《深度学习实践教程》配套教案.docx

深度学习实践教程教案吴微第1章深度学习基础1第2章PyToIvh框架安装3第3章PyTOeh基础5第4堂线性回归和逻辑回归8第5章多层全连接神经网络Il第6章卷积神经网络13第7章循环神经网络16第8章生成式对抗网络18第1章深度学习基础深度学习课程教学方案课程名称：深度学习任课教师：开课单位，教学对象：教学目标：1 .理解人工智能、机器学习与深度学习范本概念及相互关系2 .理解深度学习的三大核心要素3 .理解神经元与深度神经网络4 .掌握神经网络（1，常用的激励函数5 .理解i深度学习强大的原因6 .了解常见的深度学习板架点：掌握神经网络中常用的澈励函数难点：理解神经元与深度神经网络的关系：教学安排:教学环节教学内容教学工具<1>多媒体课堂教学<2）超星：上传PpT、练习题.实验教学任务1.l人工智能、机器学习与深度学习1.2 深度学习的三大核心要索1.3 神经元与深度神经网络1.4 神经网络中常用的激励函数1.5 深度学习强大的原因1.6 常见的深度学习框架内容引入人工智能、机零学习与深度学习这三个名诃同学Q是否耳熟能详？他们都是什么样的技术？应用了深度学习技术的AIphaGo为什么能战胜人类用棋冠军？深度学习技术如何模拟了人体的神经系统？目籥有哪些流行的深度学习框架？通过本章的学习同学们都能由己找到答案。授新环节1.1 人工智能、机暑学习与深度学习1. 1.1人工智能简介1.1.2机器学习筒介1. 1.3深度学习简介1.2 深度学习的三大核心要索1.3 利）经元与深度神经网络1.4 卷经网络中常用的激励函数1.5 深度学习强大的原因1.6 常见的深度学习框架详细内容见PPT课程思政1、讲授人工智能发展史和中国在该领域取得的成就，培养学生爱国主义精神和创新意识：2、讲述人工料能的应用场景.了解安全知识,培养学生诚信意识、法治观念、友善价值.内容小结本章从人工智能、机器学习与深度学习这三个耳熟能洋的名词入手,对人工智能、机器学习与深度学习做以筒介。曲后肘深度学习逐步深入讲斛，先介绍神经元与深度神经网络，进而介绍深度学习的三大核心要索，介绍神经网络中常用到的激励困效，并总结出深度学习强大的原因.最后介绍常见的深度学习框架.课后作业本章习跑教学总结< 1>从课程思政的角度：深度学习与思政教行紧密结合.< 2>从知识体系的角强：本章是全H的结论，是对后续章节的杼入。< 3>从能力培养的角度：综合运用数学、计算机的知识，培养全方位高素质人才.效果评估1通过理论课堂教学.进行师生互动,在课程讲授过程中,实时发布测试题目和课堂提问,掌握学习效果：<2）通过课程徵信群,了解学生的学习动态并及时发布课程测试题目：<3）通过超星平台发布冽试时.评估学生学习效果.并记录到平时成绩之中.第2章PyTorch框架安装深度学习课程教学方案课程名称：深度学习任课教师：开课单位，教学对象：教学目标：1 .了解PyTorCh特点2 .掌握WindowsTPyTorch深度学习环境的配置3 .掌握1.inUX下PyTorch深度学习环境的配置4 .掌握一种PyTorch开发工具重点，掌旌一种Pytorch深度学习环境的配置.掌握一种PyTorCh开发工具.教学安排:教学环节教学内容教学工具<1>多媒体课堂教学<2>超星：上传PPT、练习题、实验教学任务2. 1PyTorch介绍2.2 IlindOUs下PyTorCh深度学习环境的汉徨2.3 1.inUX下PyTOrCh深度学习环境的配置2.4 PyTorch开发工具内容引入要想快速实现复杂深度神经网络的构建，必须使用深度神经网络框架。本章开始，我们科介绍本书使用的深度网络框架PyTorch.通过本余的学习，读者将会了解为什么我们选样PyTorch框架，也将学会将这个框架安装在Windovs和1.inux系统下。而后介绍两个编辑PyTorCh程序的集成开发环境。授新环节2.1 PyTorch介IB2.2 fIndg8下PyTorch深度学习环境的配*2.2.1Python环境搭建2. 2.2Windows上安装PyTorch2.31.inuX下PyTorCh深度学习环境的配量2.3.1安装YNVareWorkstationPro2.3.2配附.Pyihon3.5环境2.3.31.inux上安装PyTorch2.4PyTOreh开发工具2.4.1ID1.E2.1.2PyChani详细内容见PPT课程思政从1.inUX操作系统的兴起介绍，独立知识产权的通要性。内容小结通过本章的学习，同学们已经掌握了如何在Windows系统和1.inux系统上以pip方式安装PyTorch,井且介绍了编写PyTOrCh程序常用的两个集成开发环境：ID1.E和PyChaim-课后作业本章习跑教学总结< 1）从课程思政的角度：深度学习与思政教育紧密结合.< 2）从知识体系的角强：本章是全甘实脸的基础，一定要在本章完成环境架设。< 3>从能力培养的角度：除合运用数学、计算机的知识，培养全方位高素质人才.效果评估1通过理论课堂教学.进行师生互动，在课程讲授过程中,实时发布测试题目和谦电提问,掌握学习效果：< 2）通过课程徵信群，了解学生的学习动态并及时发布深程测状SS日：< 3）通过超星平台发布测试电,评估学生学习效果，并记录到平时成绩之中.< 4）本就可安措上机实验学习展开实践教学.第3章PyTOrCh基础深度学习课程教学方案课程名称：深度学习任课教师：开课单位，敕学对象：教学目标：1 .理解张端2 .掌握Tensor的创建3 .掌握Tensor的调整形状操作4 .掌握TenSor的加、减、乘、除、取绝对值操作5 .宓握TenSor的比较操作6 .常撤Tensor的数理统计操作7 .掌攫Tensor与Nunpy的互相转换操作8 .掌握TenSor的降维和增维操作9 .掌握TenSor的裁剪操作10 .掌握TCnSor的索引操作11 .掌握CUdaO函数重点：TenSOr的创建、询整形状、加减乘除、取绝对值操作、比较、数理统计操作、与加mpy的互相转换、降维和增维、战典、索引.TenSor的GPIJ迁移教学安排:教学环节教学内容教学工具<1>多媒体课堂教学<2）超星：上传PPT、练习也、实验教学任务3.1 张量是什么3.2 Tcnsor的创建3.3 Tnsor的冏整形状操作34Tnsor的加、减、乘、除、取绝对侑操作3.5 Tcnsor的比较操作3.6 Tcnsor的数理统计操作3.7 TensorNumpy的互相转换操作3.8 Tensor的降维和增维操作3.9 Iensor的裁剪操作3.10 Tensor的索引操作3.11 把lnsor移到GPU上去内容引入在开始用PyTorch实现深度神经冏络之前，我们需要掌握了解PyTorch的操作对做是什么,它如何定义,赋值、可以做哪些运算操作、如何自动求导、以及数据处理方法.授新环节3.1 张量是什么3.2 Tensor的创建3.3 Tcnsor的员整形状掾作34Tensor的加、流、果、除、取绝对值操作3.5 Tcnsor的比较操作3.6 Tensor的数理及计操作3.7 Tensor与NumPy的互相转换掾作3.8 Tcnsor的降罐和地*掾作3.9 Tensor的裁剪Ik作3.10 Tensor的索引掾作3.11 把Tensor移到GPU上去详细内容见PPT课程思政在学习编程知识时了解编程规范的Hi要性，做人也需遵守规范，恪守法度.内容小结本聿介绍了张山是什么，它如何创建、调整形状、如何进行加减乘除、取绝对值操作、如何进行比较、如何进行数理统计操作、如何与NUmPy的互相转换、如何降雉和增维、裁剪、索引，最后介绍了如何把TenSor移到GpU上去。课后作业本章习时教学总结< 1>从课程思政的角度：深度学习与思政教育紧密结合.< 2）从知识体系的角度：本章是全书的编程的基础，必须熟练掌握本章函数.多做练习，多上机.< 3>从Ife力培养的角度：媒合运用教学、计算机的知识，培养全方位高素旗人才。U通过理论课堂教学,进行师生互动，在课程讲授过程中,实时发布测试Bg目和课堂提问，掌握学习效果；效果评估<2）通过课程做信群,了解学生的学习动态并及时发布课程测试跑目：<3>通过超星平台发布测试时，评估学生学习效果，并记录到平时成绩之中。<4>本章可安排上机实骆学习展开实践教学。第4章线性回归和观辑回归深度学习课程教学方案课程名称：深度学习任课教师：开课单位，敕学对象：教学目标：1 .理解回归2 .理解线性回归模型3 .掌握一元线性回归的实现4 .理解梯度及梯度下降5 .了解多元ft性回归实现6 .掌握逻轼回归的概念和代码实现点：理解线性回归模型，掌握元线性回归的实现，逻班回归的概念和代码实现.难点：梯度下降法和损失函数，教学安排:教学环节教学内容教学工具<1>多媒体课堂教学<2）超星：上传PPT、练习题、实验教学任务4.1 回归4.2 线性网归模型4.3 一元线性回归的实现4.4 梯度及梯衣下降-1.5多元线性I可归实现4.6遗辑目归内容引入本章困绕两个问题展开：一、建立深度学习的线性回归模型，实现简单预利。二、建立深度学习的逻辑回归模型,实现简单分类.线性回归模型分为一元践性回归和多元践性回归.在一元战性回归模型中先介绍什么是回回、什么是线性回归、解决线性回归的两个主要方法：最小二乘法和梯度下降法.最后介绍逻辑回归模型.学习线性【可归的建模思想能够有助于理解复杂的深度学习模型.授新环节4.1 回归4.2 线性回归模型4.3 一元线性回归的实现4.4 梯度及梯度下降4.4.1梯度4.4.2楮眼下降法4.5 多元线性回归实现4.6 逆,回归4.6.1什么是逻辑回归4.6.2逻辑回归中的损失函数4.6.3逻辑I可归的代码实现详细内容见PpT课程思政引申迭代法的内涵，强化工匠精神内容小结践性回归模型处理的是预测问题，逻辑回归模型处理的是分类同SS,那么回归问鹿和分类何超的区别在哪里呢？分类问题带电把数据集分到某一类.所以这是一个需放的问2.而税性I可归是一个连续的向Sfi,比如曲浅的拟合，我们可以拟合任意的函数结果，这个结果是一个连续的值。分类问跑和回归问遨是深度学习的第一步我到任何一个何包,我们都需要先确定其到底是分类还是回归，然后再进行算法设计。课后作业本章习时教学总结< 1>从课程思政的角度：深僮学习与思政教育紧密结合.< 2>从知识体系的角度：本章是理解深度学习的基础,通过实验理解是最好的方法.< 3）从能力培养的角度：涂合运用数学、计豫机的知识，培养全方位高素而人才。<1通过理论课堂教学，进行师生互动，在课程讲授过程中，实时发布测试题目和课堂提问，常握学习效果；效果评估<2）通过课程做信群,了解学生的学习动态并及时发布课程测试题目：<3）通过超星平台发布测试时，评估学生学习效果，并记录到平时成绩之中。<4>本章可安排上机实聆学习展开实践教学。第5章多层全连接神经网络深度学习课程教学方案课程名称：深度学习任课教师：开课单位，敕学对象：教学目标：1 .理解金连接神经网络、SOftmax与交叉燃2 .理解反向传播算法，包括琏式法则、反向传播算法3 .掌握计算机视觉工具包：torchvision4 .掌握用全连接神般网络实现多分类MAt理解SortmaX与交叉络、掌握用全连接神经网络实现多分类.难点3理解SofundK与交叉燃、现解反向传播尊法，包括链式法则、反向传播算法。教学环节教学内容教学工具<1>多媒体深空教学<2)超星：上传PPT、练习题、实验教学任务5.1 全连接神经网络(FC)5.2 多分类向Sg5.3 3SOftmaX与交叉烟5.4 1反向传播算法5.5 计算机视觉工具包：IOrChViSion5.6 用全连接神经网络实现多分类内容引入从本章开始介绍各种神经网络.神羟网络不是一个具体的算法，而是一种模型构建的思想或者方式.本章将介绍的多层全连接神经网络是一种采用神经元全连接方式的网络.我们招用多层全连接神经网络解决一个MMST手写数字多分类科胞.在进入代码之前，会介绍所?E的茶础知识，如什么是多分类问啊、深段学习的塞石-反向传播现法、计算机视觉工具包：Corchvisioru授新环节5.1全连接神能网络(FC)5.2多分类付5.3SOfgaX与交叉镇6.4反向传播算法5. 4.1链式法则6. 4.2反向传播律法7. 4.3Sigmoid函数举例5.5 计算抗视觉工具包；torchvision5.6 用全连接神经网络实现多分类5.6.1定义网络5.6. 2全连接识别MNIST手写数字详细内容见PPT课程思政从超参数调优的过程强化耐心、细致、有条理的工作作风.内容小结本章从全连接网络的弱点引入卷枳神经网络，卷枳神经网络和卜章要讲的循环神经网络都属于深度前馈同络.介绍了卷积神经网络的原理、卷积层、池化层卷积神经网络的架构,并介绍了三个经典的CNN网络：如IqNet5、VGGNet,ResNet,课后作业本章习陶教学总结< 1>从课程思政的角度：深度学习与思政教育紧密结合.< 2>从知识体系的角状：通过全链接网络、SUflrnaX等深度学习必须理解知识点的学习，学会分类。< 3>从能力培养的角度：综合运用数学、计算机的知识，培养全方位将素质人才.效果评估1通过理论课堂教学.进行师生互动,在课程讲授过程中,实时发布测试遨目和课堂提词,掌握学习效果：< 2)通过课程徵信群，了解学生的学习动态并及时发布课程测试即目：< 3)通过超星平台发布测试跑.评估学生学习效果,并记录到平时成绩之中.< 4>本章可安排上机实验学习展开实践教学.第6章卷积神经网络深度学习课程教学方案课程名称：深度学习任课教师：开课单位：敕学对象：教学目标：1 .理解i采度前馈网络2 .常楹卷积神经网络原理3 .掌握卷积层4 .掌握他化层5 .掌握CNN架构6 .理解经典CNN-1.eNC157 .了解经典CNN-YGGNet8 .了解经典CNN-ReSNet重点t掌握卷积神经网络原理、卷根层、池化层.安梅CNN架构,理解经典CN1.eNet5.难点，掌握卷积神经网络原理、卷枳层、池化层.教学安排:教学环节教学内容教学工具<1>多媒体课堂教学<2>超星：上传PPT、练习题、实验教学任务6. 1深度前健网络6.2全连接网络和卷积神经网络6. 3卷积神经网络除埋6.4卷积层6.5池化层6.6CNN架构6.7 经典OW-1.eNet56.8 经典CNN-VGGNet6.9 经典CNN-ReSNet详细内容见PPT内容引入随若神羟网络技术的进化与发展,科学家们慢慢也发现了一批网络的局限性,所以才把到是否可以设计些新的神经元的逻辑结构或者连接方式来做个补充.卷枳网络就是-种很有益的尝试而且这一尝试就一发不可收拾。到现在为止,绝大多数在模式识别应用中表现好的同络都在定程度上.借恐了卷枳神经网络的关键组件，这一章我们就来看一下卷枳神经网络.授新环节6.1 深度前愦网络6.2 全连接网络和卷积神短网络6.3 卷枳神较网络原理&4卷积层6.5 池化层6.6 OiN架构6.7 经典Qi-1.eNet56.7.11.eNet-5结构6.7.2CIFAR10数据库介绍6.7.31.eNet-5代码实现6.8 经典OtFVGGNet6. 8.1VGGNet介绍7. 8.2VGGWl代码实现6.9 经典QtFResNet6.9.1 ResNet介绍6.9.2ResNet残差模块代码实现课程思政行业中各加企业竞争激烈，要宣扬社会主义核心价值观，公平、诚信的进行竞争，内容小结本章从全连接胸络的弱点引入卷积神经网络，卷积神般网络和下一率要讲的很环神经网络都属于深度前馈网络.介绍了卷积神经网络的原理、卷枳层、池化层卷枳神经网络的架构,并介绍了三个经典的CW网络:如1.eNet5、VGGNet.ResNet.课后作业本章习SS教学总结<1>从课程思政的角世：深度学习与思政教讦紧密结合.<2）从知识体系的角度；本章是全H的重点章节，其中卷枳神经网络更是重中之重。<3>从能力培养的角度：标合运用数学、计匏机的知识，培养全方位态素侦人才。效果评估< 1）通过理论课堂教学，进行师生互动，在课程讲授过程中,实时发布测试题目和课堂提问,掌握学习效果：< 2）通过课程徵信群，了解学生的学习动态并及时发布课程测试SS目：< 3）通过超星平台发布测试时.评估学生学习效果.并记录到平时成绩之中.< 4>本章可安排上机实验学习展开实践教学.深度学习课程教学方案课程名称：深度学习任课教师：开课单位，教学对象：教学目标：1. 了解前馈神经网络和循环裨经网络2. 了解储环神经网络原理3. 理解长短时记忆网络重点：理解长短时记忆网络难点；长短时记忆网络教学安排;教学环节教学内容教学工具<1>多媒体课堂教学<2）超星：上传PpT、练习胭、实验教学任务7.1 前馈神羟网络和循环神经网络7.2 循环神经网络原理7.3 长短时记忆网络内容引入卷枳神经网络的各种版本不断提升着时单个物体的识别性能，但.在对于一些与时间先后有关的,比如视物的下一时刻的预测，文档后文内容的预测等，这些算法的表现就不尽如人懑了。能否研究一种算法不仅考虑前一个神经元的输入，也考虑更前面的神经元的影响？这就是人的研究循环神经网络的初衷.授新环节7.1 前愦神经网络和麓环神经网络7.2 环神趣网络原理7.3 长短时记忆网络7.3.1长短时记忆网络原理7.3.2长短时记忆网络实例17.3.3长短时记忆网络实例2详细内容见PPT课程思政通过序列标注示例，介绍抗疫精神，促进社会主义核心价值观的认同.内容小结本点介绍了能钙考虑时间序列信息的循环神经网络，又针对循环神经网络容易出现梯度消失或梯度爆炸的问题，介绍了长短时记忆神经网络。从长蚯时神经网络的结构到实现原理,最后给出了两个实例：第一个是1.Snn络在学习了正弦波之后,试图预测未来的信号侑。笫二个是亚马逊评出的情绪分析0课后作业本章习跑教学总结< 1>从课程思畋的角度：深度学习与思政教科紧密结合，< 2)从知识体系的角度：本章的循环神经网络有很多实际应用,通过实例理解.< 3>从能力培养的角状：嫁合运用教学、计蚌机的知识，培养全方位高索质人才。效果评估(1)通过理论课堂教学,进行师生互动，在课程讲授过程中，实时发布测试鹿目和课堂提问，掌握学习效果；< 2>通过课程做信群,了解学生的学习动态并及时发布课程泅试题目：< 3)通过超星平台发布测试即，评估学生学习效果,并记录到平时成绩之中.< 4>本%可安排上机实验学习展开实践教学。深度学习课程教学方案课程名称：深度学习任课教师：开课单位，教学对象：教学目标：1. 理解晚始生成式对抗网络2. 了解条件生成对抗网络3. 了解最小二乘生成对抗忖络重点：理解原始生成式对抗网络难点：原始生成式时抗网络概念教学安排：教学环节教学内容教学工具<1>多媒体课堂教学<2）超星：上传PpT、练习胭、实验教学任务8.1 原始生成式对抗网络8.2 条件生成对抗网络8.3 最小二乘生成对抗网络内容引入2014年IanGoodfcllow提Hi了牛.成式对抗网络（GenCratiVeAdversarialNetworks,G.N>,在随后的几年中GAN就成了深僮学习领域内最火的一个概念，包括1.eCun在内的许多学者都认为，GAN的出现将会大大推进人工智能向无监督学习发展的进程.魔高一尺，道高一丈用来形容生成挑和判别戏最合适了,在生成器和判别器的博弈中人们期里的图片或视领、动国等就产生了,生成对抗同络就是这样的神奇.授新环节8.1原纶生成式对抗网络8.1.1GAN原理8. 1.2GAN实现代码&2条件生成对抗网络8.3小二果生成对抗网络详细内容见PPT课程思政通过讳论人工神经网络的安全问题，强化社会主义职业道牌观.内容小结本章介绍了生成对抗网络的施本原理，并进行了博弈过程的数学推导，介绍了加入另外条件y的生成对抗网络CGAN,又介绍了针对生成对抗网络图片麻盘不高以及训练过程不稳定这两个块陷进行改进的1.SGAN网络.课后作业本章习即教学总结< 1）从课程思政的角度：深度学习与思政教对紧密结合.< 2>从知识体系的角度；生成式对抗网络是使人工智能升华的章节,展现了深度学习的神奇之处，让学生动手实验,体会深度学习的魅力.< 3>从能力培养的角度：标合运用数学、计算机的知识，培养全方位高素质人才。效果评估（1通过理论课堂教学,进行师生互动，在课程讲授过程中，实时发布测试Bg目和课堂提问,掌握学习效果；< 2）通过课程徵信群,了解学生的学习动态并及时发布课程测试跑目：< 3）通过超星平台发布测试即，评估学生学习效果,弁记录到平时成绩之中.< 4>本章可安排上机实紧学习展开实践教学。20