應(yīng)用實(shí)踐導(dǎo)向的機(jī)器學(xué)習(xí)導(dǎo)論課程教學(xué)探討

摘 要：機(jī)器學(xué)習(xí)技術(shù)有很強(qiáng)的理論性和實(shí)用性。為提高學(xué)生對(duì)機(jī)器學(xué)習(xí)課程的興趣和主動(dòng)性，以計(jì)算機(jī)科學(xué)與技術(shù)專(zhuān)業(yè)機(jī)器學(xué)習(xí)導(dǎo)論教學(xué)為例，探究應(yīng)用實(shí)踐導(dǎo)向的機(jī)器學(xué)習(xí)導(dǎo)論課程教學(xué)改革，對(duì)每個(gè)機(jī)器學(xué)習(xí)算法設(shè)置對(duì)應(yīng)的應(yīng)用實(shí)踐項(xiàng)目，構(gòu)建1學(xué)時(shí)機(jī)器學(xué)習(xí)理論知識(shí)對(duì)應(yīng)1學(xué)時(shí)項(xiàng)目實(shí)踐的教學(xué)方式，將機(jī)器學(xué)習(xí)算法融入到實(shí)踐項(xiàng)目中。教學(xué)實(shí)踐證明，應(yīng)用實(shí)踐導(dǎo)向的機(jī)器學(xué)習(xí)導(dǎo)論教學(xué)模式能夠明顯提高理論和實(shí)踐結(jié)合教學(xué)方法的效率，提高學(xué)生的積極性和主動(dòng)性，培養(yǎng)學(xué)生解決實(shí)際問(wèn)題的能力。

關(guān)鍵詞：應(yīng)用實(shí)踐導(dǎo)向；機(jī)器學(xué)習(xí)導(dǎo)論；計(jì)算機(jī)科學(xué)與技術(shù)專(zhuān)業(yè)；實(shí)踐項(xiàng)目；課程教學(xué)改革

中圖分類(lèi)號(hào)：G642 文獻(xiàn)標(biāo)志碼：A 文章編號(hào)：2096-000X（2024）21-0130-04

Abstract： Machine learning technology has strong theoretical and practical significance. In order to enhance students' interest and initiative in machine learning courses， this study takes the teaching of Introduction to Machine Learning in the Computer Science and Technology major as an example， and explores the reform of the practical application oriented machine learning introduction course teaching. This study installs the corresponding application practice projects for each machine learning algorithm， constructs a teaching method where 1 class hour of machine learning theoretical knowledge corresponds to 1 class hour of project practice， and integrates machine learning algorithms into practical projects. Teaching practice proves that the application oriented machine learning introduction teaching model can significantly improve the efficiency of combining theory and practice teaching methods， enhance students' enthusiasm and initiative， and cultivate their ability to solve practical problems.

Keywords： application oriented practice; Introduction to Machine Learning; computer science and technology major; practical projects; course teaching reform

近些年來(lái)，隨著卷積神經(jīng)網(wǎng)絡(luò)、圖神經(jīng)網(wǎng)絡(luò)、遞歸神經(jīng)網(wǎng)絡(luò)和Transformer等新型機(jī)器學(xué)習(xí)和深度學(xué)習(xí)方法的出現(xiàn)，人工智能領(lǐng)域得到了迅猛的發(fā)展。車(chē)牌識(shí)別軟件、智能音箱、人臉識(shí)別軟件、阿爾法狗、ChatGPT、人工智能機(jī)器人、Sora文生視頻大模型和多模態(tài)大模型等各種人工智能產(chǎn)品層出不窮。目前，人工智能在醫(yī)療、安防、教育、娛樂(lè)、金融、交通和智能制造等領(lǐng)域得到了廣泛的應(yīng)用，人工智能在很大程度上改變和促進(jìn)了社會(huì)的快速發(fā)展和進(jìn)步，可以說(shuō)新的人工智能時(shí)代已經(jīng)到來(lái)[1]。

隨著人工智能時(shí)代的到來(lái)，人工智能相關(guān)行業(yè)和企業(yè)的發(fā)展和對(duì)人才的需求也得到了很大程度的增加。但是這也對(duì)高校里的人工智能、計(jì)算機(jī)科學(xué)與技術(shù)、電子信息工程和自動(dòng)化等相關(guān)專(zhuān)業(yè)的本科學(xué)生培養(yǎng)有了新的要求和挑戰(zhàn)。人工智能相關(guān)行業(yè)和企業(yè)也期待高校本科畢業(yè)生們具備豐富的人工智能理論知識(shí)和相應(yīng)的編程實(shí)踐能力，能夠在企業(yè)實(shí)踐中高效解決各種人工智能應(yīng)用和問(wèn)題并創(chuàng)造出更符合需求的人工智能產(chǎn)品[2]。

機(jī)器學(xué)習(xí)導(dǎo)論是計(jì)算機(jī)科學(xué)與技術(shù)專(zhuān)業(yè)的一門(mén)非常重要的人工智能相關(guān)課程。該課程的教學(xué)目標(biāo)是培養(yǎng)學(xué)生理解和掌握機(jī)器學(xué)習(xí)的基本概念、發(fā)展歷史、思維方式、傳統(tǒng)主流算法和各種深度學(xué)習(xí)網(wǎng)絡(luò)模型，并能夠利用各種機(jī)器學(xué)習(xí)方法來(lái)解決工業(yè)界的實(shí)際問(wèn)題[3]。本文將針對(duì)現(xiàn)有的機(jī)器學(xué)習(xí)導(dǎo)論課程存在的問(wèn)題，深入探討如何以應(yīng)用實(shí)踐導(dǎo)向來(lái)提高計(jì)算機(jī)科學(xué)與技術(shù)專(zhuān)業(yè)本科學(xué)生對(duì)機(jī)器學(xué)習(xí)導(dǎo)論課程的興趣和主動(dòng)性，進(jìn)而提升理論和實(shí)踐結(jié)合教學(xué)方法的效率，培養(yǎng)學(xué)生利用各種機(jī)器學(xué)習(xí)方法分析問(wèn)題和解決實(shí)際問(wèn)題的能力。下面本文將首先分析現(xiàn)有的機(jī)器學(xué)習(xí)導(dǎo)論課程教學(xué)存在的問(wèn)題，然后針對(duì)存在的問(wèn)題提出以應(yīng)用實(shí)踐導(dǎo)向的教學(xué)模式，并以基于卷積神經(jīng)網(wǎng)絡(luò)的面部表情識(shí)別項(xiàng)目為例，詳細(xì)闡述以應(yīng)用實(shí)踐導(dǎo)向的教學(xué)模式在機(jī)器學(xué)習(xí)導(dǎo)論課程中的應(yīng)用和最后的教學(xué)實(shí)踐結(jié)果。

一 機(jī)器學(xué)習(xí)導(dǎo)論課程教學(xué)存在的問(wèn)題

機(jī)器學(xué)習(xí)導(dǎo)論是南京郵電大學(xué)（以下簡(jiǎn)稱(chēng)“我?！保┯?jì)算機(jī)學(xué)院計(jì)算機(jī)科學(xué)與技術(shù)專(zhuān)業(yè)大三學(xué)生的一門(mén)非常重要的人工智能相關(guān)基礎(chǔ)課程，主要學(xué)習(xí)機(jī)器學(xué)習(xí)的基本原理、各種傳統(tǒng)機(jī)器學(xué)習(xí)方法和新的深度學(xué)習(xí)方法，并能夠利用各種機(jī)器學(xué)習(xí)方法解決實(shí)際的機(jī)器學(xué)習(xí)問(wèn)題，為將來(lái)能夠進(jìn)一步從事人工智能、計(jì)算機(jī)視覺(jué)、圖像和語(yǔ)音處理、自然語(yǔ)言處理及模式識(shí)別等相關(guān)工作和研究打下堅(jiān)實(shí)基礎(chǔ)[3]。

機(jī)器學(xué)習(xí)導(dǎo)論課程是一門(mén)理論性和應(yīng)用性都非常強(qiáng)的多領(lǐng)域交叉學(xué)科課程。該課程內(nèi)容主要包括線(xiàn)性回歸、最小二乘法、KNN算法、支持向量機(jī)、聚類(lèi)、PCA降維、隨機(jī)森林、決策樹(shù)、AdaBoost、關(guān)聯(lián)規(guī)則、卷積神經(jīng)網(wǎng)絡(luò)、圖神經(jīng)網(wǎng)絡(luò)和遞歸神經(jīng)網(wǎng)絡(luò)等機(jī)器學(xué)習(xí)傳統(tǒng)算法和深度學(xué)習(xí)算法[4]。這些算法普遍都是以高等數(shù)學(xué)、優(yōu)化數(shù)學(xué)、概率論和隨機(jī)過(guò)程，以及線(xiàn)性代數(shù)和矩陣論等數(shù)學(xué)知識(shí)為核心基礎(chǔ)，但是大三的計(jì)算機(jī)科學(xué)與技術(shù)專(zhuān)業(yè)本科生沒(méi)有學(xué)過(guò)部分?jǐn)?shù)學(xué)理論知識(shí)比如優(yōu)化數(shù)學(xué)和凸分析。此外，除了機(jī)器學(xué)習(xí)和數(shù)學(xué)理論知識(shí)外，學(xué)生還需要有扎實(shí)的程序設(shè)計(jì)編程能力（比如Python、C++、Java）來(lái)完成對(duì)應(yīng)的機(jī)器學(xué)習(xí)算法上機(jī)實(shí)踐，但是我校的機(jī)器學(xué)習(xí)導(dǎo)論課程實(shí)踐學(xué)時(shí)設(shè)置得相對(duì)過(guò)少，總共只有6個(gè)學(xué)時(shí)。過(guò)多的數(shù)學(xué)理論基礎(chǔ)知識(shí)及過(guò)少的課程實(shí)踐學(xué)時(shí)導(dǎo)致學(xué)生們普遍覺(jué)得各種機(jī)器學(xué)習(xí)算法枯燥且晦澀難懂，理解和掌握機(jī)器學(xué)習(xí)方法難度較大，降低了學(xué)生的學(xué)習(xí)興趣、積極性、主動(dòng)性，部分學(xué)生產(chǎn)生了厭學(xué)和逃課的情緒，影響了最終的機(jī)器學(xué)習(xí)課程教學(xué)效果[5-6]。

二 應(yīng)用實(shí)踐導(dǎo)向的機(jī)器學(xué)習(xí)導(dǎo)論教學(xué)模式

根據(jù)上述分析，針對(duì)機(jī)器學(xué)習(xí)導(dǎo)論課程的機(jī)器學(xué)習(xí)算法理論知識(shí)難度過(guò)大、課程實(shí)踐學(xué)時(shí)過(guò)少及學(xué)生們理解和掌握機(jī)器學(xué)習(xí)方法難度較大的問(wèn)題，本文提出了應(yīng)用實(shí)踐導(dǎo)向的機(jī)器學(xué)習(xí)導(dǎo)論教學(xué)模式，壓縮和精簡(jiǎn)機(jī)器學(xué)習(xí)算法理論知識(shí)，增加相應(yīng)的課程實(shí)踐學(xué)時(shí)，并且針對(duì)每個(gè)機(jī)器學(xué)習(xí)算法設(shè)置對(duì)應(yīng)的應(yīng)用實(shí)踐項(xiàng)目，構(gòu)建1學(xué)時(shí)理論知識(shí)對(duì)應(yīng)1學(xué)時(shí)項(xiàng)目實(shí)踐的教學(xué)方式，將機(jī)器學(xué)習(xí)算法融入到實(shí)踐項(xiàng)目中，培養(yǎng)學(xué)生的理論結(jié)合實(shí)踐能力，更好理解和掌握機(jī)器學(xué)習(xí)方法，提高學(xué)生的積極性和主動(dòng)性，最終提升機(jī)器學(xué)習(xí)課程教學(xué)效果。下面我們以基于卷積神經(jīng)網(wǎng)絡(luò)的面部表情識(shí)別項(xiàng)目為例來(lái)詳細(xì)闡述卷積神經(jīng)網(wǎng)絡(luò)理論知識(shí)的教學(xué)過(guò)程及對(duì)應(yīng)的項(xiàng)目實(shí)踐過(guò)程。

在講解卷積神經(jīng)網(wǎng)絡(luò)理論知識(shí)的時(shí)候，首先給學(xué)生們介紹卷積神經(jīng)網(wǎng)絡(luò)總體架構(gòu)（這里以經(jīng)典的VGG16架構(gòu)為例，其網(wǎng)絡(luò)結(jié)構(gòu)圖如圖1所示）。VGG16是在2015年由牛津大學(xué)提出的一種非常經(jīng)典的卷積神經(jīng)網(wǎng)絡(luò)架構(gòu)，該架構(gòu)采用的卷積核大小為3×3尺寸，由卷積層和池化層循環(huán)嵌套構(gòu)成16層的網(wǎng)絡(luò)結(jié)構(gòu)。VGG16網(wǎng)絡(luò)架構(gòu)簡(jiǎn)單高效，很多圖像識(shí)別、語(yǔ)音識(shí)別、目標(biāo)跟蹤和目標(biāo)檢測(cè)等任務(wù)都采用VGG16架構(gòu)作為基干網(wǎng)絡(luò)[3-4，7-8]。

VGG16網(wǎng)絡(luò)架構(gòu)主要由輸入層、卷積層、激活函數(shù)、池化層和全連接層（輸出層）等組成，卷積層和池化層又循環(huán)嵌套在一起構(gòu)成連續(xù)的5個(gè)卷積-池化模塊，每個(gè)卷積-池化模塊由數(shù)量不等的卷積層和池化層組合組成。如圖1所示，卷積模塊CONV1和CONV2由兩個(gè)卷積層和一個(gè)池化層按順序組合組成，而后續(xù)的卷積模塊CONV3、CONV4、CONV5由三個(gè)卷積層和一個(gè)池化層按順序組合組成[7-9]。

介紹完整體的VGG16卷積神經(jīng)網(wǎng)絡(luò)架構(gòu)后，我們?cè)俜謩e介紹組成卷積神經(jīng)網(wǎng)絡(luò)的輸入層、卷積層、激活函數(shù)、池化層和全連接層（輸出層）的具體結(jié)構(gòu)。輸入層是尺寸為224×224×3的三通道RGB圖像。卷積層是使用多個(gè)參數(shù)不同的卷積核對(duì)上述三通道RGB圖像依次進(jìn)行卷積得到多組特征圖。其中，VGG16卷積層的卷積核大小固定為3×3尺寸。卷積層之后是輸入激活函數(shù)，使用激活函數(shù)對(duì)線(xiàn)性的卷積特征進(jìn)行非線(xiàn)性變換操作得到對(duì)應(yīng)的非線(xiàn)性特征，以此增強(qiáng)圖像的非線(xiàn)性結(jié)構(gòu)表達(dá)特性。目前主流的激活函數(shù)主要包括tanh激活函數(shù)、Sigmoid激活函數(shù)、Relu激活函數(shù)，其中Relu激活函數(shù)在圖像識(shí)別任務(wù)中的性能往往更加穩(wěn)定和魯棒，所以VGG16網(wǎng)絡(luò)結(jié)構(gòu)大部分時(shí)候都是采用Relu激活函數(shù)。由于經(jīng)過(guò)卷積層和Relu激活函數(shù)非線(xiàn)性操作后的特征圖大小跟輸入圖像大小變化不大，因此在圖像識(shí)別任務(wù)中往往會(huì)導(dǎo)致計(jì)算量過(guò)大并且信息冗余較多，所以需要進(jìn)行后續(xù)的池化層操作，減小對(duì)應(yīng)圖像的特征圖尺寸大小，加快訓(xùn)練速度并在一定程度上去掉冗余信息。目前主流的池化層方式主要包括最大池化方式和平均池化方式，兩種池化方式各有優(yōu)缺點(diǎn)，其中VGG16網(wǎng)絡(luò)大多數(shù)時(shí)候都是采用最大池化方式來(lái)進(jìn)行圖像的降維。VGG16網(wǎng)絡(luò)結(jié)構(gòu)的最后部分是由幾個(gè)全連接層依次組合組成，其目的是將經(jīng)過(guò)多次卷積層和池化層操作之后的圖像局部特征組合成一個(gè)圖像全局特征并采用Softmax函數(shù)分類(lèi)器進(jìn)行圖像分類(lèi)和識(shí)別[10-12]。

講解完卷積神經(jīng)網(wǎng)絡(luò)的總體結(jié)構(gòu)和每個(gè)層的理論知識(shí)后，再分別詳細(xì)介紹卷積神經(jīng)網(wǎng)絡(luò)中卷積層、池化層、激化函數(shù)、全連接層和Softmax函數(shù)分類(lèi)器的具體實(shí)現(xiàn)代碼（以Python為例），以及如何用于面部表情識(shí)別實(shí)驗(yàn)?；诰矸e神經(jīng)網(wǎng)絡(luò)的面部表情識(shí)別實(shí)驗(yàn)是對(duì)輸入的每一張人臉面部圖像，經(jīng)過(guò)圖像預(yù)處理得到尺寸大小為224×224×3后，用預(yù)訓(xùn)練好的VGG16卷積神經(jīng)網(wǎng)絡(luò)來(lái)判斷每張人臉圖片的情感類(lèi)別是高興、悲傷、憤怒、驚訝、厭惡和恐懼6種類(lèi)別中的哪一種[13]?；诰矸e神經(jīng)網(wǎng)絡(luò)的面部表情識(shí)別實(shí)驗(yàn)的主要部分代碼如圖2所示。

最后，講完上述卷積神經(jīng)網(wǎng)絡(luò)理論知識(shí)及對(duì)應(yīng)的用于面部表情識(shí)別代碼后，先讓同學(xué)們復(fù)習(xí)一遍卷積神經(jīng)網(wǎng)絡(luò)的具體結(jié)構(gòu)及每一層的功能并讀懂對(duì)應(yīng)的每一行代碼，然后就讓每一個(gè)學(xué)生進(jìn)行上機(jī)實(shí)驗(yàn)實(shí)踐操作，完成圖像的輸入、圖像的預(yù)處理、圖像的卷積過(guò)程、圖像的激活函數(shù)非線(xiàn)性變換過(guò)程、圖像的最大池化過(guò)程、圖像的全連接層及Softmax函數(shù)分類(lèi)器完成最后的基于卷積神經(jīng)網(wǎng)絡(luò)的面部表情識(shí)別項(xiàng)目，得到每張圖片的情感識(shí)別結(jié)果，以此方式來(lái)更好理解卷積神經(jīng)網(wǎng)絡(luò)理論知識(shí)及如何把卷積神經(jīng)網(wǎng)絡(luò)算法應(yīng)用于面部圖像表情識(shí)別任務(wù)，直觀(guān)感受到卷積神經(jīng)網(wǎng)絡(luò)能夠有效解決面部表情識(shí)別問(wèn)題。圖3為基于VGG16卷積神經(jīng)網(wǎng)絡(luò)的面部表情識(shí)別結(jié)果圖。

三 應(yīng)用實(shí)踐導(dǎo)向的機(jī)器學(xué)習(xí)導(dǎo)論教學(xué)效果驗(yàn)證和分析

類(lèi)似于上述項(xiàng)目，每個(gè)算法我們都設(shè)置了對(duì)應(yīng)的實(shí)踐項(xiàng)目，一共設(shè)置了8個(gè)項(xiàng)目，其他7個(gè)項(xiàng)目包括：基于循環(huán)神經(jīng)網(wǎng)絡(luò)的語(yǔ)音識(shí)別、基于支持向量機(jī)的垃圾郵件檢測(cè)、基于A(yíng)daBoost的目標(biāo)跟蹤、基于最小二乘法的天氣預(yù)測(cè)、基于KNN的手寫(xiě)體字符識(shí)別、基于關(guān)聯(lián)規(guī)則的推薦系統(tǒng)，以及基于圖神經(jīng)網(wǎng)絡(luò)的化學(xué)分子結(jié)構(gòu)分析和預(yù)測(cè)。經(jīng)過(guò)上述應(yīng)用實(shí)踐導(dǎo)向的機(jī)器學(xué)習(xí)導(dǎo)論教學(xué)模式后，我們以大作業(yè)報(bào)告結(jié)合現(xiàn)場(chǎng)PPT匯報(bào)和代碼演示的方式進(jìn)行考核。要求學(xué)生完成關(guān)于機(jī)器學(xué)習(xí)方法在人工智能應(yīng)用領(lǐng)域的研究報(bào)告并演示代碼及實(shí)驗(yàn)結(jié)果。

經(jīng)過(guò)應(yīng)用實(shí)踐導(dǎo)向的機(jī)器學(xué)習(xí)導(dǎo)論教學(xué)模式學(xué)習(xí)，學(xué)生們更好地掌握了機(jī)器學(xué)習(xí)理論知識(shí)，上機(jī)實(shí)踐能力得到明顯的提升，學(xué)生對(duì)機(jī)器學(xué)習(xí)導(dǎo)論課程充滿(mǎn)興趣和自信，紛紛表示機(jī)器學(xué)習(xí)方法沒(méi)有想象中那么枯燥和困難，并對(duì)進(jìn)一步學(xué)習(xí)人工智能相關(guān)課程或從事人工智能相關(guān)工作研究充滿(mǎn)了期待。

四 結(jié)束語(yǔ)

針對(duì)現(xiàn)有機(jī)器學(xué)習(xí)導(dǎo)論課程存在的問(wèn)題，本文提出了應(yīng)用實(shí)踐導(dǎo)向的機(jī)器學(xué)習(xí)導(dǎo)論教學(xué)模式。該模式旨在通過(guò)精簡(jiǎn)和優(yōu)化機(jī)器學(xué)習(xí)算法的理論知識(shí)內(nèi)容，同時(shí)增加實(shí)踐課程的學(xué)時(shí)，來(lái)幫助學(xué)生更好地將理論知識(shí)與實(shí)踐應(yīng)用相結(jié)合。該模式為每個(gè)機(jī)器學(xué)習(xí)算法設(shè)置相應(yīng)的應(yīng)用實(shí)踐項(xiàng)目，構(gòu)建一種1學(xué)時(shí)理論加1學(xué)時(shí)實(shí)踐的教學(xué)模式。實(shí)踐結(jié)果表明，該模式能夠激發(fā)學(xué)生的學(xué)習(xí)主動(dòng)性和積極性，促進(jìn)他們更積極地參與到課程學(xué)習(xí)中來(lái)，最終提升機(jī)器學(xué)習(xí)導(dǎo)論課程的教學(xué)效果。

參考文獻(xiàn)：

[1] 馬曉暉，毛晶，張金鳳，等．探索新工科背景下創(chuàng)新創(chuàng)業(yè)人才培養(yǎng)模式[J]．實(shí)驗(yàn)室科學(xué)，2023，26（6）：223-230．

[2] 方瑩，王帥芳，衛(wèi)一帆，等．新工科背景下人工智能專(zhuān)業(yè)建設(shè)三大問(wèn)題探討[J]．計(jì)算機(jī)時(shí)代，2022（7）：119-111．

[3] 李延超．基于漸進(jìn)式的留學(xué)生機(jī)器學(xué)習(xí)課程實(shí)踐研究[J]．計(jì)算機(jī)時(shí)代，2023（7）：136-139．

[4] 盧官明．機(jī)器學(xué)習(xí)導(dǎo)論[M]．北京：清華大學(xué)出版社，2020．

[5] 葛琦，莊文芹．結(jié)合實(shí)踐的啟發(fā)式計(jì)算機(jī)圖形學(xué)課程教學(xué)探討[J]．計(jì)算機(jī)時(shí)代，2023（2）：119-121．

[6] 趙小燕，梁瑞宇，童瑩，等．項(xiàng)目驅(qū)動(dòng)法在語(yǔ)音信號(hào)處理課程中的探索和應(yīng)用[J]．計(jì)算機(jī)時(shí)代，2022（6）：112-115．

[7] SIMONYAN K， ZISSERMAN A. Very deep convolutional networks for large-scale image recognition[C]// arXiv preprint arXiv：1409.1556，2014.

[8] 朱康.基于深度學(xué)習(xí)和特征融合的多模態(tài)情感識(shí)別研究[D].南京：南京郵電大學(xué)，2021.

[9] 王曉華，侯登永，胡敏.復(fù)合時(shí)空特征的雙模態(tài)情感識(shí)別[J].中國(guó)圖象圖形學(xué)報(bào)，2017，22（1）：39-48.

[10] 李炳臻，劉克，顧佼佼，等.卷積神經(jīng)網(wǎng)絡(luò)研究綜述[J].計(jì)算機(jī)時(shí)代，2021，8（4）：12-17.

[11] ZADEH A， LIANG P P， PORIA S， et al. Multi-attention recurrent network for human communication comprehension [J]. Proceedings of the AAAI Conference on Artificial Intelligence， 2018，32（1）：16-20.

[12] MA F， SUN B， LI S. Facial expression recognition with visual transformers and attentional selective fusion[J]. IEEE Transactions on Affective Computing， 2021，15（3）：1-1.

[13] 葉繼華，祝錦泰，江愛(ài)華.人臉表情識(shí)別綜述[J].數(shù)據(jù)采集與處理，2020，35（1）：21-34.