清华大学版（2024）（青海）八下信息科技 第2单元 第2课 卷积神经网络及其应用 教学设计.docxVIP

课题名称

第2课卷积神经网络及其应用

课时目标

1.知道卷积神经网络，能够说出卷积神经网络的作用。

2.知道模型训练流程，能够用EasyTrain完成模型训练。

教学准备

网络计算机、XEdu软件

导学过程

意图说明

知识探究

1.项目子问题或任务引入

——学习常见卷积神经网络结构和训练过程，来为“昆虫的识别”作知识储备。

2.探究内容与要求

（1）方法引领：遵循“概念→结构→原理→......”认知规律

（2）主要内容：

①什么是卷积神经网络？——像素点构成和卷积计算

②卷积神经网络的结构？——卷积层和池化层

③卷积神经网络的训练？——任务选择、数据集选择和参数设置

3.知识习得

（1）自主阅读：以书本P47-50为主，网络知识作补充

（2）知识梳理：

①数字图像是由一个个像素点构成的。黑白图像的像素点的值是0或1，灰度图像则是0～255，彩色图像用RGB三原色混合得到。

②使用全连接神经网络处理图像，参数量会很多，因此科学家参考动物视觉感受野，设计出了“卷积神经网络”。

③卷积神经网络中有两种特殊的网络，分别为卷积层和池化层。

4.知识习得

（1）自主阅读：以书本P50-51为主，网络知识作补充

（2）知识梳理：

①LeNet模型输入的是32x32像素的灰度图像。

②LeNet网络中有卷积层、池化层、展平层、全连接层等。

③使用BaseNN搭建神经网络时，Conv2D表示的是卷积层，MaxPool表示的是最大池化层，Linear表示的是全连接层。

5.知识习得

（1）自主阅读：以书本P51-54为主，网络知识作补充

（2）知识梳理：

①用训练工具EasyTrain，训练图像分类模型，可以选择任务为“分类任务”，选择模型为“LeNet”模型，数据集选择系统自带的数据集，然后开始设置参数，分类数量要和选择的数据集保持一致，最后生成训练代码。

②训练过程中可以看到损失函数值的变化和识别准确率的值的变化。

③轮数（epoch）、学习率（lr）等被称为模型训练的超参数。

6.核心素养培育

（1）学会分析:以“昆虫的识别”为例，如何实现图像分类任务的模型选择、模型结构搭建或选择、模型训练设置。

辅助分析支架：要实现“昆虫的识别”的图片识别等功能，需要用到卷积神经网络，模型可以选择LeNet模型或其他更复杂的模型，训练时要设置好分类数量等超参数。

（2）学会解释:为什么卷积神经网络比全连接神经网络在图像任务中更优秀？

辅助分析支架：通过参数量计算对比，输入层的参数差异明显。卷积层参考感受野设计，可以感受更大区域的信息。

（3）学会求证：用实验结果去支持你解释的观点！

——教师引领学会求证：用训练工具完成一次图像分类任务的模型训练，体会模型准确率提升的过程。

①求证技能：用XEdu中的EasyDL系列工具中的EasyTrain。

②求证活动：用EasyTrain一步步选择和设置，完成模型训练。

（4）对学科方法、工具或作品进行评价反思

①训练出来的模型对“昆虫的识别”有什么作用？

习题测试

1.卷积神经网络中，卷积层的主要作用是（）

A.减少数据运算量B.提取图像特征C.进行图像分类D.连接不同层的神经元

参考答案：B

2.LeNet模型中，经过一层卷积后，图像的特征图数量会______（增加/减少），尺寸会______（增大/减小）。

参考答案：增加；减小

小结回顾

请同学按照下列提示进行总结回顾：

1.学到了哪些知识与技能？

2.提升了哪些方面的能力？

3.生成了怎样的观点？

布置作业

1.项目实施作业

请各小组对项目探究的阶段成果进行整理并提交，整理内容：

（1）项目方案与小组分工表

（2）项目技术方案和使用说明

（3）训练的模型文件

2.课后挑战作业（书本P54的“挑战”部分）

略