資源簡介

課題名稱 第2課 卷積神經網絡及其應用
課時目標 1.知道卷積神經網絡，能夠說出卷積神經網絡的作用。 2.知道模型訓練流程，能夠用EasyTrain完成模型訓練。
教學準備 網絡計算機、XEdu軟件
導學過程 意圖說明
知識探究 1.項目子問題或任務引入 ——學習常見卷積神經網絡結構和訓練過程，來為“昆蟲的識別”作知識儲備。 2.探究內容與要求 （1）方法引領：遵循“概念→結構→原理→......”認知規律 （2）主要內容： ①什么是卷積神經網絡？——像素點構成和卷積計算 　　②卷積神經網絡的結構？——卷積層和池化層 ③卷積神經網絡的訓練？——任務選擇、數據集選擇和參數設置 3.知識習得 （1）自主閱讀：以書本P47-50為主，網絡知識作補充 （2）知識梳理： ①數字圖像是由一個個像素點構成的。 黑白圖像的像素點的值是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使用全連接神經網絡處理圖像，參數量會很多，因此科學家參考動物視覺感受野，設計出了“卷積神經網絡”。 ③卷積神經網絡中有兩種特殊的網絡，分別為卷積層和池化層。 4.知識習得 （1）自主閱讀：以書本P50-51為主，網絡知識作補充 （2）知識梳理： ①LeNet模型輸入的是32x32像素的灰度圖像。 ②LeNet網絡中有卷積層、池化層、展平層、全連接層等。 ③使用BaseNN搭建神經網絡時，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。 5.知識習得 （1）自主閱讀：以書本P51-54為主，網絡知識作補充 （2）知識梳理： ①用訓練工具EasyTrain，訓練圖像分類模型，可以選擇任務為“分類任務”，選擇模型為“LeNet”模型，數據集選擇系統自帶的數據集，然后開始設置參數，分類數量要和選擇的數據集保持一致，最后生成訓練代碼。 ②訓練過程中可以看到損失函數值的變化和識別準確率的值的變化。 ③輪數（epoch）、學習率（lr）等被稱為模型訓練的超參數。 6.核心素養培育 （1）學會分析:以“昆蟲的識別”為例，如何實現圖像分類任務的模型選擇、模型結構搭建或選擇、模型訓練設置。 輔助分析支架：要實現“昆蟲的識別”的圖片識別等功能，需要用到卷積神經網絡，模型可以選擇LeNet模型或其他更復雜的模型，訓練時要設置好分類數量等超參數。 （2）學會解釋:為什么卷積神經網絡比全連接神經網絡在圖像任務中更優秀？ 輔助分析支架：通過參數量計算對比，輸入層的參數差異明顯。卷積層參考感受野設計，可以感受更大區域的信息。 （3）學會求證：用實驗結果去支持你解釋的觀點！ ——教師引領學會求證：用訓練工具完成一次圖像分類任務的模型訓練，體會模型準確率提升的過程。 ①求證技能：用XEdu中的EasyDL系列工具中的EasyTrain。 ②求證活動：用EasyTrain一步步選擇和設置，完成模型訓練。 （4）對學科方法、工具或作品進行評價反思 ①訓練出來的模型對“昆蟲的識別”有什么作用？ 習題測試 1. 卷積神經網絡中，卷積層的主要作用是（ ） A. 減少數據運算量 B. 提取圖像特征 C. 進行圖像分類 D. 連接不同層的神經元 參考答案：B 2.LeNet模型中，經過一層卷積后，圖像的特征圖數量會______（增加 / 減少），尺寸會______（增大 / 減小）。 參考答案：增加；減小 小結回顧 請同學按照下列提示進行總結回顧： 1.學到了哪些知識與技能？ 2.提升了哪些方面的能力？ 3.生成了怎樣的觀點？ 布置作業 1.項目實施作業 請各小組對項目探究的階段成果進行整理并提交，整理內容： （1）項目方案與小組分工表 （2）項目技術方案和使用說明 （3）訓練的模型文件 2.課后挑戰作業（書本P54的“挑戰”部分） 略

展開更多......

收起↑