資源簡(jiǎn)介

(共15張PPT)
第2單元 機(jī)器能識(shí)別
第2節(jié) 卷積神經(jīng)網(wǎng)絡(luò)及其應(yīng)用
八年級(jí) 下冊(cè)
主要內(nèi)容
知識(shí)探究
/01
/02
習(xí)題測(cè)試
/03
小節(jié)回顧
/04
作業(yè)布置
01 準(zhǔn)備過(guò)程
02 整體結(jié)構(gòu)
03 重點(diǎn)說(shuō)明
04 名詞解釋
知識(shí)探究
項(xiàng)目子任務(wù)
學(xué)習(xí)常見(jiàn)卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)和訓(xùn)練過(guò)程，來(lái)為“昆蟲(chóng)的識(shí)別”作知識(shí)儲(chǔ)備。
01 準(zhǔn)備過(guò)程
02 整體結(jié)構(gòu)
03 重點(diǎn)說(shuō)明
04 名詞解釋
知識(shí)探究
探究?jī)?nèi)容與要求
（1）方法引導(dǎo)：遵循“概念→結(jié)構(gòu)→原理→......”認(rèn)知規(guī)律
（2）主要內(nèi)容：
①什么是卷積神經(jīng)網(wǎng)絡(luò)？——像素點(diǎn)構(gòu)成和卷積計(jì)算
②卷積神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)？——卷積層和池化層
③卷積神經(jīng)網(wǎng)絡(luò)的訓(xùn)練？——任務(wù)選擇、數(shù)據(jù)集選擇和參數(shù)設(shè)置
01 準(zhǔn)備過(guò)程
02 整體結(jié)構(gòu)
03 重點(diǎn)說(shuō)明
04 名詞解釋
知識(shí)探究
知識(shí)習(xí)得
（1）自主閱讀：以書本P47-50為主，網(wǎng)絡(luò)知識(shí)作補(bǔ)充
（2）知識(shí)梳理：
①數(shù)字圖像是由一個(gè)個(gè)像素點(diǎn)構(gòu)成的。 黑白圖像的像素點(diǎn)的值是0或1，灰度圖像則是0～255，彩色圖像用RGB三原色混合得到。
②使用全連接神經(jīng)網(wǎng)絡(luò)處理圖像，參數(shù)量會(huì)很多，因此科學(xué)家參考動(dòng)物視覺(jué)感受野，設(shè)計(jì)出了“卷積神經(jīng)網(wǎng)絡(luò)”。
③卷積神經(jīng)網(wǎng)絡(luò)中有兩種特殊的網(wǎng)絡(luò)，分別為卷積層和池化層。
01 準(zhǔn)備過(guò)程
02 整體結(jié)構(gòu)
03 重點(diǎn)說(shuō)明
04 名詞解釋
知識(shí)探究
知識(shí)習(xí)得
（1）自主閱讀：以書本P50-51為主，網(wǎng)絡(luò)知識(shí)作補(bǔ)充
（2）知識(shí)梳理：
①LeNet模型輸入的是32x32像素的灰度圖像。
②LeNet網(wǎng)絡(luò)中有卷積層、池化層、展平層、全連接層等。
③使用BaseNN搭建神經(jīng)網(wǎng)絡(luò)時(shí)，Conv2D表示的是卷積層，MaxPool表示的是最大池化層，Linear表示的是全連接層。
01 準(zhǔn)備過(guò)程
02 整體結(jié)構(gòu)
03 重點(diǎn)說(shuō)明
04 名詞解釋
知識(shí)探究
知識(shí)習(xí)得
（1）自主閱讀：以書本P51-54為主，網(wǎng)絡(luò)知識(shí)作補(bǔ)充
（2）知識(shí)梳理：
①用訓(xùn)練工具EasyTrain，訓(xùn)練圖像分類模型，可以選擇任務(wù)為“分類任務(wù)”，選擇模型為“LeNet”模型，數(shù)據(jù)集選擇系統(tǒng)自帶的數(shù)據(jù)集，然后開(kāi)始設(shè)置參數(shù)，分類數(shù)量要和選擇的數(shù)據(jù)集保持一致，最后生成訓(xùn)練代碼。
②訓(xùn)練過(guò)程中可以看到損失函數(shù)值的變化和識(shí)別準(zhǔn)確率的值的變化。
③輪數(shù)（epoch）、學(xué)習(xí)率（lr）等被稱為模型訓(xùn)練的超參數(shù)。
01 準(zhǔn)備過(guò)程
02 整體結(jié)構(gòu)
03 重點(diǎn)說(shuō)明
04 名詞解釋
知識(shí)探究
核心素養(yǎng)培育
（1）學(xué)會(huì)分析:以“昆蟲(chóng)的識(shí)別”為例，如何實(shí)現(xiàn)圖像分類任務(wù)的模型選擇、模型結(jié)構(gòu)搭建或選擇、模型訓(xùn)練設(shè)置。
輔助分析支架：要實(shí)現(xiàn)“昆蟲(chóng)的識(shí)別”的圖片識(shí)別等功能，需要用到卷積神經(jīng)網(wǎng)絡(luò)，模型可以選擇LeNet模型或其他更復(fù)雜的模型，訓(xùn)練時(shí)要設(shè)置好分類數(shù)量等超參數(shù)。
01 準(zhǔn)備過(guò)程
02 整體結(jié)構(gòu)
03 重點(diǎn)說(shuō)明
04 名詞解釋
知識(shí)探究
核心素養(yǎng)培育
（2）學(xué)會(huì)解釋：什么卷積神經(jīng)網(wǎng)絡(luò)比全連接神經(jīng)網(wǎng)絡(luò)在圖像任務(wù)中更優(yōu)秀？
輔助分析支架：通過(guò)參數(shù)量計(jì)算對(duì)比，輸入層的參數(shù)差異明顯。卷積層參考感受野設(shè)計(jì)，可以感受更大區(qū)域的信息。
01 準(zhǔn)備過(guò)程
02 整體結(jié)構(gòu)
03 重點(diǎn)說(shuō)明
04 名詞解釋
知識(shí)探究
核心素養(yǎng)培育
（3）學(xué)會(huì)求證：用實(shí)驗(yàn)結(jié)果去支持你解釋的觀點(diǎn)！
——教師引領(lǐng)學(xué)會(huì)求證：用訓(xùn)練工具完成一次圖像分類任務(wù)的模型訓(xùn)練，體會(huì)模型準(zhǔn)確率提升的過(guò)程。
①求證技能：用XEdu中的EasyDL系列工具中的EasyTrain。
②求證活動(dòng)：用EasyTrain一步步選擇和設(shè)置，完成模型訓(xùn)練。
01 準(zhǔn)備過(guò)程
02 整體結(jié)構(gòu)
03 重點(diǎn)說(shuō)明
04 名詞解釋
知識(shí)探究
核心素養(yǎng)培育
（4）對(duì)學(xué)科方法、工具或作品進(jìn)行評(píng)價(jià)反思
訓(xùn)練出來(lái)的模型對(duì)“昆蟲(chóng)的識(shí)別”有什么作用？
01 準(zhǔn)備過(guò)程
02 整體結(jié)構(gòu)
03 重點(diǎn)說(shuō)明
04 名詞解釋
習(xí)題測(cè)試
1. 卷積神經(jīng)網(wǎng)絡(luò)中，卷積層的主要作用是（ ）
A. 減少數(shù)據(jù)運(yùn)算量 B. 提取圖像特征 C. 進(jìn)行圖像分類 D. 連接不同層的神經(jīng)元
參考答案：B
01 準(zhǔn)備過(guò)程
02 整體結(jié)構(gòu)
03 重點(diǎn)說(shuō)明
04 名詞解釋
習(xí)題測(cè)試
2.LeNet模型中，經(jīng)過(guò)一層卷積后，圖像的特征圖數(shù)量會(huì)______（增加 / 減少），尺寸會(huì)______（增大 / 減小）。
參考答案：增加；減小
01 準(zhǔn)備過(guò)程
02 整體結(jié)構(gòu)
03 重點(diǎn)說(shuō)明
04 名詞解釋
小結(jié)回顧
請(qǐng)同學(xué)按照下列提示進(jìn)行總結(jié)回顧：
1.學(xué)到了哪些知識(shí)與技能？
2.提升了哪些方面的能力？
3.生成了怎樣的觀點(diǎn)？
01 準(zhǔn)備過(guò)程
02 整體結(jié)構(gòu)
03 重點(diǎn)說(shuō)明
04 名詞解釋
作業(yè)布置
1.項(xiàng)目實(shí)施作業(yè)
請(qǐng)各小組對(duì)項(xiàng)目探究的階段成果進(jìn)行整理并提交，整理內(nèi)容：
（1）項(xiàng)目方案與小組分工表
（2）項(xiàng)目技術(shù)方案和使用說(shuō)明
（3）訓(xùn)練的模型文件
2.課后挑戰(zhàn)作業(yè)（書本P54的“挑戰(zhàn)”部分）

展開(kāi)更多......

收起↑