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

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 ... ...