机器学习嵌入式AI课程报告.pdfVIP

机器学习嵌入式AI课程报告

摘要：新工科建设关键在于学科的交叉融合，嵌入式人工智能就

是多学科高度交叉融合的典型应用。针对计算机专业嵌入式人工智能

方向的人才培养，在分析当前实践教学现状和存在问题的基础上，从

资源建设、项目案例开发、竞赛引导等几个方面阐述了如何将人工智

能理论应用到嵌入式终端上，打通了“基本理论-算法分析-数据采集

-模型训练-轻量化裁剪-模型部署-应用测试”的全周期项目资源链条，

以达到知识与实践的有机融合，为更好地培养优质创新型人才而不断

努力。

关键词：嵌入式人工智能；线上线下混合式；项目结果导向；赛

教融合；全周期；新工科

引言

自2016年我国正式加入“华盛顿工程认证协议”后，新工科建

设成为应对全球新一轮科技和产业革命的又一重大战略选择。历经

“复旦共识”“天大行动”“北京指南”等一系列探索实践，我国的

新工科建设向纵深发展。2018年4月，教育部印发《高等学校人工

智能创新行动计划》，要求推进新工科建设，重视人工智能与计算机、

物联网、生物学、心理学、社会学等学科专业教育的交叉融合，形成

“人工智能+X”复合专业培养新模式[1]。《人工智能产业人才发展

报告（2019-2020）》中指出，目前人工智能产业人才供需结构不平

衡，整体需求缺口较大，人才供给在当前面临的岗位类型和技术方向

上与企业需求之间存在显著错位的严重现象；人才供需质量不平衡，

企业对创新型、应用型、复合型人才的需求更加突出[2]。嵌入式人

工智能（EmbeddedArtificialIntelligence,EAI）是以微控制器MCU

或应用处理器MPU为核心，具备基本学习或者推理算法，融合传感器

采样、滤波处理、边缘计算、通信及执行机构等功能于一体的嵌入式

计算机系统。目前它的发展还处于初始阶段，其发展应用正与物联网

技术有机融合，势必会引起先进制造业的深刻变革[3-5]。

1现状及存在问题

1.1现状分析

对于模型的终端部署（嵌入式人工智能）未形成统一的教学体系，

仍然是各个高校普遍存在的共性问题。

1.2存在问题

（1）资源未有效整合目前，嵌入式人工智能相关知识仍分散在

各个专业、各个方向，线上线下的资源鱼龙混杂，关键性的核心技术

未有效地公开，需要进行大量的探索，导致学生学习效率极差、无法

整合海量的知识，不能利用相关的技术真正解决现实的工程实际问题。

（2）课程相关实验陈旧无论是机器学习还是深度学习等相关课程，

实现具体的算法时，仍然是以传统的实验为主，数据集经典、案例成

熟，已无法适应当今快速发展的应用场景。由于获取真实的数据较困

难，导致课程授课难度变大。（3）软硬件配置无法有效统一大规模

的数据训练需要高配置的服务器资源（高性能的CPU、GPU等），并

且模型的轻量化裁剪没有统一的流程和方法，嵌入式端的处理能力更

是参差不齐，无法有效地统一，学生无法抓住学习训练主线，导致学

习时心有余而力不足。

2实践教学研究基础

2.1实践教学理念

线上线下和课内课外的混合式教学，可以有效解决教学实践中学

时不足的问题。利用现有的线上资源，选择适合学生特点的相关资源

进行整合，并开发特色实践案例。建立起“基本理论-算法分析-数据

采集-模型训练-轻量化裁剪-模型部署-应用测试”的全周期项目资源

链条。以结果为导向（OBE）的项目制教学，在国内外知名高校早已

开始广泛实施[7-10]。这一教学理念特别适用于人工智能实践教学，

具体流程如图1所示。

2.2实践教学平台

（1）数据获取平台在真实项目的基础上，依托物联网的感知平

台，获取大量的真实数据，并对数据做初步的加工处理，初步确定数

据的相关特征。（2）模型训练依托开源的深度学习平台（比如百度

飞桨AIStudio、阿里天池），进行模型的初步训练，再利用现有的

本地算力服务器资源进行模型的再训练，利用训练集进行多次测试调

参。（3）模型裁剪及嵌入式终端部署将训练的模型进行蒸馏、剪枝

等操作，根据不同的嵌入式终端，找到符合真实场景的最优化模型，

进行反复的测试。

3实践教学研究内容

基于新工科的培养目标，结合工程认证的相关理念，建立人工智

能理论与实践相结合的教学体系，不断完善产学合作的实践教学方法

及课程评价方案，研究内容主要从课程知识模块构建、教学方法、评

价方案、实施计划等四个方