В результате фрагмент кода программы, описывающий процедуру вывода изображения отдельной картинки, будет таким, как показано на рисунке 1.
Рис. 1. Код вывода изображения буквы
Уточняем, что код вызова функции, позволяющей вывести на экран, например изображение первой буквы Б в виде звездочек, будет следующим: pr_number (one). Обсуждаем с учащимися, что необходимо добавить в программу инструкции вывода всех 9 букв, разделив их между собой горизонтальными линиями с помощью инструкции print («»).
Напоминаем учащимся о необходимости сохранения фрагмента кода программы в файле, имя которого уже задано, а также запуска файла на исполнение для верификации результата.
Третий этап связан с генерацией и выводом таблицы исходных весов межнейронных связей. Обсуждаем, что сначала надо заполнить таблицу весов нулевыми значениями, записав элементы таблицы в виде списка: wes = [[0,0,0],[0,0,0],[0,0,0],[0,0,0],[0,0,0]]
Затем таблицу исходных весов межнейронных связей необходимо заполнить случайными целыми числами, находящимися в диапазоне [-1, 1]. Это можно сделать с помощью функции, генерирующей целые числа: random.randint (-1,1)
Далее предлагаем учащимся выполнить генерацию элементов списка (т. е. заполнение случайными целыми числами таблицы весов) с помощью функции create_SYN (SY). В результате фрагмент кода программы, описывающий процедуру заполнения случайными значениями таблицы весов, будет таким, как показано на рисунке 2.
Рис. 2. Создание таблицы случайных весов
Далее вызываем функцию create_SYN, указав в качестве параметра элементы списка wes для заполнения этого списка (таблицы весов) случайными числами: create_SYN(wes). Затем запишем функцию вывода таблицы весов с помощью двух вложенных инструкций for (т. е. циклов с параметром) (см. рис. 3).
После этого вызываем процедуру print_mass, указав в качестве параметра элементы списка wes для вывода этого списка (таблицы весов), заполненного случайными числами, т е. print_mass (wes). Сохраняем и запускаем измененный файл, проверяем полученные результаты.
Рис. 3. Вывод таблицы весов
Закончив формирование изображений букв и таблицы весов, можно переходить ко второй части практической работы, которая направлена на формирование таблицы весов с правильными коэффициентами, а значит, на обучение нейросети.
Четвертый этап связан с вычислением суммарного значения входных сигналов нейрона на основе случайных весовых коэффициентов. Вспоминаем с учащимися информационную модель искусственного нейрона, математическую модель нахождения искусственным нейроном суммарного значения входных сигналов, математическую модель описания правила формирования искусственным нейроном выходного сигнала.
На основе ранее рассмотренной схемы персептрона обсуждаем с учащимися алгоритм корректировки весовых коэффициентов. Уточняем, что в процессе обучения персептрона происходит корректировка значений отдельных весовых коэффициентов. Обращаем внимание учащихся, что в результате такого обучения получается таблица весов межнейронных связей, которая позволяет распознавать заданную букву. Еще раз делаем акцент на том, что решаем задачу по распознаванию только буквы О, т е. работает формула «да/нет» или «она/не она».
Обращаем внимание учащихся, что суммарное значение входных сигналов от каждого пикселя растрового изображения представляет собой сумму произведений значений элементов списка, хранящих изображение букв, на соответствующие элементы таблицы весов. Сообщаем, что для получения таблицы, состоящей из произведений сигналов на коэффициенты веса, будем использовать функцию mul_SXW(XX,WW,MU) (рис. 4).
Рис. 4. Произведение сигналов на коэффициенты веса
Затем говорим о том, что суммарное значение полученных произведений (значений входных сигналов) вычисляется с помощью функции out_sig(massiv) (рис. 5).
Рис. 5. Суммарное значение входных сигналов
Обсуждаем, что в функциях используются две вложенные инструкции for (т е. цикл с параметром). В качестве фактического параметра в данную функцию будет передаваться массив произведений сигналов на соответствующие им веса. Уточняем, что такой способ организации данных, как массив, на языке программирования Python реализуется с помощью списка.
Фрагмент кода программы, позволяющей вывести суммарное значение входных сигналов, рассчитанных на основе случайных весовых коэффициентов, например от первой буквы, будет таким, как показано на рисунке 6.
Рис. 6. Суммарное значение входных сигналов от первой буквы
Далее обращаем внимание учащихся, что необходимо добавить в программу инструкции вывода суммарных значений входных сигналов для всех 9 букв. Затем следует сохранить фрагмент кода программы в файле, имя которого уже задано, и запустить его на исполнение.
После этого обсуждаем с учащимися результаты работы программы, а именно: полученные на основе случайных весовых коэффициентов суммарные значения входных сигналов нейрона для каждой буквы сравниваем с порогом чувствительности нейрона. Вместе с учащимися убеждаемся, что распознавание буквы О не выполнено, т е. не получена ситуация, когда от всех букв, кроме пятой буквы, значения стали меньше 10.
Пятый этап заключается в выводе таблицы весов с правильными коэффициентами. Для этого необходимо в соответствии с правильно подобранными весовыми коэффициентами для распознавания буквы О заполнить значения элементов списка wesp: wesp = [[2,0,0],[0,1,1],[1,-1,2],[0,-1,0],[2,3,0]]
Далее вызываем функцию print_mass, указав в качестве параметра элементы списка wesp для вывода этого списка (таблицы весов), заполненного случайными числами: print_mass(wesp). Напоминаем о необходимости сохранить файл и проверить работу программы.
Шестой этап заключается в том, что на нем происходит вычисление для всех букв суммарных значений входных сигналов нейрона на основе правильных весовых коэффициентов. Фрагмент кода программы, позволяющей вывести суммарное значение входных сигналов, рассчитанных на основе правильных весовых коэффициентов, взятых, например, для первой буквы, будет таким, как показано на рисунке 7.
Рис. 7. Суммарное значение входных сигналов от первой буквы
Далее сообщаем учащимся о необходимости добавить в программу инструкции вывода суммарных значений входных сигналов для всех 9 букв, а затем выполнить верификацию результата, предварительно сохранив изменения.
Седьмой этап связан с распознаванием буквы при сравнении значений с порогом чувствительности нейрона. Уточняем, что для этого необходимо полученные суммарные значения входных сигналов нейрона на основе правильных весовых коэффициентов для каждой буквы сравнить с порогом чувствительности нейрона (установлен равным 10). Вместе с учащимися убеждаемся, что только от пятой буквы значение будет не меньше этого порога (11 >= 10). Делаем вывод о выполнении распознавания буквы О.
Восьмой этап -- это внесение изменений в код программы, что не является обязательным. Такое дополнительное задание позволит лучше понять возможности обучения однослойной нейросети по распознаванию растрового изображения. На этом этапе можно изменить порог чувствительности нейрона и выяснить влияние этого параметра на результат распознавания. Также вместо букв можно распознавать цифры или другие символы, внеся изменения в код программы. В конце сохраняем файл и проверяем результат работы программы.
В зависимости от резерва учебного времени и уровня возможностей учащихся, их подготовки учитель может предложить к работе как готовые блоки кода программ, которые необходимо изменять, дополнять и собирать в единое целое, так и дать задание на самостоятельную разработку фрагментов программы. компьютерный python нейронный сеть
Литература
1. Карташова Л. И., Левченко И. В. Методика обучения информационным технологиям учащихся основной школы в условиях фундаментализации образования // Вестник Московского городского педагогического университета. Серия «Информатика и информатизация образования». 2014. № 2 (28). С. 25-33.
2. Карташова Л. И., Левченко И. В., Павлова А. Е. Обучение учащихся основной школы технологии работы с графическими изображениями, инвариантное относительно программных средств // Вестник Московского городского педагогического университета. Серия «Информатика и информатизация образования». 2014. № 1 (27). С. 37-46.
3. Кузнецов А. А. Содержание обучения информатике в основной школе: на пути к фундаментализации / А. А. Кузнецов и др. // Вестник Российского университета дружбы народов. Серия «Информатизация образования». 2010. № 4. С. 5-17.
4. Левченко И. В. Информационные технологии в общеобразовательном курсе информатики в контексте фундаментализации образования // Вестник Российского университета дружбы народов. Серия «Информатизация образования». 2018. Т 15. № 3. С. 282-293.
5. Левченко И. В. Основные подходы к обучению элементам искусственного интеллекта в школьном курсе информатики // Информатика и образование. 2019. № 6. С. 7-15.
6. Левченко И. В. Формирование инвариантного содержания школьного курса информатики как элемента фундаментальной методической подготовки учителей информатики // Вестник Российского университета дружбы народов. Серия «Информатизация образования». 2009. № 3. С. 61-64.
7. Левченко И. В., Абушкин Д. Б., Карташова Л. И. Модуль «Машинное обучение систем искусственного интеллекта» в общеобразовательном курсе информатики // Вестник Московского городского педагогического университета. Серия «Информатика и информатизация образования». 2020. № 4 (54). С. 27-38.
8. Левченко И. В., Абушкин Д. Б., Михайлюк А. А. Модуль «Восходящее моделирование интеллектуальной деятельности» в общеобразовательном курсе информатики // Вестник Московского городского педагогического университета. Серия «Информатика и информатизация образования». 2020. № 4 (54). С. 39-50.
9. Левченко И. В., Карташова Л. И., Павлова А. Е. Обучение информационным технологиям в условиях информатизации образования. Воронеж: Научная книга, 2016. 131 с.
10. Левченко И. В., Карташова Л. И., Тамошина Н. Д. Модуль «Нисходящее моделирование интеллектуальной деятельности» в общеобразовательном курсе информатики // Вестник Московского городского педагогического университета. Серия «Информатика и информатизация образования». 2020. № 3 (53). С. 26-39.
11. Левченко И. В., Левченко Е. С., Михайлюк А. А. Практические работы элективного курса «Основы искусственного интеллекта». М.: Образование и Информатика, 2019. 64 с.
12. Левченко И. В., Павлова А. Е., Садыкова А. Р. Модуль «Введение в искусственный интеллект» в общеобразовательном курсе информатики // Вестник Московского городского педагогического университета. Серия «Информатика и информатизация образования». 2020. № 3 (53). С. 40-51.
13. Левченко И. В. Элективный курс «Основы искусственного интеллекта» / И. В. Левченко и др. М.: Образование и Информатика, 2019. 96 с.
Literatura
1. Kartashova L. I., Levchenko I. V. Metodika obucheniya informacionny'm texnologiyam uchashhixsya osnovnoj shkoly' v usloviyax fundamentalizacii obrazovaniya // Vestnik Moskovskogo gorodskogo pedagogicheskogo universiteta. Seriya «Informatika i informatizaciya obrazovaniya». 2014. № 2 (28). S. 25-33.
2. Kartashova L. I., Levchenko I. V., Pavlova A. E. Obuchenie uchashhixsya osnovnoj shkoly' texnologii raboty' s graficheskimi izobrazheniyami, invariantnoe otnositel'no programmny'x sredstv // Vestnik Moskovskogo gorodskogo pedagogicheskogo universiteta. Seriya «Informatika i informatizaciya obrazovaniya». 2014. № 1 (27). S. 37-46.
3. Kuzneczov A. A. Soderzhanie obucheniya informatike v osnovnoj shkole: na puti k fundamentalizacii / A. A. Kuzneczov i dr. // Vestnik Rossijskogo universiteta druzhby' narodov. Seriya «Informatizaciya obrazovaniya». 2010. № 4. S. 5-17.
4. Levchenko I. V. Informacionny'e texnologii v obshheobrazovatel'nom kurse in- formatiki v kontekste fundamentalizacii obrazovaniya // Vestnik Rossijskogo universiteta druzhby' narodov. Seriya «Informatizaciya obrazovaniya». 2018. T. 15. № 3. S. 282-293.
5. Levchenko I. V. Osnovny'e podxody' k obucheniyu e'lementam iskusstvennogo intellekta v shkol'nom kurse informatiki // Informatika i obrazovanie. 2019. № 6. S. 7-15.
6. Levchenko I. V. Formirovanie invariantnogo soderzhaniya shkol'nogo kursa in- formatiki kak e'lementa fundamental'noj metodicheskoj podgotovki uchitelej informatiki // Vestnik Rossijskogo universiteta druzhby' narodov. Seriya «Informatizaciya obrazovaniya». 2009. № 3. S. 61-64.
7. Levchenko I. V., Abushkin D. B., Kartashova L. I. Modul' «Mashinnoe obuchenie sistem iskusstvennogo intellekta» v obshheobrazovatel'nom kurse informatiki // Vestnik Moskovskogo gorodskogo pedagogicheskogo universiteta. Seriya «Informatika i informatizaciya obrazovaniya». 2020. № 4 (54). S. 27-38.
8. Levchenko I. V., Abushkin D. B., Mixajlyuk A. A. Modul' «Vosxodyashhee modelirovanie intellektual'noj deyatel'nosti» v obshheobrazovatel'nom kurse informatiki // Vestnik Moskovskogo gorodskogo pedagogicheskogo universiteta. Seriya «Informatika i informatizaciya obrazovaniya». 2020. № 4 (54). S. 39-50.
9. Levchenko I. V., Kartashova L. I., Pavlova A. E. Obuchenie informacionny'm texnologiyam v usloviyax informatizacii obrazovaniya. Voronezh: Nauchnaya kniga, 2016. 131 s.
10. Levchenko I. V., Kartashova L. I., Tamoshina N. D. Modul' «Nisxodyashhee modelirovanie intellektual'noj deyatel'nosti» v obshheobrazovatel'nom kurse informatiki // Vestnik Moskovskogo gorodskogo pedagogicheskogo universiteta. Seriya «Informatika i informatizaciya obrazovaniya». 2020. № 3 (53). S. 26-39.
11. Levchenko I. V., Levchenko E. S., Mixajlyuk A. A. Prakticheskie raboty' e'lektivnogo kursa «Osnovy' iskusstvennogo intellekta». M.: Obrazovanie i Informatika, 2019. 64 s.
12. Levchenko I. V., Pavlova A. E., Sady'kova A. R. Modul' «Vvedenie v iskusstvenny'j intellekt» v obshheobrazovatel'nom kurse informatiki // Vestnik Moskovskogo gorodskogo pedagogicheskogo universiteta. Seriya «Informatika i informatizaciya obrazovaniya». 2020. № 3 (53). S. 40-51.
13. Levchenko I. V. E'lektivny'j kurs «Osnovy' iskusstvennogo intellekta» / I. V. Levchenko i dr. M.: Obrazovanie i Informatika, 2019. 96 s.