【核心素养目标】第2单元 第2课《卷积神经网络及其应用》教案-【清华大学版2024】《信息科技》八下

中小学教育资源及组卷应用平台 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(convolutional neural network，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[255 255 255] 表示白色,[174 179 184]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 ... ...