資源簡介

(共37張PPT)
第2單元 第4課
跨學科活動：昆蟲的識別
（清華大學版）八年級
下
1
核心素養目標
3
新知講解
5
拓展延伸
7
板書設計
2
新知導入
4
課堂練習
6
課堂總結
課后作業
8
01
核心素養目標
信息意識
計算思維
數字化學習與創新
信息社會責任
在進行昆蟲識別時，需要考慮到數據隱私、知識產權和生態保護等社會責任，確保技術的應用不會對環境和社會造成負面影響。
通過運用神經網絡和深度學習技術，能夠在數字化環境中進行學習和實驗，探索新的識別方法和技術，推動創新。
通過學習本課，可以將復雜的昆蟲識別問題轉化為可以通過算法解決的形式，包括數據預處理、特征提取和模型訓練等。
能意識到數據的來源、質量和重要性，對數據的收集、處理和分析能理解如何利用信息技術來解決實際問題。
02
新知導入
本課中你將體驗:
如何設計一個神經網絡識別昆蟲項目
如何搭建識別昆蟲的神經網絡
如何轉換模型并部署應用
02
新知導入
在某些地區，農作物經常受到不同蟲害的侵襲，導致產量下降。請同學們應用所學的生物學知識和深度學習技術識別多種昆蟲，幫助家鄉的農民監測農作物蟲害情況，減少經濟損失。
02
新知導入
03
新知講解
一、需求分析
在設計神經網絡識別昆蟲時，必須從當地的實際情況出發，挖掘真實需求。在項目需求方面，需要有大量當地昆蟲圖像組成的數據集，并借助深度學習技術，訓練一個神經網絡識別出不同昆蟲，把訓練好的神經網絡模型部署到實際應用場景中去，完成一個智能應用。請你結合前面的學習，根據項目需求將表 2.4.1填寫完整。
03
新知講解
需求項 具體描述
數據收集 昆蟲圖像的種類 昆蟲圖像的種類
采集方式 通過相機拍攝、無人機采集、野外考察等方式
其他 數據標注、數據清洗、數據增強等
搭建應用 部署應用場景 部署應用場景
部署應用設備 智能手機、平板電腦、嵌入式設備等
其他 用戶界面設計、模型優化、實時反饋等
表2.4.1 項目需求分析表
03
新知講解
二、分工合作
方案設計完成后，你的小組需要進行分工合作，小組成員的分工角色與合作職責，可以參照表 2.4.2所示范例設計，也可以另行設計。
姓名 角色 分工
A 組長 負責項目統籌、監督與管理
B 成員 負責進行數據集制作與文檔撰寫
C 成員 負責模型訓練與評估
D 成員 負責模型部署與程序測試
E 成員 負責總結內容
03
新知講解
三、規劃實施
神經網絡識別昆蟲項目的實施過程，可分為項目方案設計、收集整理圖像素材、訓練神經網絡模型、部署與應用模型。
03
新知講解
1.項目方案設計
項目方案的設計包括：如何準備圖像數據，是從網絡上下載，還是通過攝像頭采集;收集好圖像數據后，制作成哪種格式的數據集(如ImageNet 格式或 COC0 格式 );選用哪種平臺進行模型訓練(如 MMEdu ):訓練好的模型如何轉化，以及如何部署在邊緣設備上使用。請搜索并學習相關知識，以更好地設計你們的方案。
03
新知講解
2.收集整理圖像素材
圖像素材主要的收集方式有網絡下載、拍攝錄制與編寫繪制等，其中網絡下載要尊重版權，并通過正規渠道獲取。對收集到的原始素材，通常還要進行加工處理并分類保存。素材收集完成后，按分類需求填人表 2.4.3 中。
03
新知講解
3.訓練神經網絡模型
已經學習了 MMEdu 訓練模型的核心步驟和代碼，現在用自建的昆蟲數據集進行模型訓練。以小組為單位，嘗試使用不同的 SOTA 訓練昆蟲分類模型，留下一個最好的模型。當然，也可以采用無代碼的方式進行訓練。對于這兩種方式，你更喜歡哪一種
03
新知講解
4.部署與應用
模型不同的深度學習開發框架都有自己特定類型的模型文件，為了方便部署和應用，我們需要進行模型轉換，MMEdu 提供了轉換函數，可以方便地轉換為 ONNX 格式，然后進行邊緣設備部署。
03
新知講解
四、交流評價
項目成果交流，分成果整理與交流兩個環節。成果整理，其內容涉及項目需求分析、項目方案設計、素材收集、模型部署和應用等方面，并為之制作匯報交流用的 PPT。
項目成果評價，可基于表2.4.4 所示的評價量規，來對自己與他人的項目成果進行客觀的評價，并記錄評價結果。
03
新知講解
04
課堂練習
一、選擇題
1、在運用神經網絡識別昆蟲的項目中，以下哪項是數據預處理的步驟？
A. 選擇合適的模型 B. 數據清洗和歸一化
C. 訓練模型 D. 評估模型性能
2、深度學習主要依賴于哪種類型的網絡結構？
A. 線性回歸 B. 決策樹
C. 神經網絡 D. 支持向量機
3、在使用神經網絡進行昆蟲識別時，常用的輸入數據類型是什么？
A. 文本數據 B. 圖像數據
C. 音頻數據 D. 時間序列數據
B
C
B
04
課堂練習
4、在構建卷積神經網絡（CNN）時，通常使用的層次結構是：
A. 輸入層 - 隱藏層 - 輸出層
B. 輸入層 - 卷積層 - 池化層 - 全連接層 - 輸出層
C. 輸入層 - 循環層 - 輸出層
D. 輸入層 - 嵌入層 - 輸出層
二、判斷題
1、數據清洗的目的是去除數據中的噪聲和不一致性，以提高模型的準確性。
2、TensorFlow和Keras是同一種框架，只是名稱不同。
3、在深度學習中，過擬合是指模型在訓練集上表現良好，但在測試集上表現差。
B
×
V
V
04
課堂練習
三、操作題
請使用TensorFlow或Keras框架，構建一個簡單的卷積神經網絡（CNN）模型來識別昆蟲圖像。要求如下：
1. 數據集：使用公開的昆蟲圖像數據集（如Kaggle上的昆蟲分類數據集）。
2. 數據預處理：對圖像進行縮放、歸一化和數據增強。
3. 模型構建：構建一個包含卷積層、池化層和全連接層的CNN模型。
4. 模型訓練：使用適當的損失函數和優化器進行訓練，并記錄訓練過程中的準確率和損失值。
5. 模型評估：在測試集上評估模型的性能，并輸出分類報告。
05
拓展延伸
深度學習技術在生活中的其他應用
圖像識別：深度學習廣泛應用于圖像識別技術中，如人臉識別、物體檢測和自動駕駛汽車的視覺系統。
自然語言處理：在語音識別、機器翻譯和聊天機器人等領域，深度學習技術被用于理解和生成自然語言。
05
拓展延伸
深度學習技術在生活中的其他應用
醫療診斷：深度學習被用于分析醫學影像（如X光片、CT掃描）以輔助醫生進行疾病診斷。
推薦系統：電商平臺和流媒體服務利用深度學習算法分析用戶行為，提供個性化的產品和內容推薦。
金融服務：在信貸評估、欺詐檢測和算法交易中，深度學習被用來分析大量數據并做出決策。
05
拓展延伸
數據收集、清洗和分析的基本技能
數據收集：這是數據科學的第一步，通常通過各種來源獲取數據，如數據庫、API、Web抓取、開放數據集等。常用的數據收集工具包括Python中的`requests`庫、`pandas`、`beautifulsoup`等。
數據清洗：數據收集后通常需要進行清洗。包括處理缺失值、重復數據、異常值，數據格式轉換，規范化等。常用工具有`pandas`和`numpy`，可以進行數據處理、轉換和過濾。
05
拓展延伸
數據收集、清洗和分析的基本技能
數據分析：對數據進行統計分析、描述性分析和探索性數據分析（EDA）。你可以使用`pandas`進行數據的整理，`matplotlib`、`seaborn`或`plotly`進行數據可視化，來發現數據的規律和潛在模式。
05
拓展延伸
深度學習框架的使用
TensorFlow：由Google開發，廣泛應用于深度學習，支持各種深度學習任務。TensorFlow的核心是張量操作，通過`tf.keras`簡化了模型的構建過程。你可以使用TensorFlow實現多層神經網絡、卷積神經網絡（CNN）、遞歸神經網絡（RNN）等。
05
拓展延伸
深度學習框架的使用
Keras：Keras是TensorFlow的高級API，提供了更簡潔和易于使用的接口。它使得構建、訓練和評估深度學習模型變得非常簡單。
PyTorch：由Facebook開發，PyTorch的靈活性和動態圖計算特性讓它在學術界非常流行。PyTorch非常適合研究和原型開發。
05
拓展延伸
深度學習框架的步驟
學習如何構建深度學習模型（如：神經網絡、CNN、RNN等）。
學習如何進行數據預處理，構建數據管道。
掌握訓練和驗證模型的技巧，如損失函數、優化器和超參數調節。
使用GPU加速訓練。
06
小結與評價
單元回顧
本單元你學習了:
神經網絡與深度學習的概念
卷積神經網絡的組成
神經網絡模型的訓練、部署與應用
06
小結與評價
知識梳理
06
小結與評價
學習檢測
1、卷積神經網絡主要用于( ）。
A.機器翻譯 B.語音識別 C.圖像識別 D.自然語言處理
2、卷積神經網絡中的池化層的作用是（ ）。
A.減小數據尺寸 B.增強圖像特征
C.進行分類 D.進行回歸
C
A
06
小結與評價
學習檢測
3、多層感知機模型增強了神經網絡的 表達能力。
4、對于一張低分辨率(25x25)的甲蟲 RGB 彩色圖片，其像素數量為 個
每個像素點的色彩用 個數值表示。
5、學校想要開發一臺機器人，負責檢查和清理走廊的垃圾。現在學校邀請你共同參與討論這臺機器人的開發，你的目標是建立一個模型來預測攝像頭拍到的地面是否有垃圾。請簡述你將如何完成這個圖像分類模型的訓練。
非線性
625
3
06
小結與評價
學習檢測
數據收集：收集大量帶有標簽的圖像數據，標簽表示圖像中是否有垃圾。
數據預處理：對圖像數據進行預處理，如縮放、歸一化等。
模型選擇：選擇合適的卷積神經網絡架構，如VGG、ResNet等。
模型訓練：使用收集的數據集對模型進行訓練，調整超參數以優化模型性能。
模型評估：使用驗證集評估模型的性能，確保模型沒有過擬合。
模型部署：將訓練好的模型部署到機器人上，進行實時圖像分類。
06
小結與評價
反思評價
在本單元的學習過程中，肯定少不了與他人進行互動交流、參與作品制作等活動。現在請就此進行總結與反思，以便更好地促進自身成長。
1.從同伴那里學到了什么
2.與同伴分享過哪些觀點
3.工具、方法的使用是否得當
4.是否有值得推廣的經驗
07
課堂總結
1
引入新知內容
跨學科活動：昆蟲的識別
2
進行需求分析和分工合作
3
完成規劃實施和評價交流
4
完成課堂練習
5
進行知識拓展
1
2
3
4
5
08
板書設計
跨學科活動：昆蟲的識別
1、進行新知引入
2、進行需求分析和分工合作
3、完成規劃實施和評價交流
4、完成課堂練習
5、進行知識拓展
課后作業。
1、分析參數對模型性能影響
2、單元總結
09
課后作業
1、在構建的CNN模型基礎上，嘗試不同的超參數（如學習率、批量大小、層數等），并記錄每次實驗的結果，分析哪些參數對模型性能影響最大。
2、回顧本單元所學內容，完成一份思維導圖。
https://www.21cnjy.com/recruitment/home/fine

展開更多......

收起↑