继国务院于2017年下发了《新一代人工智能发展规划》后,政府又相继出台了若干政策,推动高校人工智能相关专业的开展。2018年,教育部印发《高等学校人工智能创新行动计划》,明确提出要完善人工智能领域的人才培养体系,完善学科布局、加强专业建设、教材建设、人才培养,推动人工智能领域一级学科建设。
建设人工智能学科。完善人工智能领域学科布局,设立人工智能专业,推动人工智能领域一级学科建设,尽快在试点院校建立人工智能学院,增加人工智能相关学科方向的博士、硕士招生名额。鼓励高校在原有基础上拓宽人工智能专业教育内容,形成“人工智能+X”复合专业培养新模式,重视人工智能与数学、计算机科学、物理学、生物学、心理学、社会学、法学等学科专业教育的交叉融合。加强产学研合作,鼓励高校、科研院所与企业等机构合作开展人工智能学科建设。
为方便高效开展人工智能相关学科的建设,提供了一套用于教师开展人工智能教学的实验平台。平台部署规划架构图如下:
平台部署规划架构图
人工智能实验平台采用Docker容器技术,可以通过虚拟化技术,将CPU的资源合理分配。每个学生的实验环境不仅相互隔离,可以高效地完成实验,而且实验彼此不干扰,即使某个学生的实验环境出现问题,对其他人也没有影响,只需要重启就可以重新拥有一个新的环境,大幅度节省了硬件和人员管理的投入成本。
平台中提供了两种主流的深度学习框架镜像——Caffe和Tensorflow,镜像中安装了深度学习GPU开发的底层驱动、加速库和深度学习框架。可以通过Docker一键创建环境。若用户想要使用其他框架,可在已生成环境的基础上安装使用其他深度学习框架。
平台中目前提供了40个实验,其中包含了用于熟悉框架使用的基础实验、各种常用的深度学习模型的实验和各种场景下的深度学习案例。每个实验配备了对应的数据集和需要的源码文件。在看完实验原理的基础上,按照手册步骤一步一步在自己的环境中操作,即可简单的完成实验。
人工智能实验平台实验列表
序号 |
实验名 |
属性 |
1 |
基于LeNet模型和MNIST数据集的手写数字识别(Caffe) |
图像识别 |
2 |
基于AlexNet模型和CIFAR-10数据集的图像分类(Caffe) |
图像分类 |
3 |
基于CNN模型的MNIST数据集的手写数字识别(TensorFlow) |
图像识别 |
4 |
基于CNN模型的CIFAR-10数据集的图像分类(TensorFlow) |
图像分类 |
5 |
基于GoogLeNet模型和ImageNet数据集的图像分类 |
图像分类 |
6 |
基于VGGNet模型和CASIA WebFace数据集的人脸识别 |
人脸识别 |
7 |
基于DeepID模型和CASIA WebFace数据集的人脸验证 |
人脸识别 |
8 |
基于DNN模型和Iris data set的鸢尾花品种识别 |
特征分类 |
9 |
基于Faster R-CNN模型和Pascal VOC数据集的目标检测 |
目标检测 |
10 |
基于FCN模型和Sift Flow数据集的图像语义分割 |
语义分割 |
11 |
基于R-FCN模型的物体检测 |
目标检测 |
12 |
基于SSD模型和Pascal VOC数据集的目标检测 |
目标检测 |
13 |
基于YOLO2模型和Pascal VOC数据集的目标检测 |
目标检测 |
14 |
基于DCGAN模型和Celeb A数据集男女人脸转换 |
图像风格转换 |
15 |
基于FaceNet模型和IMBD-WIKI数据集的年龄性别识别 |
图像分类 |
16 |
基于RNN模型和康奈尔语料库的机器对话 |
自然语言处理 |
17 |
基于LSTM模型的相似文本生成 |
自然语言处理 |
18 |
基于DCGAN模型的换脸 |
图像风格转换 |
19 |
基于CapsNet和Fashion-MNIST数据集图像分类 |
图像分类 |
20 |
基于CNN模型的绘画风格迁移 |
图像风格转换 |
21 |
基于Bi-LSTM和涂鸦数据集的图像分类 |
图像分类 |
22 |
基于LSTM模型和股票数据集的预测 |
序列预测 |
23 |
基于玻尔兹曼机的编码和解码 |
自编码 |
24 |
基于RNN模型和sherlock语料集的语言模型 |
自然语言处理 |
25 |
基于RNN模型和MNIST数据集的手写数字识别(Tensorflow) |
图像识别 |
26 |
单层感知机和多层感知机的实现 |
图像识别 |
27 |
基于CNN模型和TREC06C邮件数据集的垃圾邮件识别 |
自然语言处理 |
28 |
基于强化学习Q-learning算法的“走迷宫”问题 |
强化学习 |
29 |
基于深度学习的验证码自动识别 |
图像识别 |
30 |
基于U-Net模型细胞图像分割 |
语义分割 |
31 |
基于C3D模型和UCF101数据集的视频动作识别 |
动作识别 |
32 |
基于word2vec模型和text8语料集的实现词的向量表示 |
自然语言处理 |
33 |
基于MTCNN模型和LFW数据集的人脸检测和人脸对齐任务 |
人脸检测、对齐 |
34 |
基于NMT模型和NiuTrans语料库的中英文翻译 |
自然语言处理 |
35 |
基于pix2pix模型和Facades数据集的图像翻译(image-to-image translation) |
图像风格转换 |
36 |
基于pix2pix模型和MSCOCO2014数据集的图像超分辨率重建 |
超分辨率重建 |
37 |
使用改进的Encoder-Decode结构实现图像描述 |
场景分析 |
38 |
基于TFTS的时间序列预测 |
序列预测 |
39 |
基于CycleGAN模型的风格变换 |
图像风格转换 |
40 |
基于ResNet模型和C ASIA WebFace数据集的人脸识别 |
人脸识别 |
拓展资源建设
《深度学习》本书从深度学习的发展历史入手,系统地介绍了深度学习的基本概念、数学基础和主流模型,夯实读者理论基础。同时,针对当前流行的主流框架,循序渐进,一步一步引导读者了解深度学习的使用过程,增强动手能力。在此基础上,通过具体例子介绍深度学习在图像、语音、文本中的应用,还简要介绍了增强学习、迁移学习,深度学习硬件实现等前沿方面,扩展深度学习的内容。每章都附有相应的习题和参考文献,以便感兴趣的读者进一步深入思考。“让学习变得轻松”是本书的基本编写理念。
国内专业领域排名第一的网站---中国大数据、中国云计算、中国存储、中国物联网、中国智慧城市等为学生学习提供全线技术支撑,一网打尽各类优质资源。
基于人工智能实验需求,人工智能实验平台配套提供的还有各种实验数据,包括交通卡口车牌图片数据、人脸识别图片数据、环境数据等。其中不仅包含共用的公有数据,每一个实验也有自己的实验数据,种类丰富,应用性强。
实验数据将做打包处理,不同的实验将搭配不同的数据与实验工具,解决实验数据短缺的困扰,在实验环境与实验手册的基础上,做到有设备就能实验,有数据就会实验。 |