深度学习实践教程 教案全套 第1--8章 深度学习基础----生成式对抗网络.docxVIP

深度学习实践教程 教案 第4章线性回归和逻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： 教学对象： 教学目标： .理解回归.理解线性回归模型 .掌握一元线性回归的实现.理解梯度及梯度下降 . 了解多元线性回归实现.掌握逻辑回归的概念和代码实现 重点： 理解线性回归模型，掌握一元线性回归的实现。逻辑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 1回归 线性回归模型 一元线性回归的实现 梯度及梯度下降 多元线性回归实现 逻辑回归 内容引入 本章围绕两个问题展开：一、建立深度学习的线性回归模型，实现简单预测。二、 建立深度学习的逻辑回归模型，实现简单分类。 89 线性回归模型分为一元线性回归和多元线性回归。在一元线性回归模型中先介绍 什么是回归、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。学习线性回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 回归 线性回归模型 一元线性回归的实现 4梯度及梯度卜降 4. 4. 1梯度 4. 2梯度下降法 多元线性回归实现 逻辑回归 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逻辑回归的代码实现 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 线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问题。那么回归问题 和分类问题的区别在哪里呢？分类问题希望把数据集分到某一类，所以这是一个离散 的问题。而线性回归是一个连续的问题，比如曲线的拟合，我们可以拟合任意的函数结 果，这个结果是一个连续的值。 分类问题和回归问题是深度学习的第一步，拿到任何一个问题，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 本章习题 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： 综合运用数学、计算机的知识，培养全方位高素质人才。 (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，掌握学习效果； 效果评估 (2)通过课程微信群，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题，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。 10 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： 教学对象： 教学目标： .理解全连接神经网络、softmax与交叉嫡.理解反向传播算法，包括链式法则、反向传播算法 .掌握计算机视觉工具包：torchvision.掌握用全连接神经网络实现多分类 重点： 理解softmax与交叉牖、掌握用全连接神经网络实现多分类。 难点： 理解softmax与交叉熠、理解反向传播算法，包括链式法则、反向传播算法。 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全连接神经网络(FC) 5.2多分类问题 5. 3 softmax与交叉牖 5. 4反向传播算法 5. 5计算机视觉工具包：torchvision 5. 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。神经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。我们将用多层全连接神经网络解决一个MNIST手写数字多分类问题。在进入代 11 码之前，会介绍所需的基础知识，如什么是多分类问题、深度学习的基石-反向传播算 法、计算机视觉工具包：torchvisiorio 授新环节 5.1全连接神经网络(FC) 5. 2多分类问题 5. 3 softmax与交叉烯 5. 4反向传播算法 5. 4. 1链式法则 5. 4. 2反向传播算法 5. 4. 3 Sigmoid函数举例 5. 5计算机视觉工具包：torchvision 5. 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积神经网络，卷积神经网络和下一章要讲的循环神 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LeNet5、VGGNet、ResNeto 课后作业 本章习题