吴明晖

（浙江大学城市学院 计算机科学与工程学系，浙江 杭州 310015）

0 引 言

深度学习技术引燃了新一轮人工智能热潮，各行业都有着强烈的智能应用需求。2018 年我国首批38 个人工智能本科专业获批，人工智能专业建设进入井喷期[1]。深度学习作为新一代人工智能技术体系重要组成部分，不仅是IT 相关专业有学习需求[2]，对于其他专业打造复合交叉的“人工智能+X”人才培养体系也具有重要意义[3]。

《深度学习应用开发—Tensor Flow 实践》课程关注如何根据不同场景落地智能技术应用，基于最流行的机器学习框架TensorFlow，专注于新一代人工智能思维与应用开发能力的培养，注重实践，是一门及时响应新工科人才培养需求的人工智能类应用开发课程。

1 TensorFlow简介

TensorFlow 是Google 公司开发的一个开源深度学习框架[4]，其定位是“A machine learning platform for everyone to solve real problems”，即适用于每个人的用来解决实际问题的机器学习平台。TensorFlow 近3 年一直占据各类深度学习框架受欢迎程度排行榜的榜首，是当前最受欢迎的深度学习框架。

2019 年10 月谷歌正式推出TensorFlow 2.0版本。TensorFlow 2.0 更注重使用的低门槛，默认采用Eager execution（动态图机制）模式，无需事先定义计算图，允许用户像编写普通Python 程序一样去编写、调试模型，可以直接执行操作并返回结果，这使TensorFlow 更易于学习和应用。

2 课程内容设计

有别于传统人工智能课程，本课程不泛泛地讲解各类人工智能技术或是干涩地讲深层次理论和算法，也不是纯粹介绍TensorFlow 的编程技能，而是面向大多数潜在的初学者特点（没有系统的人工智能理论基础、深厚的数学功底，甚至没有学过Python 编程，但对人工智能感兴趣，学过某种编程语言，希望能结合自己所长尝试开发智能应用），选取典型的场景，精心设计了系列案例来引导整个学习过程，激发学习者的学习兴趣和应用创新。

系列案例由浅入深，各有侧重，兼具趣味性和系统性。主要案例包括房价预测、手写数字识别、图像识别、Deep Dream 梦幻图像生成、猫狗大战、泰坦尼克号旅客生存预测、电影评论情感分析、流行服饰图像自动生成、鸢尾花识别网页应用以及花卉识别App 开发等。通过这些案例从最简单的单个神经元的线性回归应用开始，历经多元线性回归、全连接神经网络、卷积神经网络CNN、深度神经网络VGG、迁移学习、Keras高层接口、循环神经网络RNN，直到生成对抗网 络GAN、TensorFlow.js 和TensorFlow Lite 等高级话题。

课程以不同场景的系列案例项目来组织教学。每次课程均以一个精心设计的案例为主线，一方面介绍TensorFlow 编程的方法和技能，另一方面体现相关深度学习的思想和创新思维。通过对该案例的演示和迭代式开发过程分析，由浅入深，逐步引出需要掌握的知识点，并讨论其中涉及的相关智能思维、诱导激发学生的创新。课程内容设计见表1。

表1 课程案例与教学内容

（续）表1

每讲案例配套项目开发式作业，要求学生按“案例重现–模仿改进–创意创新”之路，边做边学，完成系列半开放选题开发项目。大作业则在学期中期开始，由教师指导、学生自主选题设计完成，体现课程知识的综合应用。

3 MOOC课程建设

MOOC 课程受众面广，突破了传统线下课堂人数的限制，一般会有相当高的学生—教师比例。基于课程的特点，本课程通过案例引导、项目驱动来激发学生的兴趣，增强主动学习，强调“做中学”。因此在教学设计时就考虑到如何以在线开放课程的方式来承载本课程的教学理念，达到教学目标。

在教学过程中强调学生的主体性和个性化。课程提供了丰富的教学案例和视频资源，让学生能便利地通过互联网进行个性化学习。每个教学视频的时长一般控制在5～15 分钟，适合学生利用碎片化时间灵活安排学习。为了让学员能够跟随课程动手实践，课程讲解细致，从第一行代码到项目最终完成，中间会增量迭代几个版本，对常见问题的产生及解决方案都给出特别演示。课程经过持续建设，已经积累了丰富的教学资源，目前包括共时长1 350 分钟的159 个教学视频，以及案例、项目、课件、电子教材、学生优秀作品等。课程配套的教材电子版已发布在GitBook 平台上。基于GitBook 平台，可以支持多人合作的方式进行教材编写，所有最新的内容和修正都可以随时进行，可以保持教材总是反映最新的内容。学员可以通过MOOC 平台、GitBook 平台等多种方式方便地获取学习资源，开展个性化学习。

为解决高生师比问题，改革教学活动和评价方式，设置线上讨论版，鼓励学生参与讨论和互助；对于客观题，使用自动化的线上判题系统进行评价，如随堂测验、考试等。基于本课程的教学设计，项目式作业是本课程的一个重要特点，所占的评价比重很大，而MOOC 课程的学生数量又很多，教师团队难以逐一评阅，因此设计为学生互评模式进行评价。这就要求在设计项目式作业时，尽量给出详细的评分指引，让互评学生有据可依。为保证公正性，平均每份作业需要5人左右评价，每人需要评5 份作业才算完成互评任务。对作业互评设定奖惩措施，不评或者少评的将被扣分。

4 基于SPOC的翻转课堂模式教学实施

本课程适合采用基于在线开放课程的教学资源进行翻转课堂教学法来授课。课程上线后各院校可以基于本课程资源进行同步SPOC 或者异步SPOC 课程教学，也可供感兴趣的学生纯粹通过网络进行自主学习。

在基于SPOC 的翻转课堂教学模式下，强调学生的主体特性，教师更多地扮演导师和技术支持的角色，课程不再以教师讲、学生听的模式开展，学生可以自由安排时间通过课前网络进行学习，在课堂上主要进行问题讨论和思维扩展，让学习更有针对性，真正促进因材施教。

4.1 课前学习活动的组织

首先教师提前发布学习项目及要求，提供MOOC 视频、扩展资料、思考角度、搜索技巧等方面的帮助，组织学生在课前观看相关的学习视频及资料，鼓励学生根据自己的兴趣和能力选择不同的学习材料及学习进度，激发学习主动性，实现个性化学习。

针对每个学习项目及视频等材料，教师在讨论区发布若干问题，由学生进行回答；学生也可在讨论区发帖提问或者回答其他同学的问题。教师整理并记录下较为普遍的问题，并准备在课内教学活动中进行引导回答。学生发帖及回复的次数与质量可作为教学评价的一部分依据。

建议学生以小组为单位（每组的人数大约在4 人左右），通过网络平台展开组内及组间的协作式学习。小组成员间就各自学习的心得及疑问进行交流互助，最后以PPT 或者报告的形式记录学习结果。在此过程中，小组的学习疑问可以通过网络平台与教师或者其他小组交流。

4.2 课内教学活动的组织

课内教学活动主要是通过对学习成果的汇报展示；学生间提问答疑等协作交流；学生和教师对其的评价；教师的个别性指导4 个环节来完成。

首先需要组织学生对项目的学习成果进行汇报展示，分析学习过程中的困难和体会。其次，在汇报展示结束后，鼓励其他学生对展示结果进行提问，由汇报人（小组）进行答疑或者协作学习。对展示结果有质疑的可在课内或者通过网络平台展开进一步讨论和评价。然后，借由前面的成果汇报、协作答疑等环节，学生们对课前学习的知识进行了整理和内化吸收。最后，教师需要根据课前学习及课内活动展现出来的问题，针对不同层次学生进行个别指导；同时阶段性的对碎片化的知识进行系统性梳理，从而激发学生的积极性和学习兴趣，协助其对学习内容产生进一步的理解和提升。

4.3 课程考核方式的改革

针对基于MOOC 课程资源开设的SPOC 线下课程，学生考核和评价方法将结合线上和线下学习两方面进行。

考核形式为课堂表现与网络论坛参与程度（占10%）+每次课后项目式小作业（8 次，占40%，网上学生互评）+测验（4 次，占20%，系统自动评分）+期末大作业（小组项目式作业，占30%，现场展示答辩，各小组互评分作为参考，老师评分）。

以期末大作业替代传统题型的期末考试是本课程特点之一，突出实践，强调创新性和挑战度。其中线下期末大作业由学生分组完成，最多4 个人1 组。自由选题，完成一个深度学习应用的设计与开发，最终提交实验报告、源代码、演示视频和答辩ppt，所有小组成员上台进行演示和答辩。期末大作业根据以下3 方面进行综合评分：①大作业设计与开发情况（占总评70%），根据以下5 方面评价：问题场景与创意、所选模型类型的适用性、模型性能、功能实现完备性、整体技术复杂度（各20%）；②实验报告+演示（占总评分30%）；3）个人贡献（根据小组成员贡献适当调节）。

在大作业考核现场答辩环节中，引入学生组互评，当一个小组在台上演示讲解自己小组的作品时，其他小组会进行打分，这些分数供教师参考，最后评分由教师完成。每学期大作业的优秀作品，将作为案例充实到课程中的往年优秀作品展示环节。

5 课程实施与讨论

5.1 课程实施基本情况

MOOC 课程自2018 年9 月在“网易云课堂”平台上线，首轮即有超过3 600 人选课，目前已经完成2 轮完整开课，累积超过8 000 名学员参加了本课程的学习。2019 年9 月，本课程在“中国大学MOOC”平台发布，开课一个月已经有超过8 000 名学员修读，受到学生好评，例如，学员mooc69602545645918861 评价“这是我见过最好的深度学习教学视频。原本觉得深度学习得涉及大量高等数学知识，毕业十几年的我早已遗忘，觉得深度学习与我是无缘的。上了吴老师的课，觉得又让我重新燃起了希望，现在甚至对高等数学也产生了兴趣。”；学员wurs.2010评价“整体偏应用，但不缺理论的剖析讲解，知识点由浅入深，层层递进。后面附的电子版教材非常好，通俗易懂，非常适合入门。”；学员qingmanykt1462754146930 评价“讲得很好，课程组织、课程内容、课程讲解都很好”等。

持续开展线上线下混合式教学改革。本课程于2018 年9 月在浙江大学城市学院首次开设通识选修课，采用基于MOOC 的线上线下混合模式教学，受到学生热烈欢迎。为满足学生选修需求，每学期都开课，每期都超出教室最大容量需要抽签决定入选名单。一般每次都有十几个专业的学生入选，其中非计算机类的学生占50%左右。各专业学生普遍认为本课程充满乐趣，即使部分缺乏系统编程基础的学生也能快速掌握，并实现自己的智能创意，充满成就感。

5.2 课程实施方案讨论

本课程内容较为丰富，提供一站式解决方案，包括针对部分基础欠缺学员的基础性选修部分（Python 简明基础和线性代数矩阵运算基础），以及面向进阶学员的扩展选修部分（生成对抗网络GAN、TensorFlow.js、TensorFlow Lite 移动应用开发等高级话题），形成可裁剪的新形态课程资源，可面向不同的学习者形成不同的教学和学习路径，包括面向技能提升的社会学习者；计算机类学生的专业方向课程和专业选修课程；主要面向理工类大学生的通识选修课程；面向高职高专的TensorFlow 应用开发实务课程；面向中学信息技术教师的人工智能拓展培训课程。

6 结 语

在新工科背景下，培养具有智能思维和基础应用开发能力的“人工智能+”人才具有重要意义。本课程不以培养智能理论创新和算法改进的研究型人才为目标，而是面向对人工智能应用感兴趣的大多数初学者，以典型场景应用落地为目标，强调实践，以“案例引导、项目驱动”模式来组织课程内容和教学。经过几轮线上课程和线上线下混合模式课程教学实施，取得了良好的成效。课程的建设是一个持续迭代完善的过程，今后还将根据技术的发展和学员的反馈做及时持续的迭代更新。