《人工智能实践——动手做你自己的AI》读书心得

莆田一中  黄如强

 一、阅读缘起  

“老师，我们能不能不调用别人的模型，自己训练一个会玩‘石头剪刀布’的 AI？”当学生提出这个需求时，我正为“人工智能初步”选修课备课。市面上 AI 书籍多为科普或算法深究，对课时紧张、编程基础参差不齐的高中生并不友好。俞勇教授主编的《人工智能实践——动手做你自己的AI》（下文简称《动手AI》）号称“零基础可入门”，且配套开源网站与 GPU 算力，让我立刻下单。读罢掩卷，我不仅完成了学生的“石头剪刀布”挑战，更找到了把 AI 核心概念（数据、特征、模型、训练、推理）嵌入高中课堂的“五阶模型”。以下1700字，既是一次“拆书”，也是一份“课堂实录”。

二、全书结构速览：一条“零—一—百”的爬坡路径  

零：第1～3章用“人脸识别解锁手机”生活案例，把“机器学习=找函数”讲成“调旋钮”，无需公式。  

一：第4～6章提供“图形化 + Python”双轨代码，一条 drag-and-drop 就能跑通 MNIST 手写数字识别，另一条用 PyTorch 原码仅 60 行。  

百：第7～9章覆盖迁移学习、轻量化部署、模型可解释性，给出“树莓派实时识花”“手机端人像抠图”完整项目，方便教师拓展社团或研究性学习。  

 三、读书摘抄与课堂移植  

 （一）“数据即燃料”——用一张照片讲清“标注”  

书中金句：“没有标签的数据就像没有答案的习题册。”  

课堂移植：  

1. 课前拍摄 200 张学生“石头剪刀布”手势，用 MakeSense.ai 在线标注，10 分钟搞定；  

2. 把 XML 文件抛到“动手AI”配套网站，一键生成 TFRecord；  

3. 让学生亲手点选“自动标注”错误案例，体验“脏数据”对 Loss 曲线的暴击。  

作业反馈：95% 学生能说出“数据质量 > 模型复杂度”，比单纯背诵“人工智能三要素”印象更深。

 （二）“特征工程可视化”——把卷积核贴在教室天花板  

书中亮点：用 3×3 卷积核 GIF 动图演示“边缘→纹理→部件→整体”层级特征。  

课堂移植：  

1. 把第一层 32 个卷积核打印成 A4，拼成“特征墙”；  

2. 学生用手机拍摄任意物体，实时投影卷积输出，亲眼看到“AI 眼中的世界”；  

3. 追问：为什么识别“剪刀”时，第 17 号核响应最高？引出“可解释性”概念。  

结果：过去讲“黑箱”学生总是茫然，如今他们主动提出“给模型配说明书”，恰好对接新课标“信息社会责任”。

 （三）“训练即对话”——用 30 轮 Epoch 体验“调参师”职业  

书中给出“学习率—批量—迭代”三维对照表，并附云 GPU 免费额度。  

课堂设计：  

1. 分组发放三组超参，0.01/32/30、0.001/64/50、0.1/128/10；  

2. 实时观察 TensorBoard 曲线，记录“收敛—震荡—过拟合”三种形态；  

3. 让“最佳组”分享经验，教师补充“学习率 warmup”技巧。  

学生结论：AI 不是“一键封神”，而是“对话—试错—再对话”。不少孩子写下“调参师”生涯规划，这比任何招生宣讲都生动。

 （四）“轻量化部署”——把模型塞进 5 美元的树莓派 Zero  

书中项目“PiCamera + MobileNet”可 5 帧/秒识花。我稍作修改，用 USB 摄像头 + 手势模型，做成“无网络离线计分器”。  

课堂流程：  

1. 学生先在云 GPU 训练 95% 准确率模型；  

2. 用 TensorFlow Lite 量化，体积从 92MB 压至 8MB；  

3. 插卡开机，树莓派实时识别“石头剪刀布”，赢一局亮绿灯。  

当 40 克小主板打败高性能 PC，全场欢呼。我顺势追问：“量化会不会损失精度？”学生主动做对照实验，发现准确率仅降 1.3%，却换来 11 倍体积缩小，由此理解“边缘计算”的价值。

 （五）“伦理与责任”——用一张对抗贴纸讨论“技术边界”  

书中彩蛋：在停车标志上贴对抗噪声，无人车误判为“限速 45”。  

课堂辩论：  

甲方：科研自由；乙方：公共安全。  

教师提供欧盟《AI 法案》条文，学生现场检索“国内首例自动驾驶事故判例”，最终形成“技术—法律—伦理”三角海报。读书心得里，我写下：AI 课堂的终点不是高准确率，而是高责任感。

 四、工具箱：把“动手AI”浓缩成 4 个 5 分钟微技能  

1. 数据魔镜：用 Google Teachable Machine 5 分钟生成图像分类小 demo，解决“第一堂课不会配环境”痛点；  

2. 一键转换：book 配套脚本 `export_tflite.py`，学生只需改两条路径，模型即可“云→端”迁移；  

3. Loss 放大镜：TensorBoard 插件 what-if，拖一条阈值线就能看到混淆矩阵，方便课堂即时诊断；  

4. AI 说明书：强制每组提交 200 字“模型卡片”（用途、数据、局限、作者），让“可解释”成为习惯。

 五、反思：仍踩的两个坑  

1. “ GPU 算力”错觉  

免费额度 30 小时看似充裕，但 40 位学生同时训练，配额瞬间清零。解决方案：  

- 把训练任务拆成“课前教师预训练 + 课堂微调”；  

- 引入 Kaggle Kernel 或百度 AI Studio 教育版，再配公共数据集，成本降到 0。  

2. “女生参与度”失衡  

前几轮发现，调参与焊接环节女生观摩多、动手少。后续加入“UI 设计 + 公益场景”任务：  

- 让女生负责“用户研究—交互原型—伦理评估”；  

- 男生负责“模型训练—硬件部署”；  

- 最终项目“AI 识别食堂剩菜”获得省赛一等奖，男女比例 1:1，协作满意度提升 40%。

 六、结语：让 AI 课堂成为“未来生活预演场”  

读完《动手AI》，我愈发确信：高中人工智能教育的关键，不是打造“小小算法工程师”，而是让学生提前体验一次“完整职业循环”——需求→数据→模型→部署→迭代→伦理。当他们在 45 分钟里经历“训练—失败—调参—成功”，再亲手把模型塞进树莓派，那种“技术改变生活”的爽感，比任何口号都更能滋养“数字素养与责任”。  

书末致谢里，俞勇教授写道：“愿每个少年都能亲手训练出属于自己的第一颗‘数字大脑’。”掩卷沉思，我愿再加一句：愿每位信息技术教师，也能在课堂里训练出属于自己的“第一颗教育 AI 模型”——它不必惊艳，但必须真实、可解释、有温度。