人工智能教学装置、方法、设备及存储介质

技术领域

本申请涉及人工智能教育领域，具体涉及一种人工智能教学装置、方法、设备及存储介质。

背景技术

随着人工智能（Artificial Intelligence，AI）技术与传统领域的融合发展，人工智能技术已经成为全球最受瞩目的技术之一，影响着世界的发展。由于人工智能技术涵盖的专业知识广、应用领域多，其概念抽象，处理过程显得复杂难懂，因此通常认为，对人工智能技术的学习主要集中在企业和开设有对口专业的高校、研究所内，学习的目的是为了掌握人工智能的应用方法，例如，如何构建和优化神经网络的架构，如何低成本地获取训练样本，如何优化神经网络的训练方法，等等，最后生成需要的预测模型，用于产业应用中。以上的学习过程属于一种传统的学习。

实际中，人工智能技术已经不断渗透到人们的日常生活中，它以各种新业态、新模式的方式出现，方便了人们的工作、生活、出行等各方面。在此背景下，如何将人工智能的概念和原理等知识进行推广普及，让人们能直观地理解所处环境的发展变化，是教育者需要思考解决的问题。

但是，目前能够见到的人工智能教育教学平台大多只关注应用的输入与输出，并不关注人工智能原理的知识普及，无法让学习者学习到应用背后的知识。举例来说，对于处在知识启蒙阶段的低年龄学生而言，仅仅看过输入和输出还无法对人工智能概念形成有逻辑的理解，实际上难以达到教育启蒙的目的。

发明内容

本申请提供了一种人工智能教学装置、方法、设备及存储介质。

根据本申请的第一方面，提供了一种人工智能教学装置，包括：人工智能学习模块、模型控制模块、资源调度模块和显示处理模块；其中，

所述人工智能学习模块包括以下至少一种子模块：数字识别学习子模块、语音识别学习子模块、人脸识别学习子模块、二维2D人体姿态估计学习子模块、三维3D人体姿态估计学习子模块；所述人工智能学习模块中的各子模块用于提供基于人机互动的神经网络模型的处理功能，所述基于人机互动的神经网络模型的处理功能包括根据用户输入的文件提供神经网络模型的处理过程和处理结果；

所述模型控制模块用于通过对应的神经网络模型对所述用户输入的文件进行模型推理以得到预测结果，并将预测结果提供给所述人工智能学习模块；

所述资源调度模块用于为所述人工智能学习模块和所述模型控制模块调度计算资源；

所述显示处理模块用于将所述人工智能学习模块提供的处理过程和处理结果显示在显示屏上。

根据本申请实施例的人工智能教学装置，可选地，其中，所述人工智能学习模块中的各个子模块对应的处理过程包括：在显示屏上显示的用户输入的文件和在显示屏上显示的神经网络模型的相关内容；所述人工智能学习模块中的各个子模块对应的处理结果包括：在显示屏上显示的神经网络模型的预测结果。

根据本申请实施例的人工智能教学装置，可选地，其中，所述人工智能学习模块中的各个子模块对应的处理过程还包括：在显示屏上显示的对子模块对应的处理功能的文字描述和/或图像展示。

根据本申请实施例的人工智能教学装置，可选地，其中，所述数字识别学习子模块对应的所述用户输入的文件包括以下至少一项：预存在本地的包含数字的图像、通过摄像设备拍摄的包含数字的图像、通过手绘设备输入的包含数字的图像；所述数字识别学习子模块对应的所述神经网络模型的相关内容包括：与所述数字识别学习子模块对应的第一神经网络模型的名称和/或用途；所述数字识别学习子模块对应的所述神经网络模型的预测结果包括：所述第一神经网络模型对所述用户输入的文件进行数字识别处理后输出的数字。

根据本申请实施例的人工智能教学装置，可选地，其中，所述语音识别学习子模块对应的所述用户输入的文件包括预存在本地的音频文件和/或通过收音设备采集的音频文件；所述语音识别学习子模块对应的所述神经网络模型的相关内容包括：与所述语音识别学习子模块对应的第二神经网络模型的名称和/或用途；所述语音识别学习子模块对应的所述神经网络模型的预测结果包括：所述第二神经网络模型对所述用户输入的文件进行语音识别处理后输出的文字。

根据本申请实施例的人工智能教学装置，可选地，其中，所述2D人体姿态估计学习子模块对应的所述用户输入的文件包括以下至少一项：预存在本地的包含人物的图像、通过摄像设备拍摄的包含人物的图像；所述2D人体姿态估计学习子模块对应的所述神经网络模型的相关内容包括：与所述2D人体姿态估计学习子模块对应的第三神经网络模型的名称和/或用途；所述2D人体姿态估计学习子模块对应的所述神经网络模型的预测结果包括：所述第三神经网络模型对所述用户输入的文件进行2D人体姿态估计处理后输出的多个人体姿态关键点的二维位置信息。

根据本申请实施例的人工智能教学装置，可选地，其中，所述3D人体姿态估计学习子模块对应的所述用户输入的文件包括以下至少一项：预存在本地的包含人物的图像、通过摄像设备拍摄的包含人物的图像；所述3D人体姿态估计学习子模块对应的所述神经网络模型的相关内容包括：与所述3D人体姿态估计学习子模块对应的第四神经网络模型的名称和/或用途；所述3D人体姿态估计学习子模块对应的所述神经网络模型的预测结果包括：所述第四神经网络模型对所述用户输入的文件进行3D人体姿态估计处理后输出的多个人体关节点的空间位置信息。

根据本申请实施例的人工智能教学装置，可选地，其中，所述人脸识别学习子模块包括：人脸检测学习单元、人脸标识入库学习单元和人脸检索学习单元；所述人脸检测学习单元对应的所述用户输入的文件包括以下至少一项：预存在本地的包含人脸的图片、预存在本地的包含人脸的视频、通过摄像设备拍摄的包含人脸的图片、通过摄像设备拍摄的包含人脸的视频；所述人脸检测学习单元对应的所述神经网络模型的相关内容包括：与所述人脸检测学习单元对应的第五神经网络模型的名称和/或用途；所述人脸检测学习单元对应的所述神经网络模型的预测结果包括：所述第五神经网络模型对所述用户输入的文件进行人脸特征匹配处理后输出的图像，所述输出的图像中以包围框和置信度标识出人脸图像；所述人脸标识入库学习单元用于接收用户对所述人脸图像输入的人名标签，并保存人脸图像和对应的人名标签；所述人脸检索学习单元用于根据用户指令确定目标人脸，并在所述人脸标识入库学习单元保存的多个人脸图像中检索出与所述目标人脸相似的人脸，并按相似度倒序排列显示。

根据本申请实施例的人工智能教学装置，可选地，还包括算法管理模块，用于通过推理引擎对所述模型控制模块的模型推理过程进行加速。

根据本申请实施例的人工智能教学装置，可选地，还包括容器管理模块，用于存储所述装置采用的人工智能开发框架和神经网络模型。

根据本申请的第二方面，提供了一种人工智能教学方法，所述人工智能教学方法基于如上所述的人工智能教学装置，所述人工智能教学方法包括：

通过人工智能学习模块接收用户的选择指令，在用户选择至少一个子模块之后，接收用户输入的待处理文件；

通过与选中的子模块对应的神经网络模型对所述待处理文件进行模型推理以得到预测结果，并将预测结果提供给所述人工智能学习模块；

将所述选中的子模块对应的处理过程和处理结果显示在显示屏上。

根据本申请的第三方面，提供了一种电子设备，包括：

至少一个处理器；以及

与所述至少一个处理器通信连接的存储器；其中，

所述存储器存储有所述人工智能教学装置以及可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行如上所述的方法。

根据本申请的第四方面，提供了一种存储有计算机指令的非瞬时计算机可读存储介质，计算机指令用于使计算机执行如上所述的方法。

使用本申请实施例的人工智能教学装置能够对人工智能技术在数字识别、语音识别、人脸识别、2D人体姿态估计或3D人体姿态估计等常见生活场景中的输入、处理过程和输出形成富有逻辑的理解，提升学生的学习兴趣，以较为简洁的操作模式达到AI知识教育启蒙的作用。

应当理解，本部分所描述的内容并非旨在标识本申请的实施例的关键或重要特征，也不用于限制本申请的范围。本申请的其它特征将通过以下的说明书而变得容易理解。

附图说明

附图用于更好地理解本方案，不构成对本申请的限定。其中：

图1是本申请实施例的人工智能教学装置的结构框图；

图2是本申请实施例的人工智能学习模块的结构框图；

图3是本申请实施例的人工智能教学方法的操作流程框图；

图4是本申请实施例的人工智能教育平台的逻辑架构图；

图5是本申请实施例的工智能教学平台的操作流程示意图；

图6-10是本申请实施例的数字识别学习子模块的处理过程和处理结果的效果示意图；

图11-15是本申请实施例的2D人体姿态估计学习子模块的处理过程和处理结果的效果示意图；

图16-23是本申请实施例的语音识别学习子模块的处理过程和处理结果的效果示意图；

图24是用来实现本申请实施例的人工智能教学方法的电子设备的框图。

具体实施方式

以下结合附图对本申请的示范性实施例做出说明，其中包括本申请实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对描述的实施例做出各种改变和修改，而不会背离本申请的范围和精神。为了清楚和简明，以下的描述中可能省略了公知的功能、结构等描述。

图1示出了本申请实施例提供的一种人工智能教学装置的结构框图，该人工智能教学装置包括：人工智能学习模块110、模型控制模块120、资源调度模块130和显示处理模块140；其中，所述人工智能学习模块110包括一个或多个学习子模块。

参考图2，所述人工智能学习模块110可以包括以下多种学习子模块中的至少一种学习子模块：

数字识别学习子模块111、语音识别学习子模块112、人脸识别学习子模块113、二维2D人体姿态估计学习子模块114、三维3D人体姿态估计学习子模块115；

并且，所述人工智能学习模块110中的各子模块用于提供基于人机互动的神经网络模型的处理功能，所述基于人机互动的神经网络模型的处理功能包括根据用户输入的文件提供神经网络模型的处理过程和处理结果；

所述模型控制模块120用于通过对应的神经网络模型对所述用户输入的文件进行模型推理以得到预测结果，并将预测结果提供给所述人工智能学习模块；

所述资源调度模块130用于为所述人工智能学习模块110和所述模型控制模块120调度计算资源；

所述显示处理模块140用于将所述人工智能学习模块110提供的处理过程和处理结果显示在显示屏上。

本申请实施例提供的人工智能教学装置可搭载在计算机上（例如服务端或客户端）作为教学原理平台使用，其中的人工智能学习模块能够提供多种类型的人工智能模型的处理功能，可将用户（例如学生）在预存文件库中选择的文件（例如图像、视频或其他多媒体文件等）或现场拍摄的图像或视频作为处理对象，不但能够按照要求对不同应用场景中的目标物进行处理，例如对图像中的数字、人脸、2D人体姿态或3D人体姿态等进行识别处理，输出处理结果，还能够将处理过程中涉及的神经网络模型的相关知识内容（例如不同场景下采样的神经网络模型的名称用途，处理过程中涉及到的概念解释、图示说明等）呈现在显示屏上，相当于可将不同类别的场景化实验带到课堂中，如此，学生不仅能够在学习现场直观地观察感受到人工智能技术的多样化的处理能力，同时还能够通过处理过程中呈现的文字解释、图例展示等内容，细粒度地了解“人工智能技术”概念背后的具体知识点，基于此，利用本申请实施例提供的人工智能教学装置还能够将不同应用场景背后的知识点进行拆解、提取和归纳，达到梳理知识点、认知结构化、流程化的目的，让学生更直观地学习人工智能原理知识，加深对人工智能原理知识的探究。

特别地，使用本申请实施例的人工智能教学装置能够打破以往的原理黑盒，对于处于AI知识启蒙阶段的学生来说，能够对人工智能技术在数字识别、语音识别、人脸识别、2D人体姿态估计或3D人体姿态估计等常见生活场景中的输入、处理过程和输出形成富有逻辑的理解，提升学生的学习兴趣，以较为简洁的操作模式达到AI知识启蒙的作用。

相对应地，本申请实施例还提供一种人工智能教学方法，该方法基于如前所述的人工智能教学装置，参考图3，示出了该人工智能教学方法的流程框图，包括以下步骤：

S101，通过人工智能学习模块接收用户的选择指令，在用户选择至少一个子模块之后，接收用户输入的待处理文件；

S102，通过与选中的子模块对应的神经网络模型对所述待处理文件进行模型推理以得到预测结果，并将预测结果提供给所述人工智能学习模块；

S103，将所述选中的子模块对应的处理过程和处理结果显示在显示屏上。

利用本申请实施例的人工智能教学方法，用户例如学生可以在适用于多种应用场景的子模块中选择感兴趣的子模块，并自主选择想要处理的图片或视频等多媒体文件，如果安装有摄像设备，还可以现场拍摄图像作为处理对象，增强学习者的直观体验，由于系统会把处理过程中涉及的人工智能知识显示在屏幕上，因此不仅能够在学习现场直观地观察感受到人工智能技术的多样化的处理能力，同时还能够细粒度地了解人工智能技术在不同应用场景中涉及的知识点，更直观、条理、细致地学习人工智能知识。

在本申请的一些实施例中，可选地，所述人工智能学习模块中的各个子模块对应的处理过程包括：在显示屏上显示的用户输入的文件和在显示屏上显示的神经网络模型的相关内容；所述人工智能学习模块中的各个子模块对应的处理结果包括：在显示屏上显示的神经网络模型的预测结果。

例如，可以将用户例如学生确定的待处理文件例如图像显示在屏幕上，还可以将处理该图像用到的神经网络模型的相关内容（例如神经网络的名称、用途、模型结构、训练方式、标注数据等）显示在屏幕上，并且将处理结果例如识别出的数字或文字显示在屏幕上。这样处理的好处是，这种可视化展示可以使学生直观地看到处理对象、处理过程和处理结果，有利于让学生将知识与应用紧密结合。

在本申请的一些实施例中，可选地，所述人工智能学习模块中的各个子模块对应的处理过程还包括：在显示屏上显示的对子模块对应的处理功能的文字描述和/或图像展示。例如，对于语音识别学习子模块，可以用图片形象地展示“语音音波图”，还可以用文字解释处理过程，例如：

“语音分析会把每一帧波形转化成多维向量（屏幕上显示音波图）”

“声学模型对每个音频帧进行分析得到对应的状态码（屏幕上显示音波图的状态码）”

“对状态码进行分析得到对应的音素或称拼音（屏幕上显示拼音）”

“对音素进行分析得到单词（屏幕上显示单词）”

“对单词进行组词，组成句子（屏幕上显示句子）”。

这样处理的好处是，可以在很大程度上提高人工智能教学的可视化程度，学生能够直观地感知人工智能技术的处理内容和实现过程，极大地提高学习探索的兴趣度。

在本申请的一些实施例中，可选地，所述数字识别学习子模块对应的所述用户输入的文件包括以下至少一项：预存在本地的包含数字的图像、通过摄像设备拍摄的包含数字的图像、通过手绘设备输入的包含数字的图像；所述数字识别学习子模块对应的所述神经网络模型的相关内容包括：与所述数字识别学习子模块对应的第一神经网络模型的名称和/或用途；所述数字识别学习子模块对应的所述神经网络模型的预测结果包括：所述第一神经网络模型对所述用户输入的文件进行数字识别处理后输出的数字。

在本申请的一些实施例中，可选地，所述语音识别学习子模块对应的所述用户输入的文件包括预存在本地的音频文件和/或通过收音设备采集的音频文件；所述语音识别学习子模块对应的所述神经网络模型的相关内容包括：与所述语音识别学习子模块对应的第二神经网络模型的名称和/或用途；所述语音识别学习子模块对应的所述神经网络模型的预测结果包括：所述第二神经网络模型对所述用户输入的文件进行语音识别处理后输出的文字。

在本申请的一些实施例中，可选地，所述2D人体姿态估计学习子模块对应的所述用户输入的文件包括以下至少一项：预存在本地的包含人物的图像、通过摄像设备拍摄的包含人物的图像；所述2D人体姿态估计学习子模块对应的所述神经网络模型的相关内容包括：与所述2D人体姿态估计学习子模块对应的第三神经网络模型的名称和/或用途；所述2D人体姿态估计学习子模块对应的所述神经网络模型的预测结果包括：所述第三神经网络模型对所述用户输入的文件进行2D人体姿态估计处理后输出的多个人体姿态关键点的二维位置信息。

在本申请的一些实施例中，可选地，所述3D人体姿态估计学习子模块对应的所述用户输入的文件包括以下至少一项：预存在本地的包含人物的图像、通过摄像设备拍摄的包含人物的图像；所述3D人体姿态估计学习子模块对应的所述神经网络模型的相关内容包括：与所述3D人体姿态估计学习子模块对应的第四神经网络模型的名称和/或用途；所述3D人体姿态估计学习子模块对应的所述神经网络模型的预测结果包括：所述第四神经网络模型对所述用户输入的文件进行3D人体姿态估计处理后输出的多个人体关节点的空间位置信息。

在本申请的一些实施例中，可选地，所述人脸识别学习子模块包括：人脸检测学习单元、人脸标识入库学习单元和人脸检索学习单元；所述人脸检测学习单元对应的所述用户输入的文件包括以下至少一项：预存在本地的包含人脸的图片、预存在本地的包含人脸的视频、通过摄像设备拍摄的包含人脸的图片、通过摄像设备拍摄的包含人脸的视频；所述人脸检测学习单元对应的所述神经网络模型的相关内容包括：与所述人脸检测学习单元对应的第五神经网络模型的名称和/或用途；所述人脸检测学习单元对应的所述神经网络模型的预测结果包括：所述第五神经网络模型对所述用户输入的文件进行人脸特征匹配处理后输出的图像，所述输出的图像中以包围框和置信度标识出人脸图像；所述人脸标识入库学习单元用于接收用户对所述人脸图像输入的人名标签，并保存人脸图像和对应的人名标签；所述人脸检索学习单元用于根据用户指令确定目标人脸，并在所述人脸标识入库学习单元保存的多个人脸图像中检索出与所述目标人脸相似的人脸，并按相似度倒序排列显示。

上述各实施例中提到的第一神经网络模型至第五神经网络模型可选用合适的、经过训练的神经网络模型。

以上通过多个实施例提供了多个子模块的输入、采用的神经网络模型以及输出，可作为不同应用的场景化实验，增强互动性，提高学生动手实践能力，将不同类别的场景化实验带到课堂中，使学生意识到人工智能在不同行业、生活中的具体应用，给学生带来人工智能原理的直观体验，加深学生对人工智能原理知识的探究。

在本申请的一些实施例中，可选地，所述的人工智能教学装置还包括：算法管理模块，用于通过推理引擎对所述模型控制模块的模型推理过程进行加速，缩短系统响应时间。

在本申请的一些实施例中，可选地，所述的人工智能教学装置还包括：容器管理模块，用于存储所述装置采用的人工智能开发框架和神经网络模型。

本申请实施例的人工智能教学装置可满足快速安装部署的要求，能够快速便捷地将人工智能教育教学平台搭建起来，大大降低学校等教育机构接入人工智能教育教学平台的技术门槛。

以下通过具体的例子，详细描述本申请实施例的多种实现方式和操作过程。

图4示意性地示出了本申请实施例的一种人工智能教育平台的逻辑架构图，该平台包括：人工智能学习模块、模型控制模块、资源调度模块、显示处理模块、算法管理模块和容器管理模块，其中显示处理模块未示出。

具体来看，人工智能学习模块包括以下5个子模块：数字识别学习子模块、语音识别学习子模块、人脸识别学习子模块、2D人体姿态估计学习子模块和3D人体姿态估计学习子模块。

模型控制模块包括以下子模块：数字识别控制子模块、语音识别控制子模块、人脸识别控制子模块、2D人体姿态估计控制子模块、3D人体姿态估计控制子模块、综合算法处理子模块、图像分割处理子模块、语音识别处理子模块、语义识别处理子模块、人脸识别处理子模块、图像合成处理子模块和特征识别处理子模块。

算法管理模块可包括算法容器层和推理引擎OpenVINO；

容器管理模块可包括多种神经网络模型以及人工智能开源框架，多种神经网络模型例如循环神经网络RNN、卷积神经网络CNN、长短期记忆人工神经网络LSTM、生成式对抗网络GAN等；开源框架例如Tensorflow、Pytorch等。

资源调度模块可包括：设备虚拟层、分布式数据系统DaaS、X86服务器、网络、传统存储器、网络附属存储NAS和小型机。

该人工智能教育平台架构采用顶层设计的理念，可灵活匹配不同规模的人工智能教育教学使用场景，形成算力支撑、算法、模型、应用一体化的解决方案。平台中间层配备模型控制模块、算法管理模块和容器管理模块。模型控制模块包含业务层需要的各类模型，且随着业务的发展可以逐渐扩展；算法管理模块采用OpenVINO推理引擎加速模型推理，并将常见算法容器化；容器管理模块置入常见开源框架，如Tensorflow、Pytorch等。底层资源调度模块可以更加有效地使用系统资源。

作为一种示例，图5示意性地示出了图4实施例的人工智能教育平台的使用流程图，使用者可通过账号密码登录，然后在人工智能学习模块提供的5个学习子模块中选择感兴趣的子模块，开始以该子模块提供的可视化内容进行学习和体验。使用之后可退出登录。

以下以学生选择了“数字识别学习子模块”为例进行描述。图6-10示意性地示出了数字识别学习子模块提供的处理过程和处理结果的效果示意图，其中，屏幕显示的内容包括上方的“图示部分”和下方的“文字说明部分”。

进一步，图示部分包括左边的“原始资源”和右边的“推理结果”，其中原始资源的方框可显示输入的文件内容，例如图7和8所示为选择预存在本地的图像（包含数字“1”）上传至平台系统，又例如图9所示为学生通过写字板现场书写并上传录入的图像（包含数字“3”）。

进一步，数字识别学习子模块对应的文字说明部分可包括以下内容：

如图8和图10，在右边方框中显示出了数字识别学习子模块的推理结果，分别为1和3。

作为又一种示例，以下以学生选择了“2D人体姿态估计学习子模块”为例进行描述。图11-15示意性地示出了2D人体姿态估计学习子模块提供的处理过程和处理结果的效果示意图。其中，图11、12和13为选取预存视频文件进行处理的情况（图12中显示1人，图13中显示多人），图14和15为利用摄像头现场拍摄采集图像处理的情况。

2D人体姿态估计学习子模块的文字说明可包括两部分内容，第一部分是对“2D人体姿态估计”的相关概念和处理功能、目的等的解释说明，第二部分是使用的神经网络模型的相关内容，举例如下：

可以看到，图13、14和15中，右边的预测结果以“点”和“线”的形式标记出了多个人体关键点，左边的原始资源与右边的预测结果同时展示，通过这种直观的对比可以使学生更容易理解模型所作的处理；并且显示屏下方同时给出模型处理过程的相关内容，便于学生了解模块背后的知识。

作为再一种示例，以下以学生选择了“语音识别学习子模块”为例进行描述。图16-23示意性地示出了语音识别学习子模块提供的处理过程和处理结果的效果示意图。其中，图16和17为选取本地预存音频文件的显示画面，在其他实施例中还可选择录制一段语音进行现场识别；图18-23所示为将音频识别为文字的多个处理步骤的过程展示，采用了丰富、直观、形象的语音频谱图和文字注释，以下列举部分内容：

此外，同时显示的还有语音识别学习子模块的文字说明部分，可包括以下内容：

可以看到，图18-23中通过不同阶段的音波图和文字解释，连贯地将声学模型处理语音识别任务时的过程进行了形象地说明展示，通过这种直观的对比展示可以使学生更容易理解模型所作的处理，并且印象更深刻。

作为再一种示例，以下以学生选择了“人脸识别学习子模块”为例进行描述。具体地，选择“人脸识别学习子模块”后可出现三个学习单元，分别为：人脸检测学习单元、人脸标识入库学习单元和人脸检索学习单元，每个学习单元对应的页面上可分别显示该学习单元的功能、处理过程和处理结果，以下列举出可显示的文字内容：

A. 人脸识别学习子模块

a)人脸检测学习单元

b)人脸标识入库学习单元

c)人脸检索学习单元

可以看到，人脸识别学习子模块中的三个学习单元（人脸检测学习单元、人脸标识入库学习单元和人脸检索学习单元）在处理功能和处理逻辑上是相互关联的，先由“人脸检测学习单元”检测到图像中的人脸，再通过“人脸标识入库学习单元”录入各个人脸的姓名标签，最后，当输入的待检测图像中包含入库的人脸时，“人脸检索学习单元”可输出相似度高的人脸，还可输出对应的姓名，实现人脸识别的功能。人脸识别学习子模块通过三个学习单元分步骤地、循序渐进地将人脸识别功能的实现原理和过程呈现出来，学生在人机互动过程中能够学习体会人工智能技术相关知识。

在本申请的其他实施例中，还可以设置其他类别或功能的学习子模块，拓宽学习者对人工智能技术应用领域的认知，例如：文字识别学习子模块、口罩识别学习子模块、垃圾瓶自动分选学习子模块、病虫害识别学习子模块，等等。这些仅为示例性的学习子模块举例，实际应用中可增加的模块种类并不限于此。

作为不同的示例，以下示例性地给出一些学习子模块对应的“文字说明”的内容，学生操作时显示在屏幕下方，供学生学习和了解神经网络模型对输入文件的处理过程。

B.文字识别学习子模块

C.口罩识别学习子模块

D. 垃圾瓶自动分选学习子模块

E.病虫害识别学习子模块

F.3D人体姿态估计学习子模块

在本申请的其他实施例中，还可以根据情况对上述视频、图像、文字等内容进行有针对性的设置，满足实际应用需求。对于不同年龄段的学生，通过对不同模块的操作和展示，有助于取得不同程度的人工智能原理知识的启蒙作用。

根据本申请的实施例，本申请还提供了一种电子设备和一种可读存储介质。如图24所示，是根据本申请实施例的人工智能教学方法的电子设备的框图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本申请的实现。

如图24所示，该电子设备包括：一个或多个处理器1001、存储器1002，以及用于连接各部件的接口，包括高速接口和低速接口。各个部件利用不同的总线互相连接，并且可以被安装在公共主板上或者根据需要以其它方式安装。处理器可以对在电子设备内执行的指令进行处理，包括存储在存储器中或者存储器上以在外部输入/输出装置（诸如，耦合至接口的显示设备）上显示图形用户界面（Graphical User Interface，GUI）的图形信息的指令。在其它实施方式中，若需要，可以将多个处理器和/或多条总线与多个存储器和多个存储器一起使用。同样，可以连接多个电子设备，各个设备提供部分必要的操作（例如，作为服务器阵列、一组刀片式服务器、或者多处理器系统）。

存储器1002即为本申请所提供的非瞬时计算机可读存储介质。其中，存储器存储有可由至少一个处理器执行的指令，以使至少一个处理器执行本申请所提供的人工智能教学方法。本申请的非瞬时计算机可读存储介质存储计算机指令，该计算机指令用于使计算机执行本申请所提供的人工智能教学方法。

存储器1002作为一种非瞬时计算机可读存储介质，可用于存储非瞬时软件程序、非瞬时计算机可执行程序以及模块，如本申请实施例中的人工智能教学方法对应的程序指令/模块（例如图1或2所示的各模块或子模块）。处理器1001通过运行存储在存储器1002中的非瞬时软件程序、指令以及模块，从而执行服务器的各种功能应用以及数据处理，即实现上述方法实施例中的人工智能教学方法。

存储器1002可以包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需要的应用程序；存储数据区可存储根据搜索结果的分析处理电子设备的使用所创建的数据等。此外，存储器1002可以包括高速随机存取存储器，还可以包括非瞬时存储器，例如至少一个磁盘存储器件、闪存器件、或其他非瞬时固态存储器件。在一些实施例中，存储器1002可选包括相对于处理器1001远程设置的存储器，这些远程存储器可以通过网络连接至搜索结果的分析处理电子设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。

本申请实施例的人工智能教学方法对应的电子设备还可以包括：输入装置1003和输出装置1004。处理器1001、存储器1002、输入装置1003和输出装置1004可以通过总线或者其他方式连接，本申请图24实施例中以通过总线连接为例。输入装置1003可接收输入的数字或字符信息，以及产生与搜索结果的分析处理电子设备的用户设置以及功能控制有关的键信号输入，例如触摸屏、小键盘、鼠标、轨迹板、触摸板、指示杆、一个或者多个鼠标按钮、轨迹球、操纵杆等输入装置。输出装置1004可以包括显示设备、辅助照明装置（例如，LED）和触觉反馈装置（例如，振动电机）等。该显示设备可以包括但不限于，液晶显示器（LiquidCrystal Display，LCD）、发光二极管（Light Emitting Diode，LED）显示器和等离子体显示器。在一些实施方式中，显示设备可以是触摸屏。

此处描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、专用集成电路（Application Specific Integrated Circuits，ASIC）、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。

这些计算程序（也称作程序、软件、软件应用、或者代码）包括可编程处理器的机器指令，并且可以利用高级过程和/或面向对象的编程语言、和/或汇编/机器语言来实施这些计算程序。如本文使用的，术语“机器可读介质”和“计算机可读介质”指的是用于将机器指令和/或数据提供给可编程处理器的任何计算机程序产品、设备、和/或装置（例如，磁盘、光盘、存储器、可编程逻辑装置（programmable logic device，PLD）），包括，接收作为机器可读信号的机器指令的机器可读介质。术语“机器可读信号”指的是用于将机器指令和/或数据提供给可编程处理器的任何信号。

为了提供与用户的交互，可以在计算机上实施此处描述的系统和技术，该计算机具有：用于向用户显示信息的显示装置（例如，CRT（Cathode Ray Tube，阴极射线管）或者LCD（液晶显示器）监视器）；以及键盘和指向装置（例如，鼠标或者轨迹球），用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈（例如，视觉反馈、听觉反馈、或者触觉反馈）；并且可以用任何形式（包括声输入、语音输入或者、触觉输入）来接收来自用户的输入。

可以将此处描述的系统和技术实施在包括后台部件的计算系统（例如，作为数据服务器）、或者包括中间件部件的计算系统（例如，应用服务器）、或者包括前端部件的计算系统（例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互）、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信（例如，通信网络）来将系统的部件相互连接。通信网络的示例包括：局域网（Local Area Network，LAN）、广域网（Wide Area Network，WAN）和互联网。

计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。

应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本申请中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本申请公开的技术方案所期望的结果，本文在此不进行限制。

上述具体实施方式，并不构成对本申请保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本申请的精神和原则之内所作的修改、等同替换和改进等，均应包含在本申请保护范围之内。