基于本土對(duì)象數(shù)據(jù)集的人工智能教學(xué)摘要：本文圍繞具有跨學(xué)科特性的利用人工智能進(jìn)行校園植物觀測(cè)的活動(dòng)，探討用于人工智能學(xué)習(xí)的本土對(duì)象的數(shù)據(jù)集構(gòu)建的相關(guān)問(wèn)題，提出應(yīng)該從學(xué)生日常生活出發(fā)，結(jié)合真實(shí)情境，為數(shù)據(jù)采集和分類任務(wù)建立具有一定合理性、真實(shí)性的目標(biāo)框架，可以為分類目標(biāo)限定范圍，分類任務(wù)中的對(duì)象的特征既要有相似性又要有區(qū)分度，可以通過(guò)計(jì)算機(jī)視覺(jué)庫(kù)的自動(dòng)化處理來(lái)提高特征數(shù)據(jù)采集和記錄的效率。中圖分類號(hào)：G434文獻(xiàn)標(biāo)識(shí)碼：A論文編號(hào)：1674-2117（2024）19-0015-04用于人工智能教學(xué)的數(shù)據(jù)集可以是人為主動(dòng)生成的，如用攝像頭拍攝手勢(shì)、用加速度傳感器記錄人的運(yùn)動(dòng)狀態(tài)、對(duì)電腦中的涂鴉截屏等，也可以利用機(jī)器學(xué)習(xí)庫(kù)生成某些帶有隨機(jī)性的數(shù)據(jù)。更多情況下，數(shù)據(jù)集的數(shù)據(jù)來(lái)自真實(shí)環(huán)境中某些對(duì)象的特征，如道路、建筑、動(dòng)物、植物等對(duì)象的某些特征數(shù)據(jù)。對(duì)于具有跨學(xué)科特征的與自然觀測(cè)相關(guān)的實(shí)踐活動(dòng)或自主研究項(xiàng)目，往往希望學(xué)生能夠完整地體驗(yàn)到在自然環(huán)境中采集數(shù)據(jù)、整理數(shù)據(jù)、處理和分析數(shù)據(jù)的過(guò)程，其中面臨的一些問(wèn)題就是應(yīng)當(dāng)采集哪些對(duì)象的數(shù)據(jù)、采集哪一方面特征的數(shù)據(jù)、如何采集數(shù)據(jù)等。因此，本文圍繞具有跨學(xué)科特性的利用人工智能進(jìn)行校園植物觀測(cè)的活動(dòng)，來(lái)探討構(gòu)建用于人工智能學(xué)習(xí)（而非科學(xué)研究）的本土對(duì)象的數(shù)據(jù)集的相關(guān)問(wèn)題。為了方便說(shuō)明問(wèn)題，本文的討論基于這樣的活動(dòng)過(guò)程：首先，安排學(xué)生在校園內(nèi)采集標(biāo)本；其次，將標(biāo)本輸入計(jì)算機(jī)，生成數(shù)據(jù)集，繼而由機(jī)器學(xué)習(xí)算法或人工神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練生成分類模型；最后，針對(duì)測(cè)試集的樣本驗(yàn)證分類效果。需要結(jié)合教學(xué)情境，為數(shù)據(jù)采集建立具有一定合理性、真實(shí)性的目標(biāo)框架。從學(xué)生日常生活出發(fā)創(chuàng)設(shè)情境，相較專業(yè)的科學(xué)研TEwFPT+8Ym/z7IiEKxo7jw==究的分類，更容易找到具有合理性、真實(shí)性的分類任務(wù)。例如，首先，可以讓學(xué)生仔細(xì)觀察道路兩旁的行道樹，思考如何通過(guò)觀察特征來(lái)區(qū)分不同的行道樹種類；其次，用現(xiàn)有的人工智能軟件來(lái)對(duì)行道樹的種類進(jìn)行區(qū)分；接著，討論人工智能軟件是如何成功進(jìn)行分類的；再次，采集標(biāo)本，記錄數(shù)據(jù)，借助生成式人工智能，利用機(jī)器學(xué)習(xí)庫(kù)或神經(jīng)網(wǎng)絡(luò)庫(kù)，自行架設(shè)機(jī)器學(xué)習(xí)或人工神經(jīng)網(wǎng)絡(luò)模型；最后，用這些模型進(jìn)行分類測(cè)試。圖像處理與數(shù)據(jù)記錄在教學(xué)過(guò)程中，雖然可以人工測(cè)量并記錄特征數(shù)據(jù)，但這通常需要花費(fèi)大量時(shí)間，測(cè)量過(guò)程也較容易受主觀因素影響，所以，可以利用計(jì)算機(jī)視覺(jué)庫(kù)（如OpenCV庫(kù)）自動(dòng)測(cè)量并獲取特征數(shù)據(jù)。自動(dòng)采集的數(shù)據(jù)可能有偏差，但只要樣本數(shù)量足夠大，記錄得到的特征數(shù)據(jù)仍然是可靠的。以樹葉為例，可以通過(guò)視覺(jué)庫(kù)獲取特征數(shù)據(jù)——樹葉的顏色、長(zhǎng)寬比例、邊緣平滑程度、圖像信息熵等，相關(guān)代碼可以利用生成式人工智能快速編寫完成。例如，為了獲得樹葉的多項(xiàng)特征，可撰寫如下提示語(yǔ)句交由生成式人工智能處理：“讀取當(dāng)前文件夾下所有圖片，選取每張圖片正中間19*19像素區(qū)域，獲取其RGB值，將R值除以G值所得到的數(shù)據(jù)存儲(chǔ)于dataset.csv文件的color字段中；選取圖片背景中的唯一物體，計(jì)算其邊緣平滑程度，將數(shù)據(jù)存儲(chǔ)于dataset.csv文件的edge字段中；計(jì)算該物體長(zhǎng)度除以寬度數(shù)據(jù)，存儲(chǔ)于dataset.csv文件的shape字段中；根據(jù)文件名首字母判斷物體種類到底是A還是B，存儲(chǔ)于dataset.csv文件的species字段中?！碑?dāng)然，在實(shí)際操作中，需要調(diào)整提示詞以及生成代碼中的閾值參數(shù)，以求得較佳效果。如果后續(xù)實(shí)驗(yàn)是利用人工神經(jīng)網(wǎng)絡(luò)構(gòu)造樹葉的分類模型，則需要根據(jù)實(shí)際的算力，將圖像轉(zhuǎn)換成灰度并降低像素值，當(dāng)然，這樣會(huì)面臨顏色信息丟失的問(wèn)題，可以通過(guò)顏色空間轉(zhuǎn)換，或提取顏色信息作為神經(jīng)網(wǎng)絡(luò)的輔助輸入等方法解決問(wèn)題。如圖2所示是利用生成式人工智能的代碼，測(cè)量樹葉并獲取相關(guān)數(shù)據(jù)的dataset.csv文件內(nèi)容的局部。其中，第0個(gè)字段表示種類，A代表香樟落葉，B代表女貞落葉；第1個(gè)字段是顏色數(shù)據(jù)，表示樹葉紅色成分比上綠色成分的程度；第2個(gè)字段表示樹葉邊緣光滑程度；第3個(gè)字段表示樹葉所占區(qū)域矩形長(zhǎng)度和寬度的比例。從數(shù)據(jù)中可以看出，香樟落葉偏紅一些，女貞落葉偏綠一些；香樟落葉邊緣沒(méi)有女貞落葉邊緣平滑；香樟落葉比女貞落葉長(zhǎng)寬比例更小一些，也就是說(shuō)，香樟落葉看上去更胖一些。當(dāng)然，這些特征是從樣本數(shù)據(jù)的整體程度上體現(xiàn)出來(lái)的，每一片樹葉個(gè)體上的特征有時(shí)候和種類關(guān)聯(lián)性不強(qiáng)，但機(jī)器學(xué)習(xí)算法通過(guò)處理大量數(shù)據(jù)，以及同時(shí)考慮多個(gè)特征的綜合影響，來(lái)更準(zhǔn)確地預(yù)測(cè)植物種類。對(duì)于獲取到的樣本數(shù)據(jù)，可以采用特定的機(jī)器學(xué)習(xí)算法來(lái)生成預(yù)測(cè)模型并進(jìn)行分類測(cè)試，比較容易理解的機(jī)器學(xué)習(xí)算法有K近鄰、樸素貝葉斯、決策樹等。值得一提的是，現(xiàn)實(shí)世界具有高度的復(fù)雜性，特征數(shù)據(jù)的提取過(guò)程必然經(jīng)過(guò)高度的抽象，抽象簡(jiǎn)化了計(jì)算過(guò)程，但也掩蓋了部分真相。例如，香樟樹葉和女貞樹葉的長(zhǎng)寬比例事實(shí)上非常接近，它們的邊緣本來(lái)也都相當(dāng)光滑，但在樹葉落下后，香樟樹葉和女貞樹葉分別以不同的方式蜷曲，許多香樟樹葉邊緣容易蜷曲，產(chǎn)生邊緣不光滑的視覺(jué)效果，許多女貞樹葉以主葉脈對(duì)稱作整體蜷曲，如果不將樹葉壓平而是自然放置，就產(chǎn)生出瘦長(zhǎng)的視覺(jué)效果。所以，對(duì)香樟和女貞掉落樹葉進(jìn)行分類，相較于對(duì)摘取樹枝上的樹葉進(jìn)行分類，對(duì)初學(xué)者而言，實(shí)施分類任務(wù)的難度反而降低了。數(shù)據(jù)集的使用如果利用生成式人工智能和機(jī)器學(xué)習(xí)庫(kù)，那么分類模型的構(gòu)建是相當(dāng)方便的。例如，圖3所示的是用Scikit-learn庫(kù)劃分?jǐn)?shù)據(jù)集，并采用K近鄰算法為樹葉數(shù)據(jù)建立分類模型，并對(duì)測(cè)試集進(jìn)行測(cè)試的例子。即便采集的樣本數(shù)量不是特別多，也能夠利用傳統(tǒng)的機(jī)器學(xué)習(xí)算法構(gòu)建分類模型，不過(guò)，需要通過(guò)人為觀察選擇出適合用于分類模型的特征。若是利用人工神經(jīng)網(wǎng)絡(luò)來(lái)進(jìn)行分類，那就不需要人為選取特征，但需要有更多樣本來(lái)供神經(jīng)網(wǎng)絡(luò)訓(xùn)練學(xué)習(xí)，而且訓(xùn)練耗時(shí)也較長(zhǎng)。圖4所示的是用neurolab庫(kù)，對(duì)轉(zhuǎn)換為40*30像素灰度的樹皮的圖案，用人工神經(jīng)網(wǎng)絡(luò)進(jìn)行分類訓(xùn)練的Python代碼。學(xué)生親自采集樣本、測(cè)量樣本、記錄數(shù)據(jù)，并利用機(jī)器學(xué)習(xí)算法或人工神經(jīng)網(wǎng)絡(luò)對(duì)數(shù)據(jù)進(jìn)行分類，相比于單純下載和使用數(shù)據(jù)集進(jìn)行人工智能學(xué)習(xí)，具有以下幾個(gè)顯著的好處。①通過(guò)親手采集樣本、測(cè)量和記錄數(shù)據(jù)的過(guò)程，不僅鍛煉了學(xué)生的觀察力和動(dòng)手能力，還能讓他們了解數(shù)據(jù)處理和分析的基本步驟，在理論知識(shí)與實(shí)踐的結(jié)合中，增強(qiáng)學(xué)習(xí)興趣和記憶深度。②加深學(xué)生對(duì)真實(shí)世界問(wèn)題的理解。來(lái)自現(xiàn)實(shí)世界的數(shù)據(jù)往往比用于理論學(xué)習(xí)的數(shù)據(jù)更加復(fù)雜和多變。學(xué)生通過(guò)處理自己采集的樣本數(shù)據(jù)，能更好地理解實(shí)際情況下可能遇到的各種數(shù)據(jù)問(wèn)題，如數(shù)據(jù)獲得方式、數(shù)據(jù)選取方式等，同時(shí)，在實(shí)踐過(guò)程中，學(xué)生能建立起與數(shù)據(jù)的更深的情感聯(lián)系。③引導(dǎo)學(xué)生更加重