0 引 言
2017年，国务院印发了《新一代人工智能发展规划》[1]，提出了面向2030年我国新一代人工智能发展的指导思想、战略目标、重点任务和保障措施。这份《规划》标志着中国对人工智能的关注和重视程度走上了一个新的台阶，也意味着中国正式进入了一个人工智能加速发展的新时代。
强调学科实用性、交叉性与融合性的“新工科”概念的提出，使得人工智能在各行各业的应用得到空前的发展，以人工智能和数字经济为背景的未来社会迫切需要跨学科、跨专业的创新实践型人才。高等教育机构作为人才培养的重要基地，无疑肩负着这一重大责任。“新工科”的建设与发展对人工智能时代计算机相关学科本科拔尖人才培养提出了针对性的新要求，一手抓实践、一手抓创新越来越受综合性、研究型大学的重视。
1 计算机相关学科本科人才培养存在的问题
近年来，数字经济的蓬勃发展使得人工智能已经成为一个不断落地的产业，其中深度学习的产业应用更是飞速发展，对计算机相关学科本科人才的培养和需求提出空前的挑战。现有计算机大类本科生培养体系已无法满足与日俱增的产业应用需求。
（1）课程设置存在局限性。当前普通高等学校计算机相关学科包括计算机科学与技术专业、软件工程专业和人工智能专业，其中占主流地位的前两个专业，机器学习、计算机视觉等深度学习相关课程作为专业选修课通常在第七学期开设，而大部分大四学生要么忙于考研要么奔波于各种招聘会，基本上无心选修深度学习相关课程，毕业生很难满足深度学习的产业应用需求。
（2）资源配置不均衡。当前高校深化产教融合、校企合作，与互联网大厂建立联合育人模式——实习实训，在一定程度上提高了本科生对应用场景的认知和应用开发能力，但实训时间短、任务重，短期内消化吸收困难大；另外，不同专业学生实习实训安排不一，如武汉大学计算机学院实训课程目前主要针对软件工程专业，这种资源配置的不均衡也会导致毕业生产业应用能力的差别。
2 学科竞赛的作用及现状
针对当前计算机大类本科培养体系的不足，学科竞赛起到不可或缺的作用，尤其当前人工智能崛起，创新应用需求剧增，产教融合的学科竞赛对创新实践型本科拔尖人才培养尤为重要。
学科竞赛是本科生实践能力和创新能力提升的重要抓手[2-3]，文献[4]中提到将学科竞赛纳入教学体系中，形成教学、实践、竞赛一体化，这种教、学、实践、创新以及应用统一的模式大大调动了学生的学习积极性，培养了学生创新思维和应用实践能力。文献[5—6]中指出学科竞赛可以提升本科教学质量，促进学科交叉融合与校企合作，培养出既具有工程实践能力又具备创新创业能力的复合型人才。文献[7]中特别指出人工智能时代基于深度学习的学科竞赛对本科人才培养“以赛促融、以赛促学、以赛促创和以赛促研”的作用，并提出学科竞赛为培养既具备工程实践能力又具备科研探究能力的本科拔尖人才奠定了坚实的基础。
由于学科竞赛在本科拔尖人才培养中的重要地位，高校教师以及学生日益重视和踊跃参与各类学科竞赛，如我院目前立项的学科竞赛就有包括国际大学生程序设计竞赛在内的9项大赛，以及校团委直接立项的“互联网+”大学生创新创业大赛、“挑战杯”全国大学生课外学术科技作品竞赛等。这些竞赛通常归属于三大类：程序设计类、项目应用类、行业内数据挖掘及AI类。当前，行业内数据挖掘及AI类大多离不开深度学习，而项目应用类竞赛选题也以深度学习应用为主，但当前本科生参与竞赛尤其是涉及深度学习应用的竞赛现状让人堪忧。
（1）指导团队师资薄弱。当前，除了I类大赛有科研“大咖”参与指导以外，其他学科竞赛的指导团队成员半数以上是中级职称或教学型教师，科研能力有限，无法从技术高度引领参赛学生前行，一部分参赛选手完全是团队自力更生，指导老师也只是对文案的格式等表面工作提一些建议，最终成绩完全凭借参赛队员自身的能力和运气。
（2）急功近利思想作怪。①由于开源代码的方便获取，一些参赛团队下载代码进行简单整合，对基本原理一知半解，很难有创新和创意。②基本的科技写作能力尚不具备，一些文案重点不突出，表达不清晰，甚至有抄袭的痕迹，最后的作品问题百出。③参与学科竞赛的目的性太强，只参加易获奖的比赛，避开获奖难却能学到真本领的比赛。
（3）参赛学生经验不足，软硬件环境欠缺。由于参赛学生得到的指导有限，仅凭自己小团队，在创意的把握、文案的书写、答辩的经验等方面都存在不足；另外，对于深度学习相关的选题，硬件要求较高，比如需要GPU算力，大部分学校对本科生没有GPU支持，往往是下载已训练好的模型运行测试数据，无法自己训练模型，更不用说改进模型。
3 学科竞赛导向的本科拔尖人才培养模式
基于学科竞赛对本科拔尖人才培养的重要性和存在的问题，人工智能时代以竞赛为导向的本科拔尖人才培养模式建设迫在眉睫。
以竞赛为导向培养本科拔尖人才，首先得有一支扎实的指导团队；同时，产业界应用需求和支持是本科拔尖人才培养的催化剂；渐进式学习、实践和创新引导是创新实践型本科拔尖人才培养的核心和有力保障。学科竞赛导向的创新实践型本科拔尖人才培养模式框架如图1所示。
4 学科竞赛导向的本科拔尖人才培养实践
4.1 建设指导团队队伍刻不容缓
学科竞赛是最前沿技术的热点和难点应用，这也决定了学科竞赛指导团队必须与时俱进，不断学习，立足于科技创新和应用的最前沿。
指导团队队伍的建设刻不容缓，目前可以从如下3方面入手：①不断吸纳科研强劲的青年才俊进入指导团队，计算机相关学科尤其是人工智能专业的快速发展决定了指导竞赛的队伍要新、快、准，能快速准确掌握新知识、新应用，这也是紧跟产业应用的有力保证；②现有指导团队老师应积极参与科研课题，提升自身科研能力和把握科技前沿新动态的能力；③指导老师应具有认真负责、乐于奉献的精神，能投入与学生探讨、沟通的工作中，从题目选择、方案设计、关键技术、文案写作到最后答辩把控等，能不遗余力地引领学生前行。
4.2 充分利用产业界应用需求和支持
产教融合的学科竞赛多秉承“政府指导，企业出题，高校参与，专家评审，育才选才”的方针，在深化产教融合、激励人才创新、推动高校成果转化等方面作用非同一般。产业界对学科竞赛的支持包括应用需求、数据、经费以及GPU算力的支持，当前强劲的互联网大厂支持的竞赛有百度主办的KDD Cup、阿里云天池大数据竞赛、腾讯和清华大学联合举办的微信大数据挑战赛、京东主办的多模态对话挑战赛等。近年来上述各类竞赛的成功举办和对人才培养的成效说明了产业界的融入是确保学科竞赛紧跟前沿应用的有力手段，同时产业界的融入使得学科竞赛和创新实践型本科拔尖人才培养有的放矢，继续充分利用产业界对学科竞赛的投入是本科拔尖人才培养的有力保障。
4.3 采用基于竞赛的渐进式学习、实践和创新引导
基于竞赛的创新实践型本科拔尖人才培养并非一蹴而就，是需要指导团队有意识地引导学生渐进式学习、实践和创新。以竞赛为导向，以深度学习应用为背景，引领学生从机器学习、神经网络、卷积神经网络到深度学习技术由易到难渐进式学习，最后在竞赛选题中实践并创新，是人工智能时代本科拔尖人才培养行之有效的手段。
4.3.1 以竞赛为导向的渐近式学习引导
机器学习、神经网络、卷积神经网络、深度学习应用技术等相关知识的教学在大多数高校计算机科学与技术专业以及软件工程专业培养体系中没有系统地安排，或者仅仅在第七学期及之后以选修课方式开设，而竞赛成绩用于推荐免试研究生，需要在第七学期之前完成，因此深度学习相关知识的课外引导和培训尤为重要。
1）前瞻性知识积累。
深度学习基础课程——机器学习和神经网络的学习是至关重要的，笔者首选斯坦福大学吴恩达教授的一系列视频公开课，借助QQ群、腾讯会议等手段引领本科生学习机器学习和神经网络的原理和实现算法，掌握线性回归和非线性回归、二分类和多分类问题，并剖析其中的实现代码，熟练掌握代价模型、梯度下降、激活函数、正则化、归一化等一系列概念和解决办法，会处理欠拟合和过拟合以及查全率和查准率的权衡等问题，为后续工作作前瞻性准备。
2）基于神经网络模型的应用设计。
深度学习应用之前，神经网络模型的结构化数据应用设计是基础，笔者结合交叉学科新能源材料筛选的应用，引领学生采用神经网络模型对新材料的热导率进行回归预测[8]，其中选取材料化合物组成元素的基本特征如原子序数等作为神经网络的输入，从现有材料数据库中获取材料化合物的热导率，利用神经网络模型进行回归预测新材料的热导率，通过选用不同的激活函数、损失函数、优化算法以及改变神经网络层数、神经元个数等超参数，寻找准确率最优的神经网络模型。相比传统的高性能计算方法进行新型材料的高通量筛选，神经网络模型大大提高了准确率和时间效率，让学生深感神经网络模型的强大功能和学以致用的目标。
3）基于卷积神经网络的深层应用设计。
卷积神经网络模型的应用解决了计算机视觉等需要处理大量非结构化数据的应用。笔者引领本科生以MNIST手写体数据为例，基于Keras框架采用卷积神经网络模型实现手写体的多类识别，采用两层卷积层和两层池化层提取图像特征，两层全连接层加上十分类的分类器搭建卷积神经网络模型，使用Dropout正则化方式随机抛弃半数神经元解决过拟合问题，同时，为了提高模型训练速度而对原始数据进行归一化，最终准确率达到99%。通过剥洋葱式的代码分析和编写，本科生熟练掌握卷积神经网络模型的实现原理和模型优化方法，并能自己按需设计更优的模型。
4）深度学习技术的深入研究。
随着卷积神经网络的深度使用，其应用不再局限于图像分类，而是推广到计算机视觉、自然语言处理等应用中，如计算机视觉中的图像分类、目标检测等技术，在智慧安防、智慧医疗等领域得到广泛的应用。目标检测的任务是找出图像中感兴趣的目标，确定它们的类别和位置，通常采用以R-CNN系列为代表的基于候选框的两阶段深度学习算法和以YOLO系列为代表的基于回归的单阶段目标检测算法，而YOLOv5以对小目标检测准确度高和检测速度快优胜Faster-RCNN和Mask-RCNN。
YOLOv5由输入端、Backbone、Neck、Prediction 4个部分组成。笔者引领本科生分析YOLOv5的4部分功能，通过对YOLOv5原理和结构的研究，学生剖析了目标检测的要素和如何提高目标检测的精度及速度，为深度学习应用打下坚实基础。
4.3.2 以竞赛为导向的深度学习应用实践
针对当前产业界提供的相关选题，指导参赛学生完成PCB（Printed circuit boards）质量检测、智能垃圾分类和检测等具体的深度学习应用，其相应的竞赛案例分析详见文献[7]。
1）PCB质量检测。
作品PD-QC实现了基于深度学习的PCB质量检测，其由前端UI、检测模块及报表存储与生成模块组成，检测模块为系统核心模块，又分为数据增强层、预采样层和目标检测层，其中目标检测层采用YOLOv5s模型。PD-QC系统对北京大学开源数据中的PKU-Market-PCB数据集进行缺陷检测，将传统机器学习和深度学习相结合，将图像二值化、自适应区域生成与YOLOv5算法相结合进行小目标缺陷检测，对缺陷位置进行标注和分类，测试集上准确率与召回率平均可达93%。
2）智能垃圾分类和检测。
作品蓝巢实现了基于深度学习的垃圾分类和垃圾检测功能。蓝巢由垃圾
识别模块、垃圾分类科普模块以及用户中心模块3个子模块组成，其中核心模块——垃圾
识别模块由ConvNeXt和YOLOv5 模型通过工程化部署而成，分别完成单目标分类和多目标检测。蓝巢对百度飞桨平台的公开数据集经过筛选、清洗和增强，最后分类准确率接近90%，多目标检测mAP_0.5达到75%。
4.3.3 以竞赛为导向的深度学习算法改进与创新
深度学习的场景应用推进了深度学习的技术革新，学科竞赛毫不例外，为了得到更好的应用效果，参赛选手不断学习、尝试、改进和创新。
作品PD-QC的选手阅读了PCB表面缺陷检测的相关文献[9—12]，确立了提高小缺陷检测精度和时间效率的目标，其创新性引入预采样层，通过将黑白化的待检PCB板与标准PCB板进行模板匹配和像素作差从而得到异常点，再对异常点进行密度聚类并生成候选框，而非使用YOLOv5默认固定的候选框，从而提高了检测精度和时间效率。
作品蓝巢的选手同样阅读了大量文献，为了提高检测精度，参赛选手创新性修改了YOLOv5中k-means聚类算法，将其中样本之间的欧式距离修改为1-IOU，同时使用遗传算法随机对候选框的宽高进行变异，采用anchor_fitness方法计算得到适应度最好的候选框，经过10次k-means聚类和遗传变异，最终得到最合适的初始候选框输入YOLOv5模型。通过这些算法技巧的改进，蓝巢实现了单目标分类和多目标检测准确率的提升。
5 人才培养效果
参赛学生在2022年中国大学生计算机设计大赛和全国大学生物联网设计大赛中获得前所未有的好成绩，分别获得国赛一等奖4项和7项，排历年来第一位，多项作品在各类学科竞赛中获得国赛奖项。本文列举的案例分别获得第十五届中国大学生计算机设计大赛中省赛一等奖和国赛一等奖。
学科竞赛不仅仅收获奖项，更是凸显其在本科拔尖人才培养上的 “以赛促融、以赛促学、以赛促创、以赛促研”作用。通过学科竞赛，参赛选手查阅文献、创新思维、改进算法，从中体会到科学研究的乐趣，树立了投身科学研究的目标。无一例外，笔者团队指导的2023届毕业生均获得各大名校暑期夏令营优秀营员称号，并被推荐免试研究生，提前进入优秀科研课题组，科研能力突出，深受科研导师的认可和赞许。
另外，指导团队成员通过自我学习，在对学生进行渐进式学习、实践和创新引导过程中自我成长显著，为后续人才培养创建了良性生态环境。
6 结 语
人工智能时代，基于深度学习的产业应用对创新实践型人才需求剧增，势必引起高校对相应本科拔尖人才培养的重视。利用产业界支持，以深度学习应用为背景，以竞赛为导向，引导学生从易到难、循序渐进学习和应用的培养模式提高了本科生项目开发能力、团队合作能力以及科研创新能力，为创新实践型本科拔尖人才培养立下汗马功劳；同时，该培养模式又实现了指导团队与时俱进的终身学习目标，确保了创新实践型本科拔尖人才培养的可持续发展。
参考文献：
[1] 国务院. 关于印发新一代人工智能发展规划的通知[EB/OL]. (2017-07-20)[2023-06-08]. http://www.gov.cn/zhengce/content/2017-07/20/content_5211996.htm.
[2] 吴孟泉, 张安定, 王周龙, 等. 赛课合一创新GIS实践教学模式的探讨[J]. 测绘科学, 2014, 39(7): 166-170.
[3] 李国锋, 张世英, 李彬. 论基于学科竞赛的大学生创新能力培养模式[J]. 实验技术与管理, 2013, 30(3): 24-26, 34.
[4] 李华玮, 张沪寅, 彭红梅, 等.“新工科”背景下计算机实践类竞赛案例设计[J]. 计算机教育, 2021(6): 32-35, 41.
[5] 黄建忠, 杜博, 张沪寅, 等. 竞赛驱动的计算机实践教学体系设计[J]. 实验室研究与探索, 2018, 37(4): 162-165.
[6] 赵小刚, 王峰, 汪鼎文, 等. 以学科竞赛为抓手的产学协同育人模式研究[J]. 计算机教育, 2021(4): 46-50.
[7] 方颖, 王正, 张沪寅, 等. 基于深度学习的创新实践类竞赛案例设计[J]. 计算机教育, 2023(7): 123-127.
[8] 姚歆玥. 利用神经网络预测材料的热导率[D]. 武汉: 武汉大学, 2021.
[9] 孙灿, 邓小颖, 李扬, 等. 基于改进Inception-ResNet-v2的PCB缺陷检测[J]. 信息技术, 2020(9): 33-36.
[10] 伍济钢, 成远, 邵俊, 等. 基于改进YOLOv4算法的PCB缺陷检测研究[J]. 仪器仪表学报, 2021, 42(10): 171-178.
[11] 何国忠, 梁宇. 基于卷积神经网络的PCB缺陷检测[J]. 图学学报, 2022, 43(1): 21-27.
[12] 郭磊, 王邱龙, 薛伟, 等. 基于改进YOLOv5的小目标检测算法[J]. 电子科技大学学报, 2022, 51(2): 251-258.
基金项目：国家自然科学基金项目“面向灵活性行人重识别关键技术研究”（62171325）；湖北省重点研发计划项目“复杂条件下长程行人重识别与多元分析”（2022BAA033）；武汉大学实验技术项目“基于人工智能实验室的创新实践课程改进”（WHU-2022-SYJS-11）；武汉大学新一代计算机创新创业中心院级项目“竞赛导向的人工智能实验室创新实践课程推进”（武大计本字[2023]10号）。
作者简介：方颖，女，武汉大学讲师，研究方向为数据管理、机器学习、深度学习及应用等，fangying@whu.edu.cn；彭蓉（通信作者），女，武汉大学教授，研究方向为知识工程、需求工程、云计算、移动计算与可信计算等，rongpeng@whu.edu.cn。
引文格式：方颖，彭蓉，王正，等. 学科竞赛导向的本科拔尖人才培养模式[J].计算机教育,2024(1):16-20.
转自：“计算机教育”微信公众号
如有侵权，请联系本站删除！
