第2单元 第2课《卷积神经网络及其应用》教案 清华大学版信息科技八年级下册.doc

。第2课《卷积神经网络及其应用》教学设计

课题

卷积神经网络及其应用

单元

第二单元

学科

信息科技

年级

八年级下

核心素

养目标

信息意识：能够具备处理和分析海量数据的能力，理解深度学习模型如何通过处理大数据来完成任务，如图像识别、视频处理等。

计算思维：通过学习CNN，能掌握如何分解问题、设计算法（卷积、池化等操作）优化网络结构（如调整超参数、选择不同的网络架构等）。

数字化学习与创新：通过掌握CNN的基本原理和方法，学生能够运用计算机技术来解决实际生活中的复杂问题，从而在各种行业中实现创新应用。

信息社会责任：意识到深度学习模型可能会带来偏见（如数据偏见、算法歧视等），并且在应用这些技术时要考虑社会的公平性、隐私保护等问题。

教学重点

1、掌握卷积神经网络运用原理和相关知识点。

教学难点

1、安全、规范地使用卷积神经网络知识点设计应用。

教学过程

教学环节

教师活动

学生活动

设计意图

导入新课

板书课题。

本课中你将学习

什么是卷积神经网络

如何训练卷积神经网络

如何用训练好的网络进行推理

随着层数的加深，神经网络从数据中提取特征的能力也大大提升，但新的问题紧跟而来:相对于CSV数据等表格数据，图像和语音中的数据量要大很多。网络层数、图像分辨率等因素的增加，使所需要的参数急剧增长，不仅会导致模型训练时间变长，模型推理效率变低，甚至还会导致模型无法正常训练。于是，科学家再次从生物神经学领域找到灵感，仿照人类的视知觉处理机制提出了卷积神经网络，有效地解决了神经网络在计算机视觉领域的应用难题。

观看教学视频

学习新知引入，观看教学视频。

用提问的方式引入课题，增强课堂互动性。将学生的注意吸引到课堂。

讲授新课

新知讲解

一、认识卷积神经网络

卷积神经网络(convolutionalneuralnetwork，CNN)是一种特殊的神经网络，在深度学习中应用非常广泛，也是深度神经网络中最具影响力的一种模型。要理解卷积神经网络，首先要了解图像的数字化原理。

1.图像的数字化原理

图像是由一个个像素点构成的。对于黑白图像来说，像素点的值只有两种，即0和1，分别代表黑、白两种颜色。而灰度图像中像素点的亮暗程度，则是通过0~255的数值控制，从而显示出不同的图案。将一张灰度图像压缩为25x25像素，再通过Python代码读取图像灰度值，结果如图2.2.1所示。

彩色图像的数字化原理与黑白图像类似，只不过是用RGB(红、绿:蓝)三原色混合而得到各种色彩。如图2.2.2所示，用Python代码读取彩色图像，每一个像素点会出现由三个0~255的数值组成的列表，这三个值对应像素点的R、G、B三种颜色。图2.2.2中的[255255255]表示白色,[174179184]表示一种带有蓝绿色调的浅灰色。

2.卷积神经网络的作用

神经网络用图像作为训练数据时，需要读取整幅图像作为神经网络模型的输入。以全连接神经网络为例，假如输入的是一幅100x100像素的灰度图像，那么输入层就有100x100个神经元，隐藏层任何一个神经元都将有100x100个参数需要训练，即使隐藏层和输入层的神经元数量一致，仅仅两层神经网络就有100x100x100x100个参数。这个计算量非常可怕。因此，神经网络层数不断增多，会出现“参数爆炸”的情况。如图2.2.3所示，x表示输入元素，每一根连接线代表一个参数，图(b)比图(a)多了2个输入数据，参数却多了10个。如果输入元素由5x5像素(5行5列25个像素)的图像变为10x10像素的图像，参数会迅速变为原来的很多倍。科学家在脑神经科学领域找到了新的突破，他们参考动物视觉感受野(指单个或一组神经元对视觉刺激产生反应的区域范围)的理论设计了卷积神经网络。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。卷积层用来提取图像的特征，池化层用来减少数据的运算量。对于计算机来说，图像不过是一个充满数字的表格，这种表格在数学上叫做数字矩阵,而卷积和池化就是数字矩阵中的两种重要的“计算”方法。如图2.2.4所示，与全连接神经网络相比，卷积神经网络的卷积层每个神经元仅与上一层的某个区域连接，这样参数量就大大减少。

卷积神经网络最早由图灵奖获得者杨立昆(YannLeCun)教授在1998年提出，随后在各个方面被广泛应用。2012年辛顿团队夺冠的AlexNet是卷积神经网络的代表作之一。经过多年的发展，除了图像处理之外，语音识别、自然语言处理等领域也都离不开卷积神经网络。

二、LeNet模型的搭建

LeNet模型由杨立昆提出，是第一个成功应用于数字识别问题的卷积神经网络，在经典的数字手写体(MNIST)数据集上，LeNet模型可以达到约99.2%的正确率。LeN