基于深度卷積神經(jīng)網(wǎng)絡(luò)的圖像分類

11?人工神經(jīng)網(wǎng)?課程論文MACROBUTTONMTEditEquationSection2SEQMTEqn\r\hSEQMTSec\r1\hSEQMTChap\r1\hSHANGHAIJIAOTONGUNIVERSITY論文題目：基于卷積神經(jīng)網(wǎng)絡(luò)的自然圖像分類技術(shù)研究姓名:高小寧專業(yè)：控制科學(xué)與工程11)其中，，分別是對梯度的一階矩估計和二階矩估計，可以看作對期望，的估計；，是對，的校正，這樣可以近似為對期望的無偏估計?？梢钥闯?，直接對梯度的矩估計對內(nèi)存沒有額外的要求，而且可以根據(jù)梯度進(jìn)行動態(tài)調(diào)整，而對學(xué)習(xí)率形成一個動態(tài)約束，而且有明確的范圍。特點(diǎn)如下：具有善于處理稀疏梯度和非平穩(wěn)目標(biāo)的優(yōu)點(diǎn)對內(nèi)存需求較小為不同的參數(shù)計算不同的自適應(yīng)學(xué)習(xí)率適用于大多非凸優(yōu)化問題，也適用于大數(shù)據(jù)集和高維空間通常情況下且迭代速度快于SGD，但是其收斂精度一般不如SGD2.6Dropout權(quán)值衰減(L2正那么化)是通過修改代價函數(shù)來實(shí)現(xiàn)的，但是Dropout通過修改神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)來實(shí)現(xiàn)的，它是在訓(xùn)練神經(jīng)網(wǎng)絡(luò)時用的一種優(yōu)化方法。Dropout是指在模型訓(xùn)練時隨機(jī)讓網(wǎng)絡(luò)局部隱含層單元的不工作，不工作的那些單元可以暫時不作為網(wǎng)絡(luò)的局部計算，但保存它的權(quán)重(暫時不更新)，因為下次樣本輸入時它可能又工作。在訓(xùn)練過程中，Dropout是以一定概率將隱含層節(jié)點(diǎn)的輸出清0，而用反向傳播更新權(quán)值時，不再更新與該節(jié)點(diǎn)相連的權(quán)值，未設(shè)置Dropout與設(shè)置Dropout的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)如下：〔a〕無Dropout的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)〔b〕設(shè)置Dropout的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖2-4Dropout示意圖2.7BatchNormalization我們知道，在訓(xùn)練深度神經(jīng)網(wǎng)絡(luò)時，常常會發(fā)生“梯度彌散〞問題,即當(dāng)我們使用反向傳播方法計算梯度導(dǎo)數(shù)的時候，隨著網(wǎng)絡(luò)深度的增加，反向傳播的梯度〔從輸出層到網(wǎng)絡(luò)的最初幾層〕的幅度值會急劇地減小。一個簡單的例子就是：，結(jié)果就造成了整體的代價函數(shù)對最初幾層網(wǎng)絡(luò)的權(quán)值的導(dǎo)數(shù)非常小。這樣，當(dāng)使用梯度下降法的時候，最初幾層的權(quán)重變化非常緩慢，以至于它們不能夠從樣本中進(jìn)行有效的學(xué)習(xí)。為了解決梯度彌散問題，Google在2021年的ICML大會上提出了BatchNormalization的方法。BatchNormalization嘛，即“批標(biāo)準(zhǔn)化〞，即在每次進(jìn)行隨機(jī)梯度下降時，通過mini-batch來對相應(yīng)的激活輸出做標(biāo)準(zhǔn)化操作，使得結(jié)果〔輸出信號各個維度〕的均值為0，方差為1。具體的“批標(biāo)準(zhǔn)化〞算法如下：在BatchNormalization中，通過將激活函數(shù)的輸出標(biāo)準(zhǔn)為均值和方差一致的手段使得原本會減小的輸出的變大，從而在很大程度上解決了梯度彌散問題，并加快了深度神經(jīng)網(wǎng)絡(luò)的訓(xùn)練。3模型設(shè)計與實(shí)驗分析CIFAR-10數(shù)據(jù)集CIFAR-10數(shù)據(jù)集含有6萬張的自然圖像，共分為10種類型，由AlexKrizhevsky,VinodNair和GeoffreyHinton收集而來。包含50000張訓(xùn)練圖片，10000張測試圖片，數(shù)據(jù)集的數(shù)據(jù)存在一個的數(shù)組中〔按行存儲，每一行表示一副圖像〕，前1024位是R值，中間1024位是G值，最后1024位是Ｂ值，數(shù)據(jù)集樣例如圖3-1所示。我們對實(shí)驗數(shù)據(jù)集僅作簡單的裁剪與白化處理后將像素值送入神經(jīng)網(wǎng)絡(luò)中進(jìn)行訓(xùn)練。圖3-1CIFAR-10數(shù)據(jù)集樣例3.2模型設(shè)計在上一章中我們對卷積神經(jīng)網(wǎng)絡(luò)性能的影響因素進(jìn)行了分析，如何選擇感受野大小、核個數(shù)、池化大小、網(wǎng)絡(luò)的層數(shù)等。對此，我們根據(jù)這些影響因素并結(jié)合CIFAR-10數(shù)據(jù)集，設(shè)計了兩個模型。一種是淺層卷積網(wǎng)絡(luò)模型，一種是深度卷積網(wǎng)絡(luò)模型，淺層卷積網(wǎng)絡(luò)模型受GoogleTensorFlow的教學(xué)手冊啟發(fā)，深度卷積網(wǎng)絡(luò)模型是結(jié)合了影響卷積網(wǎng)絡(luò)性能的影響因素設(shè)計而成。淺層卷積網(wǎng)絡(luò)與深度卷積網(wǎng)絡(luò)的結(jié)構(gòu)圖分別如圖3-2與圖3-3所示。圖3-2淺層卷積網(wǎng)絡(luò)圖3-3深度卷積網(wǎng)絡(luò)兩個網(wǎng)絡(luò)的架構(gòu)圖分別如表3-1與表3-2所示。表3-1淺層卷積網(wǎng)絡(luò)架構(gòu)圖typePatchSize/stridesFeatureMapsdepthactivationlearningruleconvolution3×3321ReLuSGD+Momentummaxpool3×3/[1,2,2,1]320convolution3×3641maxpool3×3/[1,2,2,1]640Fullconnection1×3384/1922softmax101表3-2深度卷積網(wǎng)絡(luò)架構(gòu)圖typePatchSize/stridesFeatureMapsdepthactivationlearningruleconvolution3×3322ReLuSGD+Momentummaxpool3×3/[1,2,2,1]320convolution3×3642maxpool3×3/[1,2,2,1]640convolution3×31282maxpool3×3/[1,2,2,1]1280convolution3×32562maxpool3×3/[1,2,2,1]2560Fullconnection1×3384/1922softmax101假設(shè)我們將下采樣層(pooling)與歸一化層〔BatchNormalization〕不計入網(wǎng)絡(luò)層數(shù)的計算，那么我們設(shè)計的淺層網(wǎng)絡(luò)的深度為5，深度網(wǎng)絡(luò)的深度為11。3.3實(shí)驗結(jié)果與分析實(shí)驗環(huán)境與根本參數(shù)設(shè)置：實(shí)驗中我們采用Python+tensorflow進(jìn)行編程，tensorflow是Google開發(fā)的一種深度學(xué)習(xí)框架，其提供了C++與Python接口，主要支持Linux與MacOS，這種框架主要采用先進(jìn)的圖計算，即使用有向圖的節(jié)點(diǎn)和邊共同描述數(shù)學(xué)計算。graph中的nodes代表數(shù)學(xué)操作，也可以表示數(shù)據(jù)輸入輸出的端點(diǎn)。邊表示節(jié)點(diǎn)之間的關(guān)系，傳遞操作之間互相使用的多位數(shù)組〔tensors，張量〕，tensor在graph中流動——這也就是TensorFlow名字的由來。一旦節(jié)點(diǎn)相連的邊傳來了數(shù)據(jù)流，節(jié)點(diǎn)就被分配到計算設(shè)備上異步的〔節(jié)點(diǎn)間〕、并行的〔節(jié)點(diǎn)內(nèi)〕執(zhí)行，這種靈活的架構(gòu)允許我們使用相同的API在單或多CPUs或GPU，效勞器及移動設(shè)備上進(jìn)行計算。本文的編程環(huán)境處于Linux之中，具體的實(shí)驗室環(huán)境如表3-3所示：表3-3實(shí)驗環(huán)境CPUGPUGTX750ti@2GB內(nèi)存8GB操作系統(tǒng)Linuxmint18深度學(xué)習(xí)框架GoogleTensorFlow〔〕編程語言為了后續(xù)進(jìn)行比照實(shí)驗，我們配置了根本的實(shí)驗參數(shù)，后續(xù)相關(guān)的實(shí)驗參數(shù)也是在根本參數(shù)上進(jìn)行變動。權(quán)值衰減的實(shí)現(xiàn)是在代價函數(shù)中增加懲罰項，隨機(jī)訓(xùn)練樣本會造成這懲罰項產(chǎn)生較大的隨機(jī)突變，干擾梯度更新方向的穩(wěn)定性，同時增大訓(xùn)練誤差，故；另外，對神經(jīng)元隨機(jī)失能的比例不能太大，否那么隨機(jī)噪聲會淹沒訓(xùn)練集的作用；批處理尺寸〔batchsize〕不能太大，負(fù)責(zé)會造成迭代過慢及內(nèi)存溢出問題，我們在CNN的訓(xùn)練時間、準(zhǔn)確率和穩(wěn)定性之間進(jìn)行折中后的根本實(shí)驗參數(shù)如表3-4所示。表3-4根本實(shí)驗參數(shù)參數(shù)取值輸入圖像尺寸〔image_size〕批處理尺寸〔batchsize〕128初始學(xué)習(xí)速率〔〕學(xué)習(xí)速率衰減率〔〕衰減間隔〔NUM_EPOCHS_PER_DECAY〕350動量系數(shù)〔〕Dropout比例〔〕權(quán)值衰減項權(quán)重〔〕[0,0.001]最大迭代步數(shù)〔max_steps〕10003.3.2不同batchsize比照實(shí)驗我們采取不同的batchsize，并選取隨機(jī)梯度下降學(xué)習(xí)算法，在CIFAR-10數(shù)據(jù)集上進(jìn)行了比照實(shí)驗，各種不同batchsize對應(yīng)的代價函數(shù)曲線如圖3-4所示。(a)batchsize=128(b)batchsize=256(c)batchsize=512(d)batchsize=1024圖3-4不同batchsize的代價函數(shù)曲線從圖3-4可以看出，batchsize為128與256時，代價函數(shù)的震蕩較劇烈，隨著batchsize增大到512與1024，代價函數(shù)的下降變得相對平穩(wěn)，這是由于batchsize越大越能代表總體的訓(xùn)練集樣本分布，但是batchsize越大，每次迭代所需時間就近線性增長，在實(shí)驗室中，不同的batchsize對應(yīng)的處理速度如表3-5。表3-5不同batchsize的處理速度batchsize處理速度〔sec/batch〕1282565121024在后續(xù)實(shí)驗中，為了加快收斂速度，我們?nèi)atchsize=128。3.3.3不同激活函數(shù)比照實(shí)驗我們分別選擇三種激活函數(shù)，均采取Adam學(xué)習(xí)算法，經(jīng)過1000次迭代后的代價函數(shù)曲線如圖3-5所示。(a)sigmoid(b)tanh(c)ReLu圖3-5不同激活函數(shù)的代價函數(shù)曲線從上圖中我們可以看出，在相同的迭代次數(shù)下，sigmoid型激活函數(shù)對應(yīng)的代價函數(shù)值降低到，而tanh型激活函數(shù)的代價函數(shù)下降到一個更小的值〔〕，最后ReLu激活函數(shù)的震蕩更小，對應(yīng)代價函數(shù)下降到一個比tanh型函數(shù)更小的值，這與其特性〔①單側(cè)抑制②相對寬闊的興奮邊界③稀疏激活性〕有關(guān)，所以ReLu型激活函數(shù)更適用于深度神經(jīng)網(wǎng)絡(luò)，后續(xù)我們的實(shí)驗也是默認(rèn)采用ReLu激活函數(shù)。不同學(xué)習(xí)算法比照實(shí)驗在保持根本實(shí)驗參數(shù)設(shè)置的情況下，三種不同的學(xué)習(xí)算法的代價函數(shù)曲線如圖3-6所示。從曲線圖我們可以看出，SGD〔隨機(jī)梯度下降法〕收斂速度最慢，而且曲線震蕩明顯；SGD+Momentum(隨機(jī)梯度下降加動量因子)震蕩減小且收斂速度加快，如果迭代次數(shù)足夠多，可以收斂到一個比擬理想的值；Adam(自適應(yīng)矩估計法)收斂速度最快，且震蕩較小，如果對精度沒有嚴(yán)格要求話，Adam是一個較理想的選擇〔后續(xù)比照實(shí)驗也默認(rèn)采用Adam學(xué)習(xí)算法〕。(a)SGD(b)SGD+Momentum(c)Adam圖3-6不同學(xué)習(xí)算法的代價函數(shù)曲線3.3.5不同特征圖個數(shù)比照實(shí)驗我們以之前設(shè)計的淺層卷積網(wǎng)絡(luò)為基礎(chǔ)，分別設(shè)置兩層卷積層的特征圖〔FeatureMaps〕個數(shù)為16-16,32-32,64-64，卷積核尺寸為5×5，pooling窗口尺寸為3×3，其他層保持不變，迭代10000步后，不同數(shù)目的特征圖對應(yīng)的測試集分類精度如表3-6所示。表3-6不同F(xiàn)eatureMaps對應(yīng)的測試集精度FeatureMapsPresion16-1670.0%32-3275.0%64-6479.5%由表3-5可知，在一定范圍內(nèi)，隨著特征圖〔FeatureMaps〕個數(shù)的增多，對應(yīng)的分類精度就越大，這是由于特征圖個數(shù)越多，從輸入圖像中提取到的特征也就越多，模型的表達(dá)能力也就越強(qiáng)，所以在計算能力允許的情況下我們應(yīng)該盡量增加特征圖的數(shù)目，提高圖像特征的提取質(zhì)量進(jìn)而增強(qiáng)模型的表達(dá)能力。不同池化方式比照實(shí)驗我們保持根本實(shí)驗參數(shù)不變，分別采用averagepooling〔均值采樣〕與maxpooling〔最大采樣〕兩種池化方式，迭代10000次后的對應(yīng)的測試集分類精度如表3-6所示，相應(yīng)的代價函數(shù)曲線如圖3-7所示。表3-7不同池化方式對應(yīng)的測試集精度PoolingPresionAveragepoling77.9%Maxpooling79.5%(a)averagepooling(b)maxpooling圖3-7不同pooling方式對應(yīng)的代價函數(shù)曲線從表3-6可以看出采用maxpooling取得了更高的分類精度，從兩者的代價函數(shù)曲線也可以看出maxpooling可以將代價函數(shù)降到更低，這是由于maxpooling減小了卷積層參數(shù)誤差造成的估計均值偏移，所以后續(xù)的實(shí)驗中我們也將采用maxpooling的方式。不同卷積層數(shù)比照實(shí)驗我們在之前設(shè)計的淺層卷積網(wǎng)絡(luò)的基礎(chǔ)上增加兩層卷積層，并與淺層卷積網(wǎng)絡(luò)、深度卷積網(wǎng)絡(luò)一起進(jìn)行比照實(shí)驗，保持根本的實(shí)驗參數(shù)不變，采用Adam學(xué)習(xí)算法，迭代10000次后的分類精度如表3-8所示。表3-8不同卷積層數(shù)對應(yīng)的測試集精度卷積層數(shù)Presion279.5%683.1%8%由表3-8可知，隨著卷積層數(shù)的增多相應(yīng)的分類精度也在提高，這是由于卷積層數(shù)越多，對特征的抽象能力也就越強(qiáng)大，最后提取到的特征質(zhì)量也就越高，所以一般來說，深度卷積網(wǎng)絡(luò)比淺層卷積網(wǎng)絡(luò)的性能要好。深度卷積網(wǎng)絡(luò)模型實(shí)驗我們設(shè)置最大迭代次數(shù)為50000次，采用SGD+Momentum的學(xué)習(xí)算法，初始化學(xué)習(xí)率，每隔125次Epoch學(xué)習(xí)率衰減為上一次的0.1倍，其他參數(shù)保持根本參數(shù)不變，對應(yīng)的代價函數(shù)曲線如圖3-8所示。圖3-8深度卷積網(wǎng)絡(luò)模型代價函數(shù)曲線經(jīng)過50000次迭代后，代價函數(shù)大約穩(wěn)定在0.20左右，最低為0.10，最后的分類精度為%，CIFAR-10局部論文的分類精度如圖3-9所示。從圖中可以看出，本文的分類精度優(yōu)于許多論文得到的分類精度，但是由于本文的方法并未對訓(xùn)練集圖像做精細(xì)的預(yù)處理，所以本文的分類精度比一些做過相應(yīng)預(yù)處理的論文結(jié)果要低；觀察代價函數(shù)曲線可知，假設(shè)迭代次數(shù)再增大，代價函數(shù)可以再進(jìn)一步下降，但由于本文中使用的計算機(jī)計算能力有限，假設(shè)迭代更多的次數(shù)需要的時間會很長，就不做進(jìn)一步的迭代。圖3-9CIFAR-10局部論文分類精度4結(jié)論本文通過分析影響卷積神經(jīng)網(wǎng)絡(luò)模型的各個因素〔網(wǎng)絡(luò)層數(shù)、學(xué)習(xí)算法、卷積核大小、pooling方式、激活函數(shù)、Dropout、BatchNormalization等〕，針對CIFAR-10圖像數(shù)據(jù)集，設(shè)計了兩個卷積網(wǎng)絡(luò)模型〔淺層網(wǎng)絡(luò)模型與深度網(wǎng)絡(luò)模型〕，經(jīng)過實(shí)驗比照，本文設(shè)計的深度網(wǎng)絡(luò)模型的分類精度更高，并取得了%的分類精度，比CIFAR-10官網(wǎng)上公布的大局部論文的分類精度要高，假設(shè)想進(jìn)一步提高分類精度，可以從以下幾個方面進(jìn)行改良：對學(xué)習(xí)率進(jìn)行更加精細(xì)的設(shè)計，使得在代價函數(shù)降低時可以有更加適合的學(xué)習(xí)率與之對應(yīng)。對輸入圖像進(jìn)行精細(xì)的預(yù)處理〔比方濾波、白化等〕原數(shù)據(jù)集進(jìn)行數(shù)據(jù)增強(qiáng)，并進(jìn)行更屢次的迭代。參考文獻(xiàn)[1]李曉普.基于卷積神經(jīng)網(wǎng)絡(luò)的圖像分類[D].大連理工大學(xué),2021.[2]楚敏南.基于卷積神經(jīng)網(wǎng)絡(luò)的圖像分類技術(shù)研究[D].湘潭大學(xué),2021.[3]張弛.基于卷積神經(jīng)網(wǎng)絡(luò)的鞋印圖像分類算法研究[D].大連海事大學(xué),2021.[4]龔丁禧,曹長榮.基于卷積神經(jīng)網(wǎng)絡(luò)的植物葉片分類[J].計算機(jī)與現(xiàn)代化,2021,04:12-15+19.[5]楊瑩,張海仙.基于卷積神經(jīng)網(wǎng)絡(luò)的圖像分類研究[J].現(xiàn)代計算機(jī)(專業(yè)版),2021,05:67-71.[6]AlexKrizhevsky,IlyaSutskever,GeoffHinton.Imagenetclassificationwithdeepcon-volutionalneuralnetworks[J].AdvancesinNeuralInformationProcessingSystems25,2021：1106-1114[7]IoffeS,SzegedyC.BatchNormalization:AcceleratingDeepNetworkTrainingbyReducingInternalCovariateShift[J].ComputerScience,2021.[8]SimonM,RodnerE,DenzlerJ.ImageNetpre-trainedmodelswithbatchnormalization[J].2021.[9]DanCC,MeierU,GambardellaLM,etal.ConvolutionalNeuralNetworkCommitteesforHandwrittenCharacterClassification[C]//InternationalConferenceonDocumentAnalysisandRecognition.IEEEXplore,2021:1135-1139.

論大學(xué)生寫作能力寫作能力是對自己所積累的信息進(jìn)行選擇、提取、加工、改造并將之形成為書面文字的能力。積累是寫作的基礎(chǔ)，積累越厚實(shí)，寫作就越有基礎(chǔ)，文章就能根深葉茂開奇葩。沒有積累，胸?zé)o點(diǎn)墨，怎么也不會寫出作文來的。寫作能力是每個大學(xué)生必須具備的能力。從目前高校整體情況上看，大學(xué)生的寫作能力較為欠缺。一、大學(xué)生應(yīng)用文寫作能力的定義那么，大學(xué)生的寫作能力究竟是指什么呢？葉圣陶先生曾經(jīng)說過，“大學(xué)畢業(yè)生不一定能寫小說詩歌，但是一定要寫工作和生活中實(shí)用的文章，而且非寫得既通順又扎實(shí)不可?！睂τ诖髮W(xué)生的寫作能力應(yīng)包含什么，可能有多種理解，但從葉圣陶先生的談話中，我認(rèn)為：大學(xué)生寫作能力應(yīng)包括應(yīng)用寫作能力和文學(xué)寫作能力，而前者是必須的，后者是“不一定”要具備，能具備則更好。眾所周知，對于大學(xué)生來說，是要寫畢業(yè)論文的，我認(rèn)為寫作論文的能力可以包含在應(yīng)用寫作能力之中。大學(xué)生寫作能力的體現(xiàn)，也往往是在撰寫畢業(yè)論文中集中體現(xiàn)出來的。本科畢業(yè)論文無論是對于學(xué)生個人還是對于院系和學(xué)校來說，都是十分重要的。如何提高本科畢業(yè)論文的質(zhì)量和水平，就成為教育行政部門和高校都很重視的一個重要課題。如何提高大學(xué)生的寫作能力的問題必須得到社會的廣泛關(guān)注，并且提出對策去實(shí)施解決。二、造成大學(xué)生應(yīng)用文寫作困境的原因：（一）大學(xué)寫作課開設(shè)結(jié)構(gòu)不合理。就目前中國多數(shù)高校的學(xué)科設(shè)置來看，除了中文專業(yè)會系統(tǒng)開設(shè)寫作的系列課程外，其他專業(yè)的學(xué)生都只開設(shè)了普及性的《大學(xué)語文》課。學(xué)生寫作能力的提高是一項艱巨復(fù)雜的任務(wù)，而我們的課程設(shè)置僅把這一任務(wù)交給了大學(xué)語文教師，可大學(xué)語文教師既要在有限課時時間內(nèi)普及相關(guān)經(jīng)典名著知識，又要適度提高學(xué)生的鑒賞能力，且要教會學(xué)生寫作規(guī)律并提高寫作能力，任務(wù)之重實(shí)難完成。（二）對實(shí)用寫作的普遍性不重視?！按髮W(xué)語文”教育已經(jīng)被嚴(yán)重地“邊緣化”。目前對中國語文的態(tài)度淡漠，而是呈現(xiàn)出全民學(xué)英語的大好勢頭。中小學(xué)如此，大學(xué)更是如此。對我們的母語中國語文，在大學(xué)反而被漠視，沒有相關(guān)的課程的設(shè)置，沒有系統(tǒng)的學(xué)習(xí)實(shí)踐訓(xùn)練。這其實(shí)是國人的一種偏見。應(yīng)用寫作有它自身的規(guī)律和方法。一個人學(xué)問很大，會寫小說、詩歌、戲劇等，但如果不曉得應(yīng)用文寫作的特點(diǎn)和方法，他就寫不好應(yīng)用文。（三）部分大學(xué)生學(xué)習(xí)態(tài)度不端正。很多非中文專業(yè)的大學(xué)生對寫作的學(xué)習(xí)和訓(xùn)練都只是集中在《大學(xué)語文》這一門課上，大部分學(xué)生只愿意被動地接受大學(xué)語文老師所講授的文學(xué)經(jīng)典故事，而對于需要學(xué)生動手動腦去寫的作文，卻是盡可能應(yīng)付差事，這樣勢必不能讓大學(xué)生的寫作水平有所提高。（四）教師的實(shí)踐性教學(xué)不強(qiáng)。學(xué)生寫作能力的提高是一項艱巨復(fù)雜的任務(wù)，但在教學(xué)中有不少教師過多注重理論知識，實(shí)踐性教學(xué)環(huán)節(jié)卻往往被忽視。理論講了一大堆，但是實(shí)踐卻幾乎沒有，訓(xùn)練也少得可憐。閱讀與寫作都需要很強(qiáng)的實(shí)踐操作，學(xué)習(xí)理論固然必不可少，但是閱讀方法和寫作技巧的掌握才是最重要的。由于以上的原因，我們的大學(xué)生的寫作水平著實(shí)令人堪憂，那么如何走出這一困境，筆者提出一些建議，希望能對大學(xué)生寫作水平的提高有所幫助。三、提高大學(xué)生應(yīng)用寫作能力的對策（一）把《應(yīng)用寫作》課設(shè)置為大學(xué)生的必修課。在中國的每一所大學(xué)，《應(yīng)用寫作》應(yīng)該成為大學(xué)生的必修課。因為在這個被某些人形容為實(shí)用主義、功利主義甚囂塵上的時代，也是個人生存競爭最激烈的時代，人們比任何時代都更需要學(xué)會寫作實(shí)用性