著卷積神經(jīng)網(wǎng)絡(luò)技術(shù)在視覺(jué)處理方面的應(yīng)用取得巨大的成功之后，人工智能到達(dá)了有史以來(lái)的第三個(gè)爆發(fā)期。目前，深度學(xué)習(xí)技術(shù)在AlphaGo、無(wú)人駕駛汽車、機(jī)器翻譯、智能助理、機(jī)器人、推薦系統(tǒng)等領(lǐng)域的發(fā)展如火如荼。與此同時(shí)，人工智能技術(shù)在教育領(lǐng)域方面的應(yīng)用已經(jīng)興起。人工智能的教學(xué)產(chǎn)品也已有先例，例如基于MOOC平臺(tái)研發(fā)的教學(xué)機(jī)器人MOOCBuddy等等。基于人工智能的教育是融合云計(jì)算、物聯(lián)網(wǎng)、大數(shù)據(jù)、VR、區(qū)塊鏈等新興技術(shù)的增強(qiáng)型數(shù)字教育[2].在當(dāng)前人工智能的大時(shí)代背景下，針對(duì)傳統(tǒng)計(jì)算機(jī)基礎(chǔ)的種種弊端，我們提出了如下教學(xué)改革方案。⑴改變教學(xué)理念，確立計(jì)算機(jī)基礎(chǔ)課程的重要地位計(jì)算機(jī)基礎(chǔ)作為高校的一門公共課，實(shí)則應(yīng)當(dāng)作為各個(gè)專業(yè)的學(xué)生后續(xù)的學(xué)習(xí)、科研的必修之課程。因此，高等學(xué)校應(yīng)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(shí)分配。除教學(xué)課時(shí)、實(shí)驗(yàn)課時(shí)之外，需要為該課程增加一定的研討課時(shí)。任課老師必須是來(lái)自于計(jì)算機(jī)專業(yè)的人才。同時(shí)，定時(shí)舉辦關(guān)于該課程的教學(xué)培訓(xùn)、教學(xué)研討會(huì)和教學(xué)比賽，改變教師的教學(xué)理念，從源頭上給予該課程足夠的重視。⑵優(yōu)化教學(xué)內(nèi)容，重新制定課程的教學(xué)知識(shí)體系教材是教師教學(xué)的主要依據(jù)，也是學(xué)生獲得系統(tǒng)性知識(shí)的主要來(lái)源。因此，教材對(duì)于教學(xué)的重要性不言而喻。教材的選取需要優(yōu)中擇優(yōu)，必要的時(shí)候可以根據(jù)自身院校的情況自己編寫(xiě)，力求使用好的教材使教學(xué)事半功倍。在選定優(yōu)質(zhì)教材的基礎(chǔ)上，制定更加合理的教學(xué)大綱，優(yōu)化計(jì)算機(jī)基礎(chǔ)課程的教學(xué)知識(shí)體系，突出計(jì)算機(jī)學(xué)科入門相關(guān)基礎(chǔ)理論知識(shí)的重要地位。對(duì)現(xiàn)有的過(guò)時(shí)內(nèi)容進(jìn)行更新，例如操作系統(tǒng)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(shí)增加關(guān)于算法入門知識(shí)、程序設(shè)計(jì)入門知識(shí)以及人工智能、區(qū)塊鏈等前沿知識(shí)單元的介紹。以華中師范大學(xué)為例，我們?cè)趫D1中給出了該校計(jì)算機(jī)基礎(chǔ)課程的教學(xué)知識(shí)體系結(jié)構(gòu)圖。⑶充分利用現(xiàn)代化的教學(xué)工具和人工智能技術(shù)，構(gòu)建智慧課堂，改變傳統(tǒng)教學(xué)模式現(xiàn)代化的教學(xué)應(yīng)當(dāng)轉(zhuǎn)變以教師為核心的教學(xué)模式，更加突出學(xué)生的主體性地位。因此，在人工智能、物聯(lián)網(wǎng)、大數(shù)據(jù)等技術(shù)和蓬勃發(fā)展的情形下，應(yīng)當(dāng)改變傳統(tǒng)的課堂教學(xué)形式，充分利用現(xiàn)代化信息技術(shù)，將傳統(tǒng)課堂教學(xué)和網(wǎng)絡(luò)課堂教學(xué)模式相結(jié)合，構(gòu)建智慧課堂。融合課堂教學(xué)身臨其境的效果與網(wǎng)絡(luò)課堂自主性強(qiáng)且方便師生交流的特點(diǎn)，通過(guò)師生之間多層次、立體化的互動(dòng)，達(dá)到提升教學(xué)效果的目的。同時(shí)，建立功能強(qiáng)大、完善的學(xué)生實(shí)驗(yàn)平臺(tái)，基于不同專業(yè)學(xué)生的不同特點(diǎn)和不同需求，進(jìn)行個(gè)性化的作業(yè)設(shè)置。針對(duì)教師布置的實(shí)驗(yàn)任務(wù)和學(xué)生的完成情況，結(jié)合在線網(wǎng)絡(luò)教學(xué)系統(tǒng)，通過(guò)傳感器及網(wǎng)絡(luò)數(shù)據(jù)，搜集學(xué)生的學(xué)習(xí)行為數(shù)據(jù)，并且使用人工智能算法進(jìn)行智能分析，使教師對(duì)當(dāng)前的學(xué)生的學(xué)習(xí)情況一目了然，并能引導(dǎo)學(xué)生對(duì)重點(diǎn)、難點(diǎn)的鞏固和掌握。研討課以學(xué)生為主體，按照所選課題進(jìn)行分組調(diào)研、分組討論，刺激學(xué)生的學(xué)習(xí)興趣，培養(yǎng)其思辨能力。研討內(nèi)容最終可以課程論文的形式上交至課程共享平臺(tái)，由教師和同學(xué)共同給出評(píng)分。這里，仍以華中師范大學(xué)為例，我們將在線教學(xué)系統(tǒng)、實(shí)驗(yàn)課平臺(tái)、研討課共享平臺(tái)等集成為一個(gè)基于人工智能技術(shù)的網(wǎng)絡(luò)智慧教學(xué)綜合平臺(tái)系統(tǒng)。該系統(tǒng)主要包括用戶管理、在線教學(xué)、課堂互動(dòng)、作業(yè)管理、考試管理、BBS系統(tǒng)、智能分析和平臺(tái)管理8個(gè)模塊，其主要功能如圖2所示。該系統(tǒng)采用C/S模式，系統(tǒng)的服務(wù)器選用Linux服務(wù)器，同時(shí)開(kāi)發(fā)基于PC機(jī)的和手機(jī)端的客戶端系統(tǒng)，方便學(xué)生和教師隨時(shí)選用、更加靈活。在線教學(xué)模塊中的智能學(xué)習(xí)助理功能，能夠根據(jù)歷史用戶的學(xué)習(xí)行為和當(dāng)前用戶的學(xué)習(xí)行為，自動(dòng)地識(shí)別學(xué)習(xí)內(nèi)容中的難點(diǎn)以及當(dāng)前學(xué)生的難點(diǎn)內(nèi)容，有針對(duì)性地對(duì)學(xué)生進(jìn)行知識(shí)點(diǎn)強(qiáng)化。課堂互動(dòng)模塊中，通過(guò)可穿戴式傳感器搜集學(xué)生的學(xué)習(xí)行為，用于后續(xù)智能分析模塊中對(duì)學(xué)生的學(xué)習(xí)態(tài)度和學(xué)習(xí)行為進(jìn)行智能分析。在線作業(yè)評(píng)價(jià)模塊包括機(jī)器評(píng)價(jià)和教師評(píng)價(jià)兩個(gè)功能。機(jī)器評(píng)價(jià)是系統(tǒng)為學(xué)生作業(yè)（客觀題、主觀題）自動(dòng)評(píng)分，其中主觀題的評(píng)分也是使用人工智能技術(shù)來(lái)實(shí)現(xiàn)。教師評(píng)分時(shí)可以參考機(jī)器評(píng)分，減少教師工作量。同時(shí)，教師評(píng)分為機(jī)器評(píng)分提供機(jī)器學(xué)習(xí)的經(jīng)驗(yàn)數(shù)據(jù)，促進(jìn)機(jī)器評(píng)分更加智能。智能分析模塊能夠依據(jù)學(xué)生的在線課程學(xué)習(xí)模塊、課堂學(xué)習(xí)模塊、作業(yè)管理模塊等搜集到的學(xué)習(xí)行為數(shù)據(jù)進(jìn)行綜合分析，促使教師深入了解學(xué)生的學(xué)習(xí)情況和個(gè)性化特點(diǎn)，提升教學(xué)的針對(duì)性，并且有助于后續(xù)對(duì)學(xué)生進(jìn)行全面、綜合的分析和成績(jī)?cè)u(píng)定。所有系統(tǒng)模塊中使用到的智能分析技術(shù)包括基本的統(tǒng)計(jì)分析、以及各類機(jī)器學(xué)習(xí)算法（k-means,NaveBayes,SupportVectorMachine,DeepLearning等等）。⑷改變傳統(tǒng)成績(jī)考核的方式在“教學(xué)”+“實(shí)驗(yàn)”+“研討課”課程結(jié)構(gòu)以及網(wǎng)絡(luò)智慧教學(xué)綜合平臺(tái)的輔助之下，學(xué)生的成績(jī)?cè)u(píng)定更加全面化、多元化、公平化、自動(dòng)化[7]。平時(shí)成績(jī)中，除了教學(xué)綜合平臺(tái)的“課堂簽到”次數(shù)之外，還增加更多豐富多元化的考察信息，如：學(xué)生的課堂討論、在線課程學(xué)習(xí)和考核結(jié)果、平時(shí)作業(yè)完成情況，以及智能分析模塊中輔助分析的學(xué)習(xí)態(tài)度、學(xué)習(xí)能力、平時(shí)成績(jī)預(yù)測(cè)。期末上機(jī)考試系統(tǒng)也是智慧課堂綜合平臺(tái)的一個(gè)子模塊，是精心設(shè)計(jì)的穩(wěn)定、安全、功能強(qiáng)大的子系統(tǒng)，方便教師每一年更新試題庫(kù)，修改bug。試題庫(kù)中的每一套試卷都應(yīng)當(dāng)經(jīng)過(guò)科學(xué)的考卷質(zhì)量分析，使其難度、覆蓋范圍在一個(gè)均衡、合理的范圍。最后，教師通過(guò)對(duì)各類平時(shí)成績(jī)指標(biāo)以及期末考試成績(jī)加權(quán)，給出最終的學(xué)習(xí)成績(jī)。通過(guò)規(guī)范、合理、公平、全面的考核體系，獲得對(duì)學(xué)生公平、完善的評(píng)價(jià)機(jī)制，激勵(lì)學(xué)生并刺激教學(xué)良性運(yùn)轉(zhuǎn)。

3結(jié)束語(yǔ)