晴川师说⑦ 张倩：一辈子做教师，一辈子学做教师

她是不断前行的“追梦人”，更是引导广大学生寻找梦想的“引路人”。她勇敢选择自己的热爱，走上三尺讲台，收获了掌声与肯定，她就是武汉晴川学院计算机学院教师张倩。

十四年前，张倩在华南师范大学的一堂演讲中，对教师这一职业产生了浓厚的兴趣。彼时，她正在进行大二的学习，那场演讲后，张倩的心中开始有了对未来的规划与目标。大三下学期，张倩开始了研究生考试的准备。除了考试，日常的课程内容她也丝毫没有落下。为了挤出更多的时间学习，张倩不得不与时间赛跑，图书馆和宿舍都成为了备战考研的“战场”。功夫不负有心人，张倩成功考取了西北师范大学的硕士研究生，通过努力让自己与理想的距离又近了一步。

在完成了硕士研究生的学习阶段后，张倩正式迎来了她的教师生涯。来到晴川学院后，张倩在计算机学院主要讲授高级语言程序设计（C语言）等课程。张倩称自己的教学风格为“教学民主型”，在课堂上，她不会将知识直接灌输给学生们，而是设计特定的问题让同学们回答，以此来考察大家对所学内容的掌握情况。在《大学计算机概论》课上讲授二进制的原理时，她结合实例说明二进制在实际生活中的运用，并让学生现场参与解题。通过互动，学生们感到带着问题、带着目的学习的效果非常显著。同时，她通过对每个班级掌握知识的程度进行分析，不断调整自己的授课节奏，以保证课堂的质量。为了充分调动同学们的学习积极性，张倩还经常运用视频、音乐等方式适时调整课堂氛围。

“每一次课程，张倩老师都很用心地准备，积极与我们互动、帮我们答疑，让原本枯燥无味的计算机课程变得生动而丰富。”2019级新闻学专业雷宇琴同学表示，在疫情期间，她学习了张倩任教的课程，并从中学到了很多实用的知识。“在疫情期间的线上教学中，无论是教师还是同学们都克服了许多大大小小的困难。尽管不能面对面交流和督促，同学们也能认真地完成学习任务，这些都让我非常感动。”张倩说道。

投身学术研究提升自己

所谓“学高为师，身正为范”，作为教师，不但要有崇高的师德，还要有深厚而扎实的专业知识。除了讲授课程，在学术上做钻研也必不可缺，她经常利用周末或空余时间做一些学术研究充实自己。2018至2019年，张倩共发表了7篇学术科研论文，主持《基于创新创业培养的非计算机专业网页设计与多媒体课程教学改革与实践》教研项目，主编《计算机应用基础》，主审《计算机应用基础实训教程》等，并指导本科生实习、课程设计、毕业论文以及毕业设计。

面对日新月异的社会，张倩深知不断更新自己的知识储备的重要性，使自己成为一个终身学习者。为此，她特别重视研究教学规律，不断对教学方法进行改革。在教学任务上，正确、全面、恰当地贯彻落实知识和技能。在教学内容上，她对教学的要求不只是教授课本上的死知识，还要根据教材实际和学生需求，扩大知识领域，学习吸取相关的专业知识。在教学过程上，强调教育学生的交往互动，大胆鼓励学生具有独立性和自主性。在教学方法上，以培养学生能力、发展学生智力为出发点，教给学生灵活的学习方法。

“追求自己人生目标的过程中，是一个‘进行时’，需要不断进取。”张倩表示今后会花更多的精力在科研上，在教书育人的道路上前行，引领学生朝着远大理想前进。

善于捕捉学生的闪光点

当谈及建立良好师生关系的基础时，张倩毫不犹豫地说出了“平等”两个字。“师生之间是人格平等的，互相尊重，互相学习，教学相长；老师是学生的合作者，引导者和参与者。”张倩表示，教师要与学生取得共同语言，就必须了解学生。课余时间，张倩经常走到学生之中，主动找学生聊天谈心，了解学生的兴趣、身体状况等，对学生充满爱心。

都说一千个人眼中有一千个哈姆雷特，而在张倩眼中，每一个学生都有不同之处，都有自己长板和短板，当他们遇到自己擅长的领域就会闪闪发光。在2019年全国高校计算机能力挑战赛中，张倩指导学生赢得了Office高级应用赛决赛一等奖，不仅学生在比赛中提升了能力，自己也获得了“优秀指导老师”称号。“教师就应该善于捕捉学生的闪光点，可能这小小的闪光点，就能挖掘出埋藏在他心里的大金矿。”张倩希望同学们能够提前对自己的大学生涯做出规划，摆在面前可供选择的道路有很多条，大家一定要仔细衡量，并为自己的未来做出努力。

“真正的教师不仅有真东西，而且能把真东西教给学生。”张倩就是用全面、扎实、深厚的真功夫，不仅让学生被“说服”，更让学生“佩服”。

Excel狂魔？单元格做计算机视觉：人脸检测、OCR都不在话下

机器之心报道

参与：一鸣、张倩、杜伟

计算机视觉是什么？过于专业，一步劝退？在普通人看来，计算机视觉是软件开发者才能涉足的领域，需要用到很多专业的框架，普通人只能围观。但 GitHub 上的一个项目似乎颠覆了我们的认知。

Excel 基本操作会吧？上网搜索公式会吧？基本的数学理解能力有吧？OK，如果以上你都能做到，你也能上手计算机视觉项目了。

图 1：将一张图像转换为 Excel 单元格表示的灰度图像。可以看到，只要单元格细粒度足够高，就可以存储足够的图像信息。

具体来说，在这个项目中，作者尝试用 Excel 实现的样本算法来帮助我们学习计算机视觉的基础知识。为此，他用到了很多只有一行的 Excel 公式。作者表示，在这个项目中，用 Excel 做人脸检测、霍夫变换都不在话下，而且不依赖任何脚本或第三方插件。

以下是使用 Excel 进行的一些计算机视觉任务。首先，我们有一个示例图像。这是一个护照。如图所示，Excel 的算法可以实现对照片人像的检测（使用传统手工算法）。

同样，这幅图像也可以被 Excel 转换，然后找到边和线的特征。

最后，Excel 还可以进行 OCR 操作。首先对图像进行手工分割，找到相关的图像文本，然后进行 OCR 即可。

这个项目不要求你提前掌握计算机视觉背景知识，但需要了解 Microsoft Excel 基础操作，会阅读 Excel 文档或上网搜索需要用到的公式的相关解释。对于后者，推荐使用 Exceljet。

此外，你还需要具备一些数学理解能力 ：如果理解不了加权平均数，可能很难继续学下去。掌握偏微分很有帮助，但不是硬性要求。项目中用到的复杂数学概念大多数是特征值。

Excel 怎么计算图像数据？

使用 Excel 做计算机视觉，乍一听显得有点魔幻。但其实原理很简单：这个教程利用了 Excel 强大的单元格计算能力，只要将图像的像素数据转换为单元格（如下图所示），然后计算即可。我们知道每个单元格都可以表示一个值，那么很多个单元格是不是就可以表示成矩阵了？

对示例文件的截图（样本图片局部），可以看到 Excel 单元格表示了图像的灰度。

而另一方面，我们可以很方便地利用 Excel 计算单元格的数据。那么整合起来，是不是和矩阵计算很相似了？这样，不同图像位置表示的特征也就很容易被计算出来。自然也就方便完成下游计算机视觉的任务了，不管是传统算法也好，还是机器学习也好。

可是，图像怎样输入到 Excel 中呢？作者提供了一个方法：用 CSV 呀。

你可以用很多种方式转换 RGB 图像到像素点数据，如使用一个程序等：

https://alvinalexander.com/blog/post/java/getting-rgb-values-for-each-pixel-in-image-using-java-bufferedi

当图像的像素转换为 CSV 后，使用 Excel 读取即可。

项目指南

项目需要的关键材料都可以在「Downloads」部分找到。这些材料都带有注释，通俗易懂，可以按部就班，一步一步学。

软件要求

这个项目是在 Excel 2016 上创建 的，在其他版本上应该也能打开（目前已经在 Excel 2007 和 Mac 的 Excel 上进行了测试）。

此外，虽然这些文件能在 LibreOffice 上打开（测试版本是 6.4.0.3 (x64)），但速度极慢，可以说没办法用。目前还没有在 Apache OpenOffice 上进行测试。

相关 Excel 公式选项

在打开项目中的 Excel 文件之前，请先把 Excel 的「公式」→「计算选项」调为「手动」，因为有些计算（尤其是霍夫变换）非常耗时。然后根据需要手动触发重算。

此外，不要勾选「保存工作簿前重新计算」，否则 Excel 将在每次保存文件时重新计算所有公式。

注意：这个项目做完后，记得把设置改回来。

熟悉 Excel 中 R1C1 公式引用样式的人或者喜欢冒险的人，应该尝试通过查看 Excel 选项来切换到 R1C1 引用样式。

参考下面的屏幕截图，勾选 R1C1 引用样式对应的复选框来启用这个选项。如此一来，我们可以把公式从「D5」类型的格式更改为「R[-1]C[2]」这样的相对样式，使其更接近编程语言并有助于理解。

教程目录和代码文件

下图所示为本项目的相关教程目录和项目文件，总共 50MB，大家可以前往 GitHub 下载。

这一项目分为五个部分：

1. 计算机视觉 Excel 基础

2. 边和线

3. 关键点和描述算子

4. 人脸检测

5. 文本识别（OCR）

这些项目都有相关说明和代码，非常详细。

常见问题和解答

作者在留下教程之余，也对相关的一些问题提供了解答。

问题 1：这些技术是否可被深度学习替代？

这些技术依然是相关的。尽管神经网络已经替代了所有复杂的计算机视觉问题，特别是那些传统技术没有解决的问题。但是在简单的计算上，传统方法更快，而且计算效率更高。另外，传统方法依然是边缘设备（智能手机、网络客户端）等的首选，虽然已有很多硬件加速的方法。

问题 2：为什么使用图像的绿通道，而不是红或蓝？如果想在 Excel 中用这种方式展示彩色图像要怎么做？

作者表示，三种基本的颜色通道中，绿通道对亮度的影响最大。理论上，图像会首先被转换为灰度图，即计算其亮度，在教程中为了简便被省略了。关于彩色图像的表示，可以看一下第 6 个问题。

问题 3：护照中带有水印的人脸为什么没被检测到？

作者使用的是一个流行的人脸检测算法，仅使用三个类 Haar 特征和两个步骤。这一算法是针对蒙娜丽莎（示例）中的图像手工设计的。而在实际应用中，机器学习可以学习数千个这样的特征，因此才能准确检测到人脸。

问题 4：在 OCR 示例中如何选择 mask 以及方向？

对于文档 OCR（与场景文本识别相反）来说，在识别文档中的字符之前，文档通常先被拉直。所以，字符一般为直立的。

在示例中，作者使用单神经元来识别大写字母「E」。神经网络利用多层神经元来识别所有感兴趣的字符。然后神经网络输出输入端出现的字符。需要注意的是，组合神经元将在识别每个字符的过程中共享一些神经元。

问题 5：OCR 方法在不同字体上的效果如何？

作为示例，作者使用单卷积神经元来识别大写字母「E」。实际系统通常会使用到神经网络（并不仅是单神经元），并且在不同字体和语言上都表现良好。

具体是如何实现的呢？作者使用单神经元来同时扫描图像和识别字母。通常情况下，扫描不同篇幅的文本需要通过不同的方法单独完成。一旦文本的每个字符被隔离，则字符重新缩放至一个固定大小，然后使用神经网络来识别字母。

手写识别更加困难。当笔画数据为时间函数（如在触摸屏上识别是写输入）时，能够实现最佳效果。此外，在示例中，即使单个神经元的权重是手工的，实际上也不使用训练算法来学习。在实际训练时，单个神经元的效果也比 demo 展示中的要好。

问题 6：作者是如何想到用 Excel 做计算机视觉的呢？

起初，作者要给亚马逊内部员工讲授计算机视觉教程，但他们对该主题不熟悉。所以，作者通过展示图像本质上是数字的 2D 阵列来讲述计算机视觉的基础知识，并想要使用 Excel 来展示。作者大约花费 7 个小时来创建了第一个功能完善的版本，但不涵盖人脸检测和文本识别。之后的版本又做了进一步完善。

自那时起，作者已经创建了以下在 Excel 中展示图像的视频作品或教程（附链接）：

问题 7：是否有计算机视觉的交互式开发者环境？

由于 Matlab 具有内置或在工具箱中具有很多计算机视觉功能，所以它通常用于计算机视觉任务。其中，「imshow」功能可直接将阵列数据以图像的形式显示出来。此外，基于 Python 和 Notebooks 的工具也很流行。

项目作者

项目作者有两位，分别为 Alok Govil 和合作者 Venkataramanan Subramanian，他们都是亚马逊的首席工程师。

其中，Alok Govil 是一位全栈技术架构师，本科和硕士分别毕业于德里技术大学（Delhi Technological University）和美国南加利福尼亚大学。他毕业后曾先后就职于飞利浦美国研究院、高通等公司，现为亚马逊首席工程师。

Alok Govil。

合作者 Venkataramanan Subramanian 本科毕业于印度马德拉斯大学，之后攻读班加罗尔国际信息技术学院的在职硕士。他毕业后先后就职于 Hexaware Technologies 和甲骨文公司，并于 2011 年入职亚马逊担任首席工程师至今。

参考链接：

https://news.ycombinator.com/item?id=22357374https://github.com/amzn/computer-vision-basics-in-microsoft-excel

相关问答

[回答]2:1.2007年山西省事业单位(农村信用社)考试面试真题真题一?3第一.经济还是法律类的、完成.分别分开抽的。”谈一下你的看法.人家面前有牌子显示的,...