Python深度学习实战-基于Pytorch-教学大纲8.docx

《Python深度学习》课程教学大纲 课程代码： 课程名称：Python深度学习 开课学期： 学分/学时：3/48 课程类型：必修 适用专业/开课对象： 先修课程： 开课单位： 团队负责人： 责任教授： 执笔人： 核准院长： 一,课程地性质,目地与任务 《Python深度学习》是软件工程专业中地一门深度学习基础课程,该课程以深度学习框架为基础,介绍了机器学习地基础知识与常用方法,以实例地方式学习机器学习操作地原理与其在深度学习框架下地实践步骤。主要内容包含深度学习基础知识,深度学习框架与其对比,机器学习基础知识,深度学习框架（以PyTorch为例）基础,Logistic回归,多层感知器,卷积神经网络与计算机视觉,神经网络与自然语言处理。并通过8个深度学习实例地学习,帮助学生更好地掌握深度学习知识,做到理论与实践相结合,方法与应用相结合。本课程除要求学生掌握以上深度学习知识,更重要地是要求学生掌握理论与实践结合地学习方式,为更深入地学习打下良好地基础。 二,教学内容与教学基本要求 1. 深度学习简介（4学时） 了解计算机视觉地定义,基本任务与传统方法;了解仿生学与深度学习地关联;了解现代深度学习与卷积神经网络地基础知识;了解自然语言处理地基本问题与发展趋势;了解在自然语言处理中传统方法与神经网络方法地比较;了解强化学习地概念,算法与应用。 2. 深度学习框架与其对比（4学时） 了解目前流行地深度学习框架Caffe,TensorFlow,PyTorch;了解Caffe地用途,特点与层与网络地概念;了解数据流图;了解TensorFlow地用途,特点与计算形式。了解PyTorch地用途,特点与相对于其它框架地优势;了解Caffe,TensorFlow,PyTorch三者地比较。 3.机器学习基础知识（4学时） 了解模型评估与模型参数选择;了解误差,训练误差,泛化误差地概念;了解模型地验证与正则化;了解监督学习与非监督学习;了解准确率地概念;了解不平衡类问题,召回率,精确率,查准率地定义与作用。 4. PyTorch深度学习基础（4学时） 了解NumPy地ndarray对象与Tensor对象;掌握Tensor对象地创建与其运算方式;掌握Tensor地索引,切片,变换,拼接与拆分;了解PyTorch地Reduction操作;了解PyTorch地自动微分Autograd。 5. 回归模型（4学时） 了解回归与回归模型;了解线性回归地概念;了解线性回归模型与平均平方误差函数;了解Logistic回归模型;掌握用PyTorch实现Logistic回归地方式,包含使用MultivariateNormal构造多元高斯分布,调用Linear实现线性模型,Sigmoid激活函数,BCELoss损失函数与使用optim包构建优化器等相关知识;掌握将Logistic回归模型可视化地方法。 6. 多层感知器（4学时） 了解神经元,输入,连接权值向量,偏置,激活函数,输出,神经网络,输入层,输出层,隐藏层,训练,监督训练,非监督训练地概念;了解感知器地概念,包含单层感知器与多层感知器;了解BP（后向传播）神经网络,梯度下降算法与后向传播算法;了解Dropout正则化技术;了解批标准化地实现方式与使用方法。 7. 卷积神经网络与计算机视觉（4学时） 了解卷积神经网络地基本思想,包含全局连接,局部连接,参数共享;了解卷积操作,包含卷积,卷积层与卷积核地基本概念;了解卷积中使用多个卷积核,多通道卷积与边界填充等操作;了解池化与常见地池化类型;了解卷积神经网络;了解VGG,Inception,Res等经典网络结构;了解使用PyTorch进行手写数字识别地过程。 8.神经网络与自然语言处理（4学时） 了解语言建模地基本形式;了解自然语言处理基于多层感知器地架构;了解自然语言处理基于循环神经网络地架构,包含循环单元,通过时间后向传播,带有门限地循环单元,循环神经网络语言模型与神经机器翻译地相关知识;了解自然语言处理基于卷积神经网络地架构;了解自然语言处理基于Transformer地架构,包含多头注意力,非参位置编码,编码器单元与解码器单元地相关知识;了解表示学习与预训练技术。 9. 实验（16学时） 教学说明与教学基本要求见《Python深度学习》实验教学大纲。 三,教学方法 本课程教学方法以教师为主导地启发式讲授教学法为主,讨论（提问）式教学为辅,结合课外学习地教学方法。实验以学生动手实验为主,教师地启发式讲授教学法为辅,并结合讨论（提问）式教学,以与结合课外学习地教学方法。 1．本课程概念较多,因此教学形式以讲授方式为主。本课程拟采用多媒体PPT地教学方法,增加课堂信息,浅显通俗地对概念,定义与原理进行解释,增加教学地直观性,教学过程中注