人工智能导论教学教案

第一讲绪论

教学内容：本章主要学习智能、人工智能概念、发展历史、主要研究内容、发展

趋势。

教学重点：人工智能概念及类型、人工智能历史人物及其主要思想、人工智能主

要研究内容。

教学难点：生命与智能的关系、人工智能的类型划分。

教学方法:课堂教学为主，结合智慈树等在线平台实时提问、收集学生学习情况，

充分利用网络课程中的多媒体素材来表示抽象概念。讨论五分钟。课后布置作业,

要求学生查找历史人工智能先驱的个人经历，了解其创新思想形成。同时对比国

外人工智能技术成果，分析优势和问题。

教学要求：武点掌握生命与智能的关系，人工智能与自然智能、机器智能的关系，

感知智能、认知智能、语言智能、混合智能、类脑智能与机谓智能的关系；掌握

感知智能、认知智能、语言智能、混合智能、类脑智能之间的差别，并对相关的

方法有一般了解.

课程思政内容：

介绍历史上第一位人工智能华人学者王浩的成就。通过介绍历史上主要的人

工智能先驱及其思想，使学生认识到原始科学创新的重要意义。

介绍我们国家人工智能80年代至今的发展历史，包括吴文俊院上创立的''几

何定理的机器证明”、数学机械化等世界性人工智能成果，使同学们对我国人工

智能的发展有清楚的认识，既认识到差距，也为我国科学家几十年来不断取得的

成果感到自豪。

学习目标：

1.掌握和理解智能的广义概念；

2.掌握和理解自然智能、人工智能与机器智能的关系：

3.掌握和理解人工智能发展历史脉络和各阶段代表性技术：

4.掌握和理解人工智能研究内容和应用。

学习导言

人工智能(Artificiallinelligence,AI)在科学领域并不是一个新概念，早在60多年以

前就已经诞生了这个概念。多年以来，人工智能一直是作为计算机科学的一个分支不断发展，

由于理想与现实的差距巨大，历史上人工智能的发展几度处于低潮”在过去的5年，由于人

工智能技术在围棋、游戏、机器人等方面的一次次突破，又激发了人类对人工智能技术的无

限畅想，人们再次意识到人工智能的重要性。著名人工智能专家吴恩达认为：“人工智能带

来的影响不亚于100多年前的电”。

人工智能正在快速融入人类工业、农业生产以及生活服务的方方面面。很多细分领域的

智能技术持续不断地进步，其中许多技术已经达到甚至超越人类智能的水平。比如，人工帮

能在围板方面的技艺已经超越最好的人类根手，能够更加准确地识别图像中不同物体或人脸,

以更加准确地方式拥译不同的人类语言，并且还会有一些基本的判断力。越来越多模拟人类

智能的计算技术快速发展，如感知、推理、学习和与人交互等，人工智能正在通过算法和程

序感知人类社会并与之互动。

但是，人工智能到底是什么？事实上，由于人类对于自身智能的理解非常有■限，对人类

智能的产生机制也不清楚，所以就很是定义什么是“人工智能”。本章主要介绍智能、人工

智能的定义与类型划分，自然智能、人工智能与机器智能的关系，以及人工智能发展历史脉

络、各阶段代表性人物及其思想以及代表性技术，研究内容及其在社会各方面的应用。

1.1生命与智能

1、不同学科和科学家对于生命的不同定义

生物学上认为生命是蛋白质存在的一种形式,它最基本的特征是蛋白质能够通过新陈代

谢作用不断地距周围环境进行物质交换，新陈代谢一旦停止，蛋白质发生分解，生命也就停

止了。物理学家们试图用热力学、量子力学等物理学理论来解释生命的本性。还有一种新的

观点认为不应该将生命视为化学事件，而应当将其看作是信息。

2、生命与智能的关系

近些年，微生物学、植物学、动物学等方面的研究成果促进了人类对白然界丰富多彩的

生命所具有的各种智能类型的深入认识。人类已经认识到，智能不只人类才有。小到无处不

在、肉眼看不到的细菌，大到海里的鲸鱼，地球上的各种生命都具有智能.

通过列举细菌、植物、动物等多个例子，指出智能是任何生命都具有的能力，只是表现

形式和水平程度上布"区别。无论动植物还是人类，都在各自的生存环境中发展出了适应环境

并维持生存的能力，人类智能区别于动植物之处在于不仅适应环境还能通过发明语言和各种

工具主动改造环境，创造灿烂的文化、反思自身的存在、认识世界和宇宙，因此，人类智能

是地球上最高旗的智能.

3、智能的定义

关于智能，与生命一样，并没有准确的定义。不同的学科和专业、不同专家在不同时期，

从不同角度给出了各种不同定义和观点。一般而言，智能是智力和能力的总称。人工智能的

定义中所指称的“智能”，主要是人类的智能。本课程中后面除非特别指出，都默认人工智

能模拟的是人类智能。

结合《人工智能导论》教材，介绍智能定义及其三层含义：

智能是个体能够主动适应环境或针对问题，获取信息并提炼和运用知识，理解和认知环

境，有目的地采取合理可行的策略和行动，解决问题并达到目标的综合能力。

它包含三层含义：

第一，智能的基本能力，是能够适应环境，无论对低级生命还是高级生命：

第二，智能是一种综合能力，包括获取环境信息，利用信息并提炼知识，采取合理可行

的、有目的行动，主动解决问题的能力；

第三，这种综合能力具有主动性、目的性，人的智能除了本能的行为以外，行何智能及行动

都是意向性，体现主观自我意识和意志。

4、图灵测试与人工智能

介绍图灵测试思想实验过程，引出人工智能概念。

人工智能概念（121节中会具体介绍诞生历史）提出以后，不同阶段的专家在不同时

期从不同角度给出r关于人工智能的很多定义，并没有达成一致意见。这里只列举几个典型

的定义：

I)人工智能是研究那些使理解、准理和行为成为可能的计算。

2)人工智能是一种能够执行需要人类智能的创造性机器的技术。

3)人工智能是智能机器所执行的通常与人类智能有关的智能行为，如判断、推理、证

明、识别、感知、理解、通信、设计、思考、规划、学习、问题求解等思维活动。

5、人工智能类型

通过下图解释人工智能的类型。

专用机沿必能-弱人工智能通用机器智能-甦人工智能

w泣，计算与加-计算钝能

1.2人工智能历史

I、第•阶段：人工智能初创期(1936年一1956年)

通用图灵机、早期的诃算机、人工神经元模型、控制论等思想和理论的发展孕育了人

工智能。

2、笫二阶段：人工智能形成时期(1956—1969)

人工智能诞生之后的几十年，大致有两条主线，一是从结构的角度模拟人类的智能，

即利用人工神经网络模拟人的大脑结构实现人工智能，发展形成联结主义：另一种是从功能

的角度模拟人类的智能，将智能看做是大脑对各种符号进行处理的功能，发展形成了符号主

义。

符号主义的最初工作由赭仙特•西蒙(HerbertA.Simon)和艾伦呦厄尔(AllenNewell)

在20世纪50年代推动。这个阶段，吸引了许多伟大的科学家针对人T智能各个方面提出创

新性的基础理论，例如在知识表达、学习算法、人匚神经网络等诸方面，但由于计算机性能

有限，这些理论并未实现，但却为20年后的实际应用指明/方式。

统所名誉所长。1957年当选为中国科学院学部委员（院士）。

吴文俊引进的示性类和示嵌类被称为“吴示性类”和“吴示嵌类％他寻出的示性类

之间的关系式被称为“吴公式乙1970年代后期，他开创了崭新的数学机减化领域，提

出了用计算机证明几何定理的“吴方法”，被认为是自动推理领域的先驱性工作。

2011年起，以吴文俊院士命名“吴文俊人工智能科学技术奖”成为中国智能科学

领域的最高奖。

1.3人工智能学科交叉与融合

教育部在《高等学校人工智能创新行动计划》中，要求推进“新工科”建设。重视人工

智能与计算机、控制、数学、统计学、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，形成“人工智能+X”发合专业培养新模式。到2020年建设100个“人工

智能+X”复合特色专业、建立50家人工智能学院、研究院或交叉研究中心。

人工智能将会成为各学科融合的“粘合剂”。人工智能交叉学科研究会涉发全球经济领

域的新型人工智能应用，从制造业、农业、教育等领域到艺术、人文、法律、媒体等领域，

将推动全球科技的快速进步，形成技术爆发的“奇点”。人工智能交叉学科的研究成果人类

带来的影响，将远远超过计算机和互联网在过去几十年对世界的影响并形成改变世界的巨大

力量。这种改变必然会激发新生的世界观和创造力，重构甚至颠覆人类的科学研究方式、以

及生活、学习、思维甚至社会、文化发展模式。

1.4人工智能实现方法

I）符号主义方法

2）联结主义方法

3）行为主义方法

4.）数据驱动方法

2010年以来深度学习结合大数据成为人工智能新的实现方法。在传统人工智能方法的

基础上，从脑科学、数据科学尤其是大数据技术发展形成“数据驱动的人工智能方法”，以

新的角度提出r具体实现途径，技术层面有很大的进步，是对传统人工智能方法的补充。

1.5人工智能主要研究内容

人工智能的研究内容非常广泛，涉及的领域众多。从模拟人类智能的角度大概可分为计

算智能、感知智能、认知智能、混合智能、群体智能、类脑智能等几方面，具体包括：问题

求解、逻辑推理与定理证明、人工神经网络、自然计算、机器学习、自然语言处理、多智能

体、决策支持系统、知识图谱、知识发现与数据挖掘、计见机视觉、模式识别、机器人学、

人机交互、人机融合、类脑计律等。

1.6人工智能发展趋势

1）政策方面

2016年前后，各主要国家纷纷出台人工智能发展的相关政策，进行顶层设计。各国政

府关于人工智能政策的共同点是都将其定位为面向未来增强国际竞争力的国家战略。

2）技术方面

大数据是现阶段人工智能技术发展和应用的重要基础，机器学习中的深度学习是现阶段

各种人工智能技术中的关键技术，计算机的强大计算能力是前提。面向特定应用场景或垂直

细分领域的人工杆能技术不断发展。

现阶段人工智能技术从对智能的模拟层面可分为感知、认知、执行三个层次。

3）产业发展及行业应用方面

人工智能与制造、交通出行、金融服务、物联网、医疗诊断等领域的渗透影响不断加深，

发展融合化、应用场景化将成为人工智能产业发展的重要特点。产业发展及行业应用方面，

人工智能与制造业、医疗、农业、教育、金融等各行业结合，出现了“智能+行业”的多种

新兴业态，如智能制造、智能医疗、智能农业、智能教育、智能金砂等多种新兴业态。

1.7课程总体内容

课程总体内容按照新知识体系共包括学科与概念基础、技术基础、重点方向和领域、行

业应用和伦理法律5大部分。线上慕课《人工智能导论》60段视频600分钟介绍60个人工

智能概念、方法、重要方向及主要知识点。

第1部分（第1-3章）介绍智能、人工智能概念、历史、研究内容、哲学思想、脑与认

知科学等学科知识基础；

第2部分技术基础（第4-5章）主要介绍人工神经网络、机器学习基础知识；

第3部分重点方向和领域（第6-11章）以机器智能为核心，介绍感知、认知、行为、

语言、混合与类脑智能为核心的六大重要知识点：

第4部分介绍人工智能行业应用（第12章1*4节），包括智能制造，智能医疗，智能

军事等方面；

第5部分介绍人工智能伦理与法律（第12章5-7节）。人工智能对大学生创新创业及

未来发展的影响。

第二讲人工智能的哲学基础

教学内容：本章主要学习与人工智能有美的哲学概念、哲学分支，人工智能唯物

主义一元论、智能进化的大历史观、人工智能认识论等内容。

教学重点：人工智能唯物主义一元论、智能进化的大历史观。

教学难点：二元论与人工智能的关系、人工智能唯物主义一元论。

教学方法:课堂教学为主，结合智塞树等在线平台实时提问、收集学生学习情况，

充分利用网络课程中的多媒体素材来表示抽象概念。讨论五分钟。课后布置作业,

要求学生查找、阅读与人工智能有关的心灵哲学、心智哲学论文。

教学要求：重点掌握一元论、二元论对人工智能的影响，心灵、心智、意识、思

维、认知、理性、计算等基本概念与智能的关系；掌握心灵哲学、心智哲学、计

算主义哲学对人工智能的作用和影响。

课程思政内容：

大历史观下的人工智能理念，从人类文明进化的角度看，人工智能技术是促进人类社

会文明发展的手段，并不是人工智能的本质和全部内涵。并口，它不仅仅是种有助于提高

人类社会经济发展水平的技术力成，更是一-种布•助于提升人类整体文明进化程度的力成，是

人类反观自身生命存在价值和意义的第三方参照物，也是一种有助于人类理解、认识自身存

在本质的镜像存在。未来，它将像一面镜子一样反映人类文明及其存在的价但和意义。

人工智能与人类历史上其他数不清的工具和机器相比，比如蒸汽机之类的机器，它是一

种新形态的理性工具。更重要之处在于，它是把人类智能具象化、机器化、算法化的理性智

能工具。现阶段，人工那能依然属于一种理性评能工具，也就是说，它不会给人类带来毁灭

性威胁。

学习目标：

I.掌握和理解与人工智能相关的哲学基本概念；

2.从哲学角度思考人工智能的本质，掌握和理解心灵哲学等不同哲学分支对人工智能

研究和思考的作用和意义：

3.理解弱人工智能与强人I:智能的根本差别，对科幻小说描述的人工智能技术有正确

的理解和认识。

学习导言

为什么第二章要学习哲学而不是数学或者计算机科学？这是因为，图灵当年提出“机器

是否能思维”的问题，本身就是•个哲学问题，也是人工智能的根本问题，而数学或计算机

科学都是实现弱人工智能的方法或工JL不反映人工智能的根本问题。人工智能与人类智能

在哲学基本问题上是•致的。人工智能的终极目标是创造出像人一样能思考、会行动的智能

机器。而人首先是生命，并且是地球上智能程度最高的生命。人工智能主要是以人类智能为

模板的。因此，实现人工智能终极目标的前提是要理解生命、智能的木质等基本问题。而关

于生命、智能的本质等问题都属于哲学问题，科学还不能给出关于生命、狎能、强人工智能

等问题的明确解释和答案，因此，本章学习的主要是与强人工智能有关的哲学问题。

早在1978年，英国哲学家斯洛曼(AaronSloman)就提出了以人工智能为基础的哲学范式,

他在《哲学的计算机革命》这部著作中，有以下两点猜测：

I.数年内倘若还彳j哲学家依然不熟悉人工智能的主要进展，那么他们因其不称职而受

到指责，便是公道的：

2.在心智哲学、认识论、美学、科学哲学、语言哲学、伦理学、形而上学和哲学其它

主要领域中从事教学工作而不讨论人工智能的相关方面，就好比在授予物理学学位的课程中

不包括量子力学那样不负责任。

由此可见，哲学与人工智能之间存在不可忽视的相互影响。从哲学角度出发思考人工智

能问题，有助于我们正确地理解和认识当前人工智能技术的本质及尚未解决的问题，并努力

去发现和探索那些未知的问题。

2.1从哲学角度理解人工智能

I、与人工智能有关的哲学概念

认为世界的本元是物质的，是唯物主义一元论：认为世界的木元是精神、意识的，是

唯心主义一元论：认为世界有两个本元的，是二元论。

物质和意识的关系，身体与心灵的关系构成了一元论、二元论的核心问题。理性和非理

性表示人的两种不同的精神表现形式，理性和非理性作为人的精神世界中两种不同的精神现

象，它们总是要通过•定的合适形式来表现。

认知科学对传统哲学上的理性认识发生了变化，颠覆了传统哲学对理性的认知，对人工

智能而言，也提出了一个重要问题：如果理性是具身的，也就是必须依附于身体才能产生，

那么，对于人工智能而言，要想产生或具有类人的心智，首先是不是必须要有一个合适的躯

休-使其育自体验1世界才行.

信息处理是智能行为的前提和核心，而产生适应性行为又是信息处理的结果

和目的，信息处理只是实现了智能的前半部分，信息处理还必须落实到对象的行

为上，只有二者加在一起才构成智能。

2、与人工智能有关的主要哲学分支

心灵哲学研究的问题都与心灵有关，诸如意识是什么？“心灵”在哪里呢？

与“我”有何关系呢？心灵哲学的根本问题同样是人工智能的根本问题，图灵提

出的“机器是否有思维”的问题与“机器是否有心灵”可以看做是同一性质的问

题。

心智哲学主要探索心智的本质并对有关心智的各种心理概念进行理论分析•。有助于我们

从哲学角度思考人类心智的本质，进而在设计类人智能机器时，考虑一些基本现象，确定一

些基本原则。现实情况是，机器已经有r-■定程度的智能，但却没有任何一点像人一样的心

智。

计算主义作为一种哲学思想，在近现代以来，对生命科学、心灵哲学、心智

哲学以及认知科学的发展都产生了重要影响，形成了一种新的哲学世界观一计算

主义世界观。计算哲学发展的重要启示是把脑看做计算机，把心智'认知、智能

都看做是由计算实现的过程或其本质都是计算。

3、大历史观-进化的智能

白然智能伴随着生命进化经历了宇宙演化（演化用于描述非生命物质系统从简单到史杂

的发展过程八生命智能进化、人类智能进化、文化说文明进化四个主要阶段。人类在体型、

体力上不是这个星球上最强壮的生命，但却是白然界中智能程度最高、最具智慧的高等生命。

智能进化到人类层次，发明、创造各种技术和工具，拥有了理性，理性促使人类思号哲学，

思考世界的本元和本质，并由此产生和•学技术，创造出各种各样的机器，并产生高层次的思

想和精神，创造先进的文化和文明，并使得人类rr可能突破口然进化的规律和局限，创造不

同于自然智能的“人工智能”，甚至超越人类智慧的新智能形态。

4、人工智能的本质

总体而言，人工智能和人类智能产生的物质基础不一样，碳基生命的人类有智能，硅基

无生命的机器通过信息处理或加工在功能上实现智能，都但依赖于物质而存在，如果认为碳

基生命尤其是人类的智能可以在硅基物质上产生，就必然要承认和遵循唯物主义一元论。至

「说，意识、思维是否可以不在人脑这种碳基物质而在计算机这种硅基或者其他什么物J贞中

产生，这涉及到前面提到胡笛卡尔“身心二元论无论怎样，这才是人工智能面临的最根

本问题，还是一个古老的哲学问题。

从工具理性的角度，人工智能与人类历史上其他数不清的工具和机器相比，比如蒸汽机

之类的机器，它是一种新形态的理性工具。

2.2人工智能认识论

对弱人工智能的认识，主要体现在弱人工智能技术与人类心智之间到底存在什么关系。

现阶段，基于弱人工智能技术产生的机器智能与人类心料还有许多本质区别：

1）没有主观能动性

2）不具有品杂场景适应性

3）没有思想和独立决策能力

4）不具有社会性

2.3科幻影视作品中的人工智能

长期以来，人类一直靠着天马行空的想象改变未来的世界。人类智能的一个重要特征就

是抽象思维和想象力，对未来的预判对规划能力，在科幻文学影视作品中这类智能以独特的

方式呈现出来，作者们凭借丰富的想象力创造出未来科技，现阶段的很多人工智能技术，更

早都始于文学作品中的想象与图画式的表述。

1942年，艾萨克・阿西莫夫在《惊奇科幻小说》中提出了机器人的伦理问题，他被世人

视为机械伦理学之父。阿西莫夫在1942年出版的小说《转圈圈》中描述了机器人三定律。

人工智能将虚构的、幻想的事物变成现实，这既是人类科学技术的胜利，也是人类想象

力的胜利！但对于人工智能，我们需要明确的是：科幻的归科幻，现实的归现实。如果将科

幻影视文学中的人工智能与现实中的人工智能划等号，就容易产生不必要的担忧和困惑。可

以确定的一点是，现实中虽然有一些人T智能技术比科幻电影还要精彩，但是还不存在全面

超越人类智能的人工智能,这杲我们对人工智能应有的一种理性认识。

第三讲脑与认知科学基础

教学内容：本章主要学习脑神经系统、大脑神经元结构与功能、脑的视觉、记忆

与信息处理机制、脑功能新发现等内容。

教学重点：脑神经系统、大脑神经元结构与功能。

教学难点：脑的视觉、记忆与信息处理机制。

教学方法:课堂教学为主，结合智塞树等在线平台实时提问、收集学生学习情况，

充分利用网络课程中的多媒体素材来表示脑的组成、结构。讨论五分钟。课后布

置作业，要求学生查找、阅读与脑科学研究有关的报导、论文等。

教学要求：重点掌握大脑多极神经元结构及神经系统组成：了解脑的视觉与记忆

机制，大脑认知地图的发现。

课程思政内容：

大脑是人类智能产生的主要生物学意义上的载体。认识、理解大脑的基本功能，了解脑

和认知科学最新进展，对于认识和了解人类自身，理解智能产牛•的源泉，揭示智能的奥秘，

发展更先进的人工智能技术具有重要意义。

学习目标：

I.理解认识脑的豆杂结构和功能以及神经系统的基本组成与功能。

2.理解脑、神经与身体以及意识、心智、智能等之间的关系

3.理解人脑与电脑的联系与区别・脑与神经科学对人工智能的启发性作用。

学习导言

2000年诺贝尔生理学或医学奖得主之一埃里克•坎德尔（EricKandel）认为：“人类改

变自身脑功能的能力，可能会像铁器时代冶金术的发展那样，彻底改变历史的面貌。”其

正认识人类大脑是开发类人智能机器的必由之路。

人类大脑是一部极其高效的“计算机”，其特征与优势包括：通过与外界交互自主学习

（无须显式编程）、高度容错（容忍大量神经元的死亡而不影响其基本功能）、高度并行性

（约10个神经元）、高度连接性（约10N5个突触）、低运算频率（约100Hz）、低通信速

度（每秒钟几米）、低功耗（约20瓦）.

以20岁时为例，男性脑部的神经轴突（与神经细胞相连的细长部分，用来进行神经信

号传通）总长度为17.6万千米，约为月球距近地点拒离的一半，女性约为14.9万千米。人

脑神经信号回路比今天全世界的电话网络还要完杂1400多倍。每一秒钟，人胸中进行着10

万种不同的化学反应，反应环境、反应速度及反应产物控制都十分精确，出错率极低，各种

反应间相互美联、配合默契。人脑每天可处理8600万条信息.，大脑记忆中枢可储存的信息

我相当于美国国会图书馆的50倍，即5亿本书的知识，并且正常情况下这些信息可布-序调

用（回忆）。人脑体积虽小，内部结构豆杂得难以描述，神经元及其组成得网络及神经网络

的结构、大脑结构、神经元个体的活动究竟与智能形成有什么关系？本章并不能完全回答这

些问题，但通过有关知识的学习，使得我们可以形成人脑智能生成机制与创造人工智能尤其

是强人工智能之间关系的初步认识。

3.1大脑的初步认识

大脑是自然进化出来的最为精巧的生命管理系统。对于人类这样的高级生命，大脑是生

命体中生成智能的核心器官和组织。关于大脑的组成和功能，相对于智能本身而言，还是比

较清楚的。

20世纪50年代，美国加利福尼亚技术研究院的教授、著名生物学家斯佩里对裂脑人进

行了实验研究，即对严重瘢痫病人切断两半球之间的神经联系，使其成为相对独立的半聃半

球。研究结果发现，各自独立的脑半球有其自己的意识流，在同•个头脑中两种独立意识平

行存在，它们有各自的感觉、知觉、认知、学习以及记忆等功能,,也就是说，左脑同样具有

右脑的功能，右脑也同样具有左脑的功能，只是各有分工和侧重点不同而已。

3.2脑神经系统

1、脑神经组织与突触可塑性

20世纪40年代，加拿人心理学家唐纳德.赫布提出了关于突触可塑性的著名推测，即“那

些共同激发的神经元将会连接在一起“。也就是说，如果神经元A和B是在大致相同的时

间激发峰电位，那么他们之间的突触强度会增加。一些研究人员基于赫布的观点，提出了一

种叫做“峰电位时间相关的突触可塑性（STDP）”的机制，即突触强度可以根据突触前和

突触后的峰电位时间相关性而改变，如果神经元A恰好在神经元B激发前激发，那么神经

元A将加强其到神经元B的连接：如果激发顺序是相反的，则连接强度会减弱.由于突触

在神经元的连接节点处的调控（可调节的权值）,神经元接收到的信号强我不同.

2、神经元的连接和信息传递

每•个神经元都由细胞体（中央主体部分）、树突（分布在细胞体的外周）和轴突（细

胞体伸出的主轴）构成。细胞体是神经元的代谢中心，它本身又由细胞核、内质网和高尔基

体构成.细胞体的外周•般生长布.许多树状突起，称为“树突”，它们是神经元的主要接受

器。细胞体还延伸出一条主要的管状纤维组织，称为“轴突”，在轴突的外面，可能包有一

层厚的绝缘组织，称为髓鞘。轴突的主要作用是在神经元之间传导信息，传导信息的方向是

由轴突的起点（细胞体）传向它的末端。通常，在轴突的末端会分出许多末梢，这些末梢同

其后的神经元的树突（或细胞体，或轴突）构成一种称为突触的机构。

3、大脑皮层的分区与地图

大脑皮层在学习记忆、语言思号以及知觉、意识等高级功能方面发挥若至关重要的作用，

趣是高等的生物，其皮层的结构和功能越是发达。

大脑皮层组织形态呈多尺度特性，皮层包括在水平运行的层次、垂直方向上集成的具有

延伸深度的功能柱和由数百万柱体组成的大型功能区域，最终形成由多个紧密连接的区域所

构成的网络。神经元通过灰质实现局部连接，与此同时，通过远距离的白鹿连接，皮层能将

信号传递到远端的皮层区域或皮层下目标。

3.3脑的视觉与信息处理机制

1962年，科学家提出了“感受野”的概念，视觉信息从视网膜传递到大脑中是通过多

个层次的“感受野”激发完成的，并迸•步发现了视皮层通路中对于信息的分层处理机制J.

获得了1981年的诺贝尔生理学和医学奖。1984年，日本学者福岛邦彦基于感受野概念提出

了卷积神经网络的原始模型神经认知机(Neoccgniircn),神经认知机是将一个视觉模式分

解成许多子模式，通过逐层阶梯式相连的特征平而对这些子模式特征进行处理，使得即使在

目标对象产生微小畸变的情况下，模型也具有很好的识别能力。这是第一个基于神经元之间

的局部连接性和层次结构组织的人工神经网络，启发了后来卷积神经网络以及深度卷积神经

网络的实现。

3.4脑的记忆与信息处理机制

记忆是人脑对过去发生过的事物的反映，是心理在时间上的持续，有了记忆，先后的经

验才能联系起来。记忆是学习和形成人类智能的重要基础。人的大脑能够把输入或经过加工

的信息存储起来，在需要时再把这些储存的信息取出，因此记忆包括存储和提取两个阶段，

通过两条截然不同的神经环路实现。对一个事件的记忆是在大脑负责长时记忆(long-term

memory)和短时记忆(short-termmenwy)的不同脑区同时形成的。

自20世纪以来，科学家一直认为记忆存储在由突触连接的更杂的神经元网络里，人工

智能专家通过模仿神经网络来实现机器的学习能力。最新研窕显示，记忆的物质形式深藏在

神经元的中心一细胞核里，它们是一些与表观遗传相关的分子，这个发现彻底颜没了原先的

理论。近年，神经表观遗传学已逐步揭示了记忆的分子性质，实际上是这些表观遗传分子将

记忆忠实地印刻在神经元里，这称为“表观遗传记忆”。

3.5脑的学习机制

1983年，西蒙对学习下了一个较好的定义：系统为了适应环境而产生的某种氏远变化，

这种变化使得系统能够更有成效地在下次完成同或同类的工作。人类的学习实际上启发

「人工智能的重要研究方向•机器学习的诞生，但机器学习与人类学习完全不同，其学习和

记忆能力在某些方面可以超过人类，比如在困棋、游戏等方面表现出超乎人类的学习能力，

但机器学习与人类学习相比还有很大差距，比如内容理解能力，以及基于很少的信息就可以

获得某个学习对象的全面认识，这些是人类固有的智能。机器学习还必须依赖人类的经验和

帮助。开发更强大的机器学习系统，还需要更深入理解人类的学习机制。

3.6脑功能新发现

大脑认知地图，简单的说，就是关于人类大脑是如何为人类在行进过程中辨别和选择方

向并选择合适的路线，最终完成导航的。在这项机制发现之前，人类大脑如何具有导航功能

一直是一个谜团。2008年，莫泽夫妇在大脑的内嗅皮层发现了一种神经细胞。每当大飙靠

近一堵嫡、审问边界或是仟何障碍物时，这种细胞就会被激活，故此得幺：“边界细胞"(避

障)。边界细胞可以计算出大鼠与边界的距离(相当于激光福达)，然后,网格细胞可以利

用这一信息，估算大鼠已经走了多远的距离，所以在之后的任意时间，大鼠可以明确知道自

己周围哪里有边界，这些边界距离白已乂有多远。2015年，他们乂发现了反映了动物的运

动速度的“速度细胞”，并且不受动物所处位置和方向的影响。现在我们已经知道，内嗅皮

层里的多种细胞，如网格细胞、头部方向细胞、边界细胞、速度细胞等，它们各司其职，会

将各种信息传递到海马休的位置细胞加以整合，让动物知道自己从哪里来，身在何处，又去

向何方。

第四讲人工神经网络

教学内容：本章主要学习经典人工神经网络模型、深度神经网络模型以及它们之

间的联系和区别。

教学重点：反向传播算法、深度卷枳神经网络模型。

教学难点：反向传播算法、深度循环神经网络模型。

教学方法:课堂教学为主，结合智塞树等在线平台实时提问、收集学生学习情况，

充分利用网络课程中的多媒体素材来表示深度神经网络的结构和功能。讨论五分

钟。课后布置作业，要求学生查找、阅读与人工神经网络有关的经典论文等。

学习慕课第四章《人工神经网络》并完成章节测试。

教学要求：重点掌握基本人工神经元模型、经典反向传播算法原理、深度卷积

神经网络原理及实现过程。了解深度神经网络是在浅层神经网络基础上发展而来

的，是联结主义发展而来的新方法。

课程思政内容：

在人工神经网络的发展历史上，曾经经历三次低谷和两次高潮，伴随着人工智能的发展

历史。但是，即使是在处于低潮时期，少数科学家仍然坚持自己的努力方向，不随波逐流，

凭借长期的努力和坚定的信念，终于发展出深度神经网络，并在今天的社会发挥巨大作用。

要学习科学家们这种咬定青山不放松、持之以恒、不忘初心的科学拼搏精神。

学习目标：

I.掌握和理解人工神经网络基本原理、算法和实现过程：

2.掌握和理解传统人工神经网络与深度神经网络的关系；

3.学习和了解人工神经网络研究内容和应用。

学习导言

人工神经网络(ArtificialNeuralNetwork,ANN)自诞生以来，在人工智能领域有若举

足轻重的地位和作用，整个人工神经网络发展历史都可以看作是人工智能的发展史。特别是

20世纪80年代，人工神经网络的研究取得了重大进展，有关理论、方法已经发展成一门介

于物理学、数学、计算机科学和神经生物学之间的交叉学科，它不仅是当今人工智能学术研

究的核心，更在实际应用中大放异彩，成为人工智能的主流技术。人工神经网络在包括视觉、

听觉等感知智能，机器翻译和语音识别、聊天机器人等语言智能，棋类、游戏等决策类应用，

以及艺术创增等方面所取得的重要成就，证明了多年来联结匕义路线，即以人类人的神经系

统为原型设计人工智能方法的正确性，也是结构主义思想的胜利。本章从最基础的人工神经

元开始，经典的人工神经网络方法过渡到深度神经网络，全面理解现阶段主流的深度学习技

术的基础一深度神经网络的发展脉络和原理，为了解目前人工智能应用背后的核心技术奠定

基础。

4.1如何构建人工神经网络

人工神经网络从最初的心理学研究发展到早期人工智能联结主义方法，到现在成为人工

智能的主流方法，也是最重要的方法，其取得成功的原因在于对大脑的结构模拟。尽管这种

模拟是粗略，并不是其实第现大脑的神经元之间的联结模式和结构,但其在应用上取得的成

功说明“结构决定功能”在人工智能中一定程度是成立的。

*

H

极俄

上述神经元的活动可以用公式4-1和4-2进行表达:

(4-1)

i'k=〃k-a尤=奴心）尤=奴心）

y=f（"一石吗七-®J%=/（'；）(4-2)

将式子4-2进行整理，则有:

♦

(4-3)

/-U

><=/(«)=/(4-4)

式子4-3和44中,占=-1时，权值%=〃。

1.单层感知器

感知器模型是一个只有总层计算计元的前馈神经网络，称为电层感知器，其结构如图

4.5,圆圈代表神经元，神经元作为基本单位，也是输入信号。的节点，网络连接权值”，模

拟生物神经元间的连接关系，在输入层和输出层的神经元之间建立起连接关系，同一层神经

元之间不连接。感知器的网络结构可以用式子4-6进行表达：

批注［11：怎么两个式子？？？

y,=g（wxa）=x吗+«,x»iz,+%x।均）y=F（x）=max{crx,x}L（4-5）

式子4-6中，y•代表感知器的输出信号，和”（叫,叫，明）分别代表输入信号和

网络连接权值，将所有的输入信号加权求和Z类似神经元模型中的激活函数#：•），这里也有个

功能函数以•），处2）决定输出信号£的状态。图4.5中的感知器模型近似模拟了神经元的

功能，现在利用这个感知概模型就可以实现简单的分类了。

例子4.1：假设待分类的生鲜有：豆角、绿革果、茄子、洋葱和西瓜，要求将这些生鲜

分成水果和窿菜两类。

解：首先，对待分类的生鲜进行特征提取,采用颜色、形状和口感三个特征量作为输入，

用⑶、6、G来分别表示，设定生群的特征值如表4.L表4.1中，颜色特征I代表绿色，/

代表紫色：形状特征1代表阿形，-1代表条形：口.感特征I代表（生吃）好吃，-1代表（生

吃）不好吃；

表4.1特征值定义

生鲜颇色“形状6口速见

豆角1（绿色）-1（条形）T（不好吃）

绿羊果1（绿色）1（脚形）1,好吃》

茄子-1（紫色）-1《条形）-1（不好吃）

洋葱-1（紫色）1（圆形）-1（不好吃》

西瓜1（绿色）1（圆形）1《好吃）

其次，定义感知器的输出：I代表水果，-1代表蔬菜。假设网络连接权值%=$=$=1，

功能函数g（）选用sign函数g（.r）=f：现在我们看一下，利用感知器模型式子4-5计

算的分类结果：

豆角:>'1=^（lxl+（-|xl）+（-lxl）]=^（-l）=-l

绿苹果：X=g（lxl+lxl+lxl）=gi3）=l

茄子:y2=/?!（-!x|）+-lxl+（-lxb]=g（-3）=-l

同理，对表4.1中的洋葱和西瓜建行分类计算，洋葱以=西瓜g（3）=l,可以看

到图4.5中的单层感知器能够对表4.1中的生鲜进行准确分类。

4.2神经网络的训练-反向传播算法

反向传播（BackPropagaiion,BP）莫法就是迄今为止最成功和使用最多的神经网络学习

算法。

谯基反向化搭批注[2]:上下标不规范.正斜体不规范

信息正向代播

图48仅有一个虺藏层的人工神妞网绪

BP算法是一种相对感知黑的简单学习期则有了较大进步的学习制法,一类通用“学习

规则”的本质就是梯度卜.降，即找到•个函数的局部极小值。梯度下降法是个•阶最优化

算法，要找到一个函数的局部极小值，必须在函数上当前点对应梯度（或者是近似梯度）的

反方向以规定步长进行迭代搜索.

一般的人丁.神经网络确定网络结构之后，就会利用算法进行训练。在4.1.2节单层逑知

器分类水果和蔬菜的例子中，我们得知正确分类的关说就是选择或者找到一组合适的网络权

值卬，这个过程就是算法训练的过程。

（I）激活函数的选择

激活函数/（•）选用式子4-13的

Sigmoid函数，因为采用梯度下降法求导，

要求函I数是连续可导的，阶跃函数不连续

因此不可导，而Sigmoid函数曲线平滑连

续可导（如图4.9）,并且如公式4-13W批注13]:图中正斜体不规范,大小写不规就

“函数导数可以用函数本身表示”的特性，

可以使BP算法的公式推导获得简化的表

图4.9SiRnoid函敷

达。

八刈=±（4-12）

1+e*

%=/（幻（1-/（功<4-13）

ex

（2）确定网络模型结构和参数

假设输入层有，”个神经元，隐藏层有A个神经元，输出层有〃个神经元，则网络模型：

输入层输入”=…,.工,）

隐藏层输入a=（“，偌2……必）

隐藏层输出%=（%,%...,如）

输出层输入力=（%,%”.”小）

输出层输出£,=（%.%,…，%）

期望输出〃=（4&…”4）

输入层与隐藏层、隐藏层与输出层的连接权值分别为明和町,，隐藏层、输出层的神经

元偏置分别为4和2。

（3）隐藏层和输出层的计算

隐藏层输入儿⑻=次％%伏）-4力=1,2k:<4-14）

隐藏层输出阳⑹=/（%（幻）A=1.2…k（4-15）

输出层输入儿，伏）=》吼,心（幻一"o=l,2n（4-16）

输出层输出九伏）=/（.%（幻）？“=12…,〃<4-17）

（4）损失函数。的计算

。=:£心灯-）"）『（4-18）

我们需要找到•组连接权值卬，让系统实际输出），“等于或接近期里输出d,用损失函数

P来评价实际输出和期望输出的差距，则问题就变为求P的极小值。

<5）采用悌度下降法找到损失函数P的同部极小值。

部矛讥,批注［41:正斜体不规范！！！

质%,5%加鼠

=T4（2f⑻1/1%⑹1%（幻<4-19）【注】:全文注意此类问题.

-4<*>-

=-&（灯如⑻

其中，”k）=G,伏）-%（k）LH%（切<4-20）

dPcPdhlh（k）

6叫明式k）dw^

="上2⑻吸/［%（&）］卜⑹<4-21）

-

其中,水幻=自（幻,“也（&）|）<4-22）

这里省略式子4/9和式子4-21他详细推导过程，由式子4-22我们可以看到，误差项

加（幻可以由误差项，（A）计兑得到，如果存在多个隐藏层，这个特质依然成立，即第/层的

一个神经元的误差项是所有与该神经元相连的第1+1层的神经元的误差项乘以权值再求和，

然后再乘上该神经元激活函数的梯度，这就是误差的反向传播。

（6）调整权值和偏置参数

壮“=嗯+忧⑻%⑻(4-23)

唬“=壮+也（人»（*）<4-24）

〃：为控制权值调整速度的常数，又称为学习率，

以上可以得知，BP算法的训练结果取决于输出的误差利相邻的网络连接权值，误差是

从最后一层到第一层反向传播。采用“误差修正型”的学习规则与梯度下降法结合使用，是

用来训练人工神经网络的常见方法，该方法对网络中所有权值计算损失函数的梯度，这个梯

度用来更新网络连接权值以获得最小化损失函数。多层神经网络的训练（学习），除了连接

权值的参数调整，偏置参数也可这样利用梯度下降法进行调整。

BP算法的训练过程如表4.3所示房二个区里迭代、修正网络权值到偏国参数短溟批注[5]:为何以表的形式展现？较为奇怪。请参考其他

BP算法训练过程分为两个阶段：同类书籍写法。

第一阶段是将输入信号通过整个神经网络正向（向前）传播，直到最后一•层，这个过程

批注Ml：怎么自半自？

称为前馈：

第二阶段，该算法会计算一个误差，然后从最后一层到第一层反向传播该误差，采用梯批注|7|：,

度下降法找到性能函数的局部极小值，调整网络权值和偏置参数。批注⑻：.

BP算法的终止条件是设定最大迭代次数N,也可以通过设置全局误差的方式，在没有

达到设定条件之前，不停循环，得出最优的模型。

衣4.3BP算法的训缥

输入:训练集严），i最大迭代次数

输出,愀&（w是权值.〃足偏置节点）

初始化“滋

forr=/...ATdo

fori=/...A*do

（1）前例计算院城层和输出层的状态和激活值,百列呆后一层I

<2）用式子4-20和4-22反向计蛭修一层的误若WL/为网络的层数：

（3）用式子4-19和4.21计算每一层拿数的值号:

品・E0（A）成阳（4-25）

a=-6°a时'X）026）

<4）更新参数：

项=d+〃暴（4-27）

啰=壮+7券：（4-28）

n：为柠制权位附整速度的常数・又称为学习率Qv»）vi.

end

end

4.3卷积神经网络原理

1、权值共享与特征提取

权值共享就是感受野的权值•样，通过感受野和权值共享减少了神经网络需要训练的参

数的个数。输入层注入经过规则化（统一大小》的图像，在神经网络的全连接中，一幅

1000x1000像素的图像可以看作是一个1000x1（X）0的方阵排列的神经元，每个像素对应I个

神经元：局部连接则将图像一组小的局部近邻的神经元作为输入，也就是局部感受野。

从输入层到隐戴层的这种映射为特征映射，共享权值和共享偏置就是定义在特征图上的

权值和偏置。神经元感受野的值越大表示其能接触到的原始图像范围就越大，也意味着它可

能蕴含更为全局，语义层次更高的特征：相反，值越小则表示其所包含的特征越趋向局部和

细节。

2、卷积层

假设图像是•个3x4的灰度图像.2x2的卷积核与图像上对应的像素灰度值相乘并求

和，则卷枳后所获得的特征图像左上角笫I个像素为Gv+Zn+<y+。。

从左上角开始，卷积核计算每次滑动1个像素单位（卷积步长为I），滑动顺序由左至

右、由上至下，再重新上述计算过程，则特征图像左上角笫2个像素为如y+cx+/+gz,最

终输出一个2x3的特征图像。

ew+仆+/w+#r+gw+hx+

iy+J=小+依ky+l;

卷积后的特征图像每个像索与网络隐藏层中的神经元相连，每个卷积核检测的都是相同

的特征，这些相同的特征只是在输入图像中的位也不同。当提到神经网络中的卷积时，通常

是指由多个并行卷积组成的运究。通常再生网络的每一层能够在多个位曾提取多种类型的特

征。

3、池化层

池化层一般在卷积层后，通过池化来降低卷积层输出的特征向量维数。池化过程最大程

度的降低了图像的分辨率，同时降低了图像的处理维度，但又保留了图像的有效信息，降低

了后面卷积层处理复杂度，大大降低了网络对图像旋转和平移的敢感性。•般采用的池化方

法有两种:平均池化(meanpooling)和最大池化(maxpooling).平均池化是指对图像目

标后部区域的平均值进行计算，将其作为池化后该区域的值。最大池化则是选取图像II标区

域的最大值作为池化后的值。

5.全连接层

随着卷积层C、池化层S反发堆登次数的增加，网络连接深度的增大，代表特征图

像的长方体横截面面积越来越小，但是长度却越来越长。

'批注网：汉化！！！

图41。CNN算法的依据处理过程

全连接层FC的作用是分类，全连接层的每一个节点都与上一层的所有节点相连接，

用来把前边提取到的特征综合初始化

第1步:前向传播。

前向传携挂数据经过卷猊神经网络模空不断提取特征进行分类的过程。

Stepl：输入层«］入数据，可数据进仃预处理.如去均位和出一化等操作,再送入卷虫层中。

Step2：在卷枳层实现权值共享，减少模型份数，并能够有效的检测出图像中的特征.

Step3：使用激活函数对卷积层的输出做非货性映射,经过激活函数处理后•图像输入到池化层.

激活函数对卷积层的输出做II线件啖射.常用的激活函基有sigmoid、tanh和Rclu等.卷积层的卷枳操作仅是

线件运算・无法形成复杂的根型,激活函数为轨型加入了北线性元茶•提高校型的我达能力.

Step4：通过池化操作.对数据进行向下采洋.瓶少模型参数和般型的复杂度,收轿过拟合.

Step5：鑫枳层和池化片)地堆4.血亚Step2~Step4的操作.堆总的空数是根据所处理数据的规模而确定

的，模型提取到的特征遂渐由低雄特征变成高雄特征.浅层的卷枳层只能提取到一些低级的图像特征如边缘、角.

随茶层数的加深，卷枳层不断时低缎特征组合送代，深层的卷枳可以提取到史杂的特征.

Step6：通过仝连接层将淘加特征羟过整理组合输出到输出层，一般在模型的出后起到分类器的作用.

Step7：输出层通常也是个全连接层，在输出层用Softmax分类器对图像进行分类.

第2步：反向传播.

Steph利用损失函数计算M后•个全连接层输出值5数据的真实值之间的误差•使用类fclBP梯度卜降的方

法,通过误井反向传播.不断调整网络的权值席似置.以降低输出值与真实曲之间的误差.

投失函数层的作用是用来估算模型的预测伯/(Q与实际值Y的始距的函数。通常用4匕，(刈表示，是•个非

负的实数(ft函数,俏越小，反应该四络的数据拟合性能越好.

算法不断地册坏

重豆第1步和第2步，直至报失函歙降低到设定的值，模型达到理想的效果。训练过程结

束起来。

课后实践：

利用百度飞桨平台搭建深度卷枳神经网络框架并训练•个医学图像分类数据。

利用华为MINDSPORE搭建深度卷积神经网络框架并训练一个医学图像分类数据。

4.5循环神经网络

循环神经网络(RecurrentNeuralNetwork.RNN)由PaulWerbos于1988年提出的,该

模型为了可以更好的处理序列数据，在结构中加入了循环的概念将信息进行折久化。该算法

独有的循环结构使得网络可以对早先输入的信息进行记忆并将该记忆中的有用信息应用到

对后续输出的计算过程中，一般用来处理文本、音频、视频等序列数据，甚至是股票数据等

具有“序列”特点的数据建模问题。该模型已经在语音识别，自然语言处理，机器翻译等众

多时序分析领域中取得了巨大的成就,它与卷枳神经网络并称为当卜最热门住两大深度学习

算法。

RNN与CNN不同的是：它不仅考虑前一时刻的输入，而且赋予了网络对前面的内容的

种“记忆”功能，即个序列当前的输山与

输入层消仃至比5元前尤要］

，’

瞰藏层；C^OOO858&"H

输出层oOoooo

第五讲机器学习

教学内容：本章主要学习机器学习概念与类型、机器学习经典算法、深度学习概

念与应用。

教学重点：监督学习、分类、深度学习及其应用。

教学难点：深度学习目标检测应月。

教学方法:课堂教学为主，结合智塞树等在线平台实时提问、收集学生学习情况，

充分利用网络课程中的多媒体素材来表示机器学习原理和过程。讨论五分钟。课

后布置作业，要求学生查找、阅读与经典机器学习、深度学习有关的经典论文等。

学习慕课第五章《机器学习》并完成章节测试。

教学要求：重点掌握K近邻分类算法、K均值聚类、深度学习目标检测完法，了

解强化学习,迁移学习基木概念。

课程思政内容：

深度学习算法方向涌现出李K匕、吴恩达、何凯明等众多华人著名学者。周志华等世界

著名机器学习专家。激励学生向科学家们学习他们不断探索、突破，提出新理论、新算法和

新思想。

学习目标：

I.掌握和理解机器学习基本原理：

2.掌握和理解监督学习原理及几种主要