0引 言
人工智能技术将对人类社会发展产生长远而深刻的影响，也得到了国家的高度重视和社会的广泛关注。2017年7月，国务院发布了《新一代人工智能发展规划》（国发[2017]35号），从国家战略的高度确定了我国人工智能发展的指导思想、基本原则和战略目标。随后，2018年4月，教育部发布了《高等学校人工智能创新计划》（教技[2018]3号文，下称创新计划），提出“完善人工智能领域人才培养体系”的目标，到2020年，基本完成适应新一代人工智能发展的高校科技创新体系和学科体系的优化布局，设置并推进人工智能领域一级学科建设。这一计划迅速得到了多个高校的相应，掀起了人工智能教育的高潮。目前，清华大学、吉林大学、中国人民大学等38所知名高校先后建立了人工智能学院和研究院，42所高校申请了人工智能本科专业。
人工智能技术自1956年提出以来，经过长期的发展后终于跨越三次低潮，迎来了今天的第三轮高潮。深度学习是点燃此轮人工智能技术革命的突破性技术，也是当前人工智能教育和人才培养的核心。经过近年的深入研究和产业应用，深度学习技术已经初步形成了一套完整的体系，包括理论基础、计算框架、应用案例等内容。但目前，大部分高校尚未将深度学习作为一门独立的课程纳入高校人才培养体系，限制了人工智能技术的应用和推广。
文献[1-3]建议在人工智能类课程中引入深度学习的相关内容，对课程的实施方案、授课内容等给出了初步建议，并讨论了如何在教学中更好开展深度学习中卷积神经网络的教学。文献[4]中考虑了在新一代人工智能学科中设置深度学习相关课程和实验。文献[5]利用人工智能和深度学习技术对清华大学电子信息学科的媒体与认知课程的教学和实验内容进行升级和改造，并取得了良好的效果。文献[6]介绍了南京邮电大学利用深度学习等人工智能技术对遥感测绘领域的遥感原理与方法进行课程改革的经验，有效地提高了学生的创新能力。
由于目前人工智能尚未成为一级学科，计算机科学与技术等相关专业教师在高校中不仅承担着学习、应用和研究深度学习等新一代人工智能技术的责任，也应责无旁贷地承担起传播的责任。为了促进学科交叉和融合、尽快推动新一代人工智能技术的落地，传播的对象除了计算机、控制、电子等专业学生外，也应该将生物、测绘、机械、金融等潜在应用学科专业的学生包括在内，探索“人工智能+X”的人才培养模式。
1深度学习课程在高校开设面临的困难
专业人才培养方案决定了人才培养的整个课程体系。课程设置和开课时间在新生入学前就确定下来，形成了一套完备的课堂教学、实践教学体系，体现出很好的前驱后续关系。每门课程都有对应的课程大纲，确定该课程的教学目的、教学内容和实验安排。上述内容确定后，需要在4年的本科教学环节中保持相对稳定。为了及时更新知识结构和教学内容，很多高校会每隔1-3年后进行下一轮修订，结合技术发展与社会需求，经过广泛调研和充分论证后合理增删和设置课程。上述模式经过多年的教学和人才培养实践检验，具有良好的育人效果。
人工智能技术的兴起已经得到了社会的广泛认可，很多学生对深度学习技术产生了浓厚的学习兴趣，部分优秀学生利用深度学习技术，在科技竞赛、创新创业比赛中屡获佳绩。在传统机制下，目前的在校生无法通过课堂获得深度学习的知识和技术，限制了学生的成长。同时，深度学习的相关内容迭代速度较快、应用领域不断扩展，而相关技术发展无法在人才培养方案中及时体现，在人工智能人才日益增长的社会需求和滞后的人工智能人才培养体系之间产生了一个巨大的鸿沟。
目前，全国多所顶尖高校已经建立了38所人工智能学院和人工智能研究院，42所高校在2018年申请了人工智能专业。考虑到学生培养过程，这些学生按照正常学制在4-5年后方能完成本科阶段的学习，培养周期相对较长，且覆盖学生范围有限。
2深度学习技术的开课路径分析
深度学习是新一代人工智能的核心技术，尽快在高校内开设相关课程，不仅可以加速人工智能人才培养速度，同时也可以有效地促进新工科建设。由于各个高校之间在教学资源、教学组织等方面存在差异，因此应该因地制宜，采用灵活有效的方式实施。
2.1独立式开课
深度学习技术涉及内容较多，独立开课是一个理想的课程开设方式。标准的做法是在培养方案中独立开设一门内容完整、理论与实验学时安排合理的深度学习课程。作为人工智能或者计算机科学与技术的一门专业课，开课时间安排在大二下学期或者大三的黄金时间段较为合适[3]。在教学实践中，最好安排独立的课程设计或者实习实训环节，利用案例或者实际问题进行教学，让学生充分感受利用深度学习技术解决实际问题的完整流程，训练学生解决实际的复杂工程问题的能力。采用此方式的优点在于行之有效且易于实施，缺点在于人才培养周期较长。
对于未设置人工智能专业的高校，为了迎接技术的快速迭代，及时向学生介绍人工智能和深度学习的最新技术，可以通过开设本科生公选课或者研究生公选课的方式传播深度学习知识。利用公选课开设独立的深度学习课程，至少有如下几个方面的益处。
1）开设可行性较高，易于申请和设置。
部分高校在人才培养方案中会为公选课预留出部分学分，以拓展学生在知识结构方面的宽度。与人才培养方案中的必修课和选修课相比，可以根据需要在开课之前进行申请，开设相对比较容易。
2）缩短人才培养周期，迅速拓展深度学习技术传播的范围。
由于公选课本身的特点，学生年级跨度大、来源广、数量多、热情高，这些特点对于传播一门社会关注度高、未来前景好、应用范围广的新技术而言是非常有利的。
选课学生覆盖范围至少包含大三和大四两个年级（部分学校可以扩大到大二），学习之后可以很快进行应用，有效缩短了人才培养周期；公选课学生来自不同的专业和学院，有效拓展了深度学习知识传播半径和范围；公选课容量一般较大，可以迅速扩大深度学习知识传播人群的数量，让更多的学生了解和认识深度学习技术；学生在选择公选课的时候具有多种选择。因此可以推断，选择深度学习作为公选课的学生对课程内容有较好的兴趣和热情，有利于教学活动的组织和实施。
3）迅速造就无限可能的X，促进 “人工智能+X”的融合和深度学习技术的落地。
人工智能技术的快速发展，在计算机行业和传统行业之间形成了明显的技术代差。智联招聘数据显示，目前51%的存量人工智能人才来自于计算机科学与技术、软件工程、电子信息科学与技术等专业。这些人才虽然有较好的信息技术基础，但是对实际应用场景缺乏深入了解，影响了深度学习技术的落地。
公选课可以使不同专业的学生了解并掌握深度学习技术，并从人工智能的视角重新审视各个领域的实际问题，结合各自专业背景、开展有效的工程与技术之间的融合，在“人工智能+X”的人才培养模式中快速造就无限可能的X，促进深度学习技术在垂直领域的快速应用。
在具体的教学实践中，开设深度学习公选课也取得了较好的实际效果。笔者为所在学校第一次开设了在深度学习全校研究生公选课，选课学生来自计算机、电子、资环等6个学院。中国科学院大学研究生院第一次开设了深度学习公选课，选课学生达到了数百人。
虽然开设深度学习公选课具有上述的优势，但在实施过程中也存在一些问题尚待解决。首先，公选课学生的知识基础和学习能力参差不齐，这对教师深度学习的理解和教学艺术是一个挑战；其次，公选课学时有限、实验学时较少或者无实验学时，无法形成有效的动手能力培养机制。一个可行的解决方案是鼓励学生在课余时间利用线上资源开展学习，利用线上学时弥补线下学时的不足。目前，各大在线教学平台开放了深度学习的MOOC课程，同时部分高校的选修课已经实现了全部线上授课，这也为学生学习深度学习技术提供了新的途径。最后，由于公选课学生专业较为分散，教师无法对学生在结课后进行有效指导，也无法与后续课程进行有效而紧密的衔接形成一个完整的知识体系。为了解决此问题，可以根据学生的学习情况，建立人工智能或者深度学习的学习兴趣小组，继续指导学生开展创新创业活动，提高学生的科技创新水平。
2.2嵌入式开课
嵌入式开课是指通过局部调整授课内容的方式，将深度学习内容引入到人工智能导论、机器学习与模式识别、大数据分析、数字图像处理、机器视觉等现有相关课程中。嵌入式开课不仅需要协调好深度学习内容与其他内容的衔接和学时比例分配，也要积极协调、争取教务部门的支持。这种开课方式的优点在于形式灵活，可以让学生及时快速地接触到最新的技术进展，缺点是由于学时有限，只能选择性地讲解深度学习相关内容，无法形成较为固定的教学体系和内容，教学效果更多地依赖于教师的教学水平。
2.3追加式开课
为了给学生学习人工智能技术提供更多的机会，部分高校采用了追加式开课的方法，即利用周末等节假日时间为学生增加深度学习的相关课程。这样的开课方式可以很好地规避人才培养方案的限制，授课内容和学时也可以得到有效保障，在学生中受欢迎程度较高。由于涉及学生组织、教师授课、教学场地、实验条件等方面的安排和协调，追加式开课不仅要求课程负责人具有较好的协调和组织能力，同时也需要得到学校相关部门在政策、资金、人员和场地等方面的大力支持。
据目前了解的情况，中国科学院大学、河南理工大学等高校采用公选课的形式独立开设了相关课程。在河南理工大学开设的研究生公选课中，选修学生不仅来自计算机、测绘、电气等与信息技术结合较为紧密的学院，也有来自能源、资环、物电、机械等传统技术相关学院，在更广泛的领域中传播了深度学习技术。河北科技大学在原有大数据课程的基础上，将深度学习技术嵌入其中，受到学生的欢迎。另有部分高校已经计划开展利用暑期时间进行深度学习课程的开设。
3深度学习课程的师资培养
与计算机科学技术等专业的传统课程相比，深度学习技术的内容较新且迭代速度很快，对现有高校的师资储备、实验平台等方面带来了新的挑战。普通高校中掌握深度学习技术的教师数量有限，暂时无法支撑短期大规模开课的要求。解决深度学习师资方面的问题，可以从线下培训和线上培训两个途径入手。
1）结合新工科建设，开展线下师资培训。
与新工科建设结合、与企业结合进行线下师资培训是深度学习课程师资培训的主要途径。教育部设立了产学合作育人项目，为新工科建设搭建平台。教育部产学合作育人项目的开设增强了高校教师学习的积极性和主观能动性，为高校教师积极主动学习深度学习等新技术提供了强劲的内部动力。
为了更好地促进行业企业与高校的融合，在教育部、工业和信息化部的共同指导下，中国软件行业协会牵头成立了信息技术新工科产学研联盟，联盟下设的各个工作委员会采取了“高校+企业”牵头的组织模式，充分发挥企业在数据和行业应用方面的优势，促进高校与企业的深度融合。谷歌、百度、微软、IBM等国内外业界巨头不仅为产学协同育人项目提供了新工科建设、课程改革、师资培训等项目供高校教师申请，而且在技术、人员、资金和技术方面对深度学习线下师资培训活动进行大力支持，提供了良好的外部资源。
内部动力和外部资源共同为深度学习师资培训搭建了长期稳定、运行有序的平台。2018年，信息技术新工科产学研联盟下属的人工智能协同育人工作委员会、人工智能教育工作委员会、教育培训工作委员、人工智能与认知计算工作委员会等多个委员会分别在北京、合肥、广州、哈尔滨、济南、南京、成都等地组织了9次人工智能和深度学习方面的师资培训，取得了较好的培训效果，为高校深度学习课程的开设储备了基础师资。据了解，后续的师资培训将继续开展，形式更加多样，模式更为成熟。
2）利用慕课资源，开展线上师资培训。
深度学习技术内容丰富、应用广泛，在线下师资培训短短的几天内完全掌握具有一定难度，需要合理利用线上资源作为补充，将线上教学与线下培训进行有效融合。线上资源的介入不仅有助于提高师资培训的效果，也能显著减少高校在师资培训方面的费用和支出。此外，由于线上师资培训形式灵活，也可以提高参加培训的高校教师数量和覆盖范围，使更多的高校教师关注深度学习技术，并应用在教学和科研实践中。
4深度学习的计算框架
深度学习技术主要利用了深度神经网络技术。与传统的神经网络相比，以深度神经网络为基础的深度学习技术在学习理论、网络结构、数据容量、算法设计、优化技巧等方面有了长足的发展，形成了一套完整庞大的计算体系。CNN、RNN等常用的深度学习神经网络应用广泛，而新的神经网络也层出不穷。为了进行高效的网络设计和实现，通用的计算平台也必不可少，使用这些平台降低了学习和使用深度学习技术的门槛，有效提高了深度学习网络的搭建速度和计算效率。
目前常用的计算框架有TensorFlow、Caffe、MXNet、Pytorch、Keras和PaddlePaddle等。TensorFlow是谷歌推出的计算框架，也是当前的主流框架，很多深度学习模型和算法都在其上进行实现，生态丰富，使用广泛，但是上手使用相对困难。Keras架构灵活，简洁易用，案例丰富。PaddlePadddle是百度公司提供的深度学习开源框架，相关文档均为中文撰写，阅读方便，封装较好，代码简单，比较符合中国人的使用习惯，并且提供了一站式开发平台AI Studio，其中的高校版专为高校师生教学提供教学服务。在实际的教学中，综合考虑生源资质、所学专业、编程能力、外语水平等方面实际情况，建议使用TensorFlow、Keras或PaddlePaddle开展深度学习的教学。
5结 语
深度学习是此轮人工智能革命的核心技术，该课程的开设对于完善人工智能人才培养体系、培养人工智能人才具有重要的意义。该课程目前在高校中开设较少。为此，笔者对深度学习课程开设给出了独立式开课、嵌入式开课、追加式开课3种建议，并分析了各种开课方式的优缺点。良好的师资是深度学习开课必不可少的条件，我们结合新工科建设和教育部产学合作协同育人项目，对如何培养深度学习课程的师资力量进行了讨论，并对计算框架的选择给出了中肯的建议。
基金项目：2015 年河南理工大学教育教学改革研究项目“中外合作办学条件下‘人工智能’课程体系改革” （2015JGD16）；2018年度河南省政府决策研究课题 “基于评估数据的河南省高校专业建设发展对策研究”（2018B339）；2018年度河南省教育科学“十三五”规划项目“基于评估数据的河南省计算机科学与技术专业现状分析与发展研究”（[2018]-JKGHYB-0064）；2018年河南理工大学新工科建设研究与实践项目“面向人工智能的计算机科学与技术专业人才培养体系研究与实践”；教育部产学合作协同育人项目“面向人工智能的计算机科学与技术专业培养体系与课程建设”（201801003024）；河南省高等教育教学改革研究项目”（2017SJGLX249）；教育部科技发展中心天诚汇智创新促教基金“面向人工智能的计算机科学与技术新工科建设”（2018B3007）。
作者简介：芦碧波，男，副教授，研究方向为数字图像处理与多媒体技术，lubibojz@gmail.com；陈艳丽（通信作者），女，讲师，研究方向为计算机应用，yanlichen@hpu.edu.cn。
参考文献：
[1]李睿凡, 王小捷, 钟义信. 引入深度学习的人工智能类课程[J]. 计算机教育, 2013(19): 58-61.
[2]李睿凡, 陈佳洁, 周延泉, 等. 深度学习中卷积神经网络的教学探讨[J]. 计算机教育, 2015(18): 58-59, 74.
[3]李睿凡, 王小捷, 钟义信. 探索神经网络深度学习的教学[J]. 计算机教育, 2014(19): 77-79.
[4]杨博雄, 李社蕾. 新一代人工智能学科的专业建设与课程设置研究[J]. 计算机教育, 2018(10): 26-29.
[5]杨毅, 钟娴, 周天宇, 等. 媒体认知中的人工智能技术教学方法探究[J]. 计算机教育, 2017(7): 155-158.
[6]陈一祥, 姜杰, 李文梅, 等. 大数据智能时代“遥感原理与方法”创新教学探索[J]. 教育现代化, 2018, 5(36): 112-113.