《Keras与深度学习实战教学教案.docx》由会员分享，可在线阅读，更多相关《Keras与深度学习实战教学教案.docx（26页珍藏版）》请在课桌文档上搜索。
1、第1章深度学习概述教案课程名称：KeraS与深度学习实战课程类别：必修适用专业：大数据技术类相关专业总学时：48学时（其中理论30学时，实验18学时）总学分：3.0学分本章学时：2学时一、材料清单（1）Keras与深度学习实战教材。（2）配套PpT。（3）引导性提问。（4）探究性问题。（5）拓展性问题。二、教学目标与基本要求1.教学目标主要对深度学习进行了概述介绍。首先介绍深度学习的定义，然后用实例讲解深度学习常见应用。介绍深度学习与其他领域的关系，包括计算机视觉、自然语言处理、语音识别等。最后针对深度学习的常用框架及其特点进行了对比，并着重讲述KeraS框架的接口、特性、安装方法和框架中的预
2、训练模型。2.基本要求(1) 了解深度学习的基本定义。(2) 了解深度学习常见的应用。(3) 了解深度学习与其他领域的关系。(4)熟悉深度学习框架KeraS的常见接口、特性。(5)掌握深度学习框架KeraS的安装方法。三、问题1 .引导性提问引导性提问需要教师根据教材内容和学生实际水平，提出问题，启发引导学生去解决问题，提问，从而达到理解、掌握知识，发展各种能力和提高思想觉悟的目的。(1)深度学习能够做什么？(2)现实生活中存在哪些深度学习技术？(3) Keras框架有哪些优势？2 .探究性问题探究性问题需要教师深入钻研教材的基础上精心设计,提问的角度或者在引导性提问的基础上，从重点、难点问题
3、切入，进行插入式提问。或者是对引导式提问中尚未涉及但在课文中又是重要的问题加以设问。(1) KeraS框架有什么特性？(2)深度学习能够应用在那些场景？(3)预训练模型有什么作用？3 .拓展性问题拓展性问题需要教师深刻理解教材的意义，学生的学习动态后，根据学生学习层次，提出切实可行的关乎实际的可操作问题。亦可以提供拓展资料供学生研习探讨，完成拓展性问题。(1)深度学习是不是万能的？(2)KeraS用于做深度学习有哪些优势？四、主要知识点、重点与难点1 .主要知识点(1)深度学习的基本定义。(2)深度学习常见的应用。(3)深度学习与其他领域的关系。(4)深度学习框架KeraS的常见接口、特性。(
4、5)深度学习框架KeraS的安装方法。(6)预训练模型的概念与使用方法。2 .重点(1)深度学习框架KeraS的常见接口、特性。(2)深度学习框架KeraS的安装方法。(3)预训练模型的概念与使用方法。3 .难点(1)深度学习框架Keras的安装方法。(2)预训练模型的概念与使用方法。五、教学过程设计1 .理论教学过程(1)深度学习的基本定义。(2)深度学习的常见应用。(3)深度学习与其他领域的关系。(4) KeraS的常见接口(5) KeraS的特性。(6) Keras的安装方法。(7)预训练模型的概念。(8)预训练模型的使用方法。2 .实验教学过程(1)安装Keraso(2)使用预训练模型
5、实现图片分类。六、教材与参考资料1 .教材黄可坤，张良均.KeraS与深度学习实战M.北京：人民邮电出版社.2023.2 .参考资料I张良均.PythOn数据分析与挖掘实战M.北京：机械工业出版社.2015.2张良均.PythOn与数据挖掘M.北京：机械工业出版社.2016.第2章KeraS深度学习通用流程教案课程名称：KeraS与深度学习实战课程类别：专业任选课程适用专业：信息与计算科学总学时：48学时总学分：3.0学分本章学时：14学时七、材料清单（6）Keras与深度学习实战教材。（7）配套PPT。（8）引导性提问。（9）探究性问题。（10）拓展性问题。八、教学目标与基本要求3 .教学目
6、标以手写数字识别实例，学习理解和掌握深度学习的通用流程。而后介绍数据加载与预处理的函数常用参数及其说明。接着介绍选择合适的模型结构以及优化算法构建网络。列举常用的优化器和损失函数。紧接着阐述模型训练和性能评估。最后介绍3种模型的保存与加载方法。4 .基本要求（I）熟悉KeraS实现深度学习的流程。（2）掌握利用KeraS加载与预处理数据的常用方法。（3）掌握利用KeraS构建基本神经网络的方法。（4）掌握利用KeraS设置优化器和损失函数的方法。（5）掌握利用KeraS评估神经网络性能的方法。（6）掌握利用KeraS保存与加载神经网络模型的方法。九、问题5.引导性提问4 4）KeraS深度学习
7、通用流程中的第一步是什么？（5）构建一个KeraS深度学习模型需要哪些关键组件？（6）在KeraS中，如何加载和准备数据集以供模型训练?6.探究性问题（4）在数据预处理阶段，常用的技术有哪些，它们对模型的训练性能有何影响？（5）如何理解分批训练神经网络？（6） KeraS提供了哪些内置的深度学习模型架构？（7） Keras深度学习通用流程中的模型编译步骤的作用是什么？（8）为什么需要选择损失函数和优化器？7.拓展性问题（3）除了训练模型，你认为在Keras中还有哪些重要的任务或方法可以进一步探索和研究?（4）在模型训练过程中，有哪些常见的调试技巧可以帮助我们识别和解决问题？5 5）KeraS深
8、度学习通用流程中的模型评估和预测阶段，你觉得如何选择适当的评估指标可以提高模型的效果？十、主要知识点、重点与难点8 .主要知识点（7）深度学习的通用流程。（8）数据加载与预处理的函数常用参数及其说明。（9）选择合适的模型结构构建网络。（10）选择合适的优化器和损失函数训练网络。（11）利用Keras进行模型调整和性能评估。（12）模型的保存与加载方法。9 .重点（4）数据加教与预处理。（5）利用核心层构建神经网络。（6）设置优化器和损失函数训练网络。（7）对网络进行性能监控和回调检查10 .难点利用核心层构建神经网络。十一、教学过程设计11 .理论教学过程（9）深度学习的通用流程。（10）数据
9、加载与预处理的函数常用参数及其说明。（Il）常用的优化器和损失函数。（12）模型训练和评估。（13）模型的保存与加载方法。12 .实验教学过程(3)安装Pylhon、KeraS和相关依赖库，确保环境配置正确。(4)准备和加载数据集，如图像分类中的MNlST数据集等。十二、教材与参考资料13 .教材黄可坤，张良均.KeraS与深度学习实战M.北京：人民邮电出版社，2023.14 .参考资料111陈屹，神经网络与深度学习实战：Python+Keras+TensorFlowM,北京：机械工业出版社，2019.2邱锡鹏，神经网络与深度学习M.北京：机械工业出版社，2020.3吴岸城.神经网络与深度学习
10、M.北京：电子工业出版社,2016.第3章KeraS深度学习基础教案课程名称：KeraS与深度学习实战课程类别：专业任选课程适用专业：信息与计算科学总学时：48学时总学分：3.0学分本章学时：16学时十三、材料清单（IDKeras与深度学习实战教材。（12）酉己套PPT。（13）引导性提问。（14）探究性问题。（15）拓展性问题。十四、教学目标与基本要求15 .教学目标首先介绍KeraS深度学习基础。主要包括介绍卷积神经网络中的常用网络层的基本原理与实现方法，1.eNet-5、AlexNet.VGGNetGoog1.eNet和ReSNet等常用卷积神经网络算法及其结构；紧接着阐述循环神经网络中
11、的常用网络层的基本原理与实现方法；最后介绍生成对抗网络中的常用网络层的基本原理与实现方法。16 .基本要求（1）掌握卷积神经网络中的常用网络层的基本原理与实现方法。（2）掌握循环神经网络中的常用网络层的基本原理与实现方法。（3）掌握生成对抗网络中的常用网络层的基本原理与实现方法。十五、问题17 .引导性提问（7）什么是卷积神经网络、循环神经网络、生成对抗网络？（8） Keras中如何构建一个简单的卷积神经网络模型、循环神经网络、生成对抗网络？（9）循环神经网络通常用来处理什么类型的数据？（10）生成对抗网络的目标是什么？（11）如何训练和优化生成对抗网络？18 .探究性问题（9） Keras中
12、的卷积神经网络是如何处理输入数据的？（10）卷积神经网络有哪些主要的卷积层和池化层？（Il）为什么神经网络优化需要反向传播算法？传播的是什么？（12）生成对抗网络中的损失函数有哪些常用的选择？它们各自有什么优势和特点？19 .拓展性问题（6）卷积神经网络是否适用于其他类型的数据，如文本或时间序列数据的处理（7）循环神经网络能否应用于序列数据中的时间可变长度问题？（8）生成对抗网络是否适用于非图像类数据的生成问题，如文本生成或音频生成？十六、主要知识点、重点与难点20 .主要知识点（13）卷积神经网络中的常用网络层的基本原理与实现方法。（14）常用卷积神经网络算法及其结构。（15）循环神经网络中
13、的常用网络层的基本原理与实现方法。（16）生成对抗网络中的常用网络层的基本原理与实现方法。21 .重点（8）常用卷积操作、池化层、归一化层和正则化层的原理及实现。（9）基于卷积神经网络的手写数字识别。（10）循环神经网络中的常用网络层。（11）注意力机制。（12）基于循环神经网络和注意力机制的新闻摘要分类。（13）生成对抗网络的基本原理。（14）卷积生成对抗网络。（15）条件生成对抗网络。22 .难点（1）常用卷积操作、池化层、归一化层和正则化层的原理及实现。（2）循环神经网络中的常用网络层。（3）注意力机制。（4）生成对抗网络的基本原理。十七、教学过程设计23 .理论教学过程（14）卷积神经
14、网络、循环神经网络、生成对抗网络的概念和原理。（15）卷积操作的数学原理。（16）介绍卷积神经网络的常用网络层。（17）基于卷积神经网络的手写数字识别实例演示模型的构建和训练。（18）介绍常用卷积神经网络算法及其结构。（19）模型的保存与加载方法。（20）介绍循环神经网络的常用网络层。（21）基于循环神经网络和SeIfAttention网络的新闻摘要分类实例演示模型的构建和训练。（22）介绍常用生成对抗网络算法及其结构。（23）基于生成对抗网络的手写数字生成实例演示模型的构建和训练。24 .实验教学过程（5）安装Python、KeraS和相关依赖库，确保环境配置正确。（6）准备和加载相关实例数
15、据集。十八、教材与参考资料25 .教材黄可坤，张良均KeraS与深度学习实战M.北京：人民邮电出版社，2023.26 .参考资料I陈屹，神经网络与深度学习实战：Python+Keras+TensorFlowM.北京：机械工业出版社，20版2邱锡鹏，神经网络与深度学习M.北京：机械工业出版社，2020.3吴岸城.神经网络与深度学习M.北京：电子工业出版社,2016.第4章基于CNN的目标检测教案课程名称：人工智能课程类别：必修适用专业：人工智能相关专业总学时：48学时（其中理论30学时，实验18学时）总学分：3.0学分本章学时：4学时十九、材料清单（16） Keras与深度学习实战教材。（17）
16、酉己套PPT。（18）引导性提问。（19）探究性问题。（20）拓展性问题。二十、教学目标与基本要求27 .教学目标目标检测是计算机视觉和人工智能研究领域的一个热门研究方向，它旨在对图片或视频中出现的感兴趣目标进行识别，判断目标的类别并指出目标在图片或视频中的位置和大小。本章将以RetinaNet网络为例，对目标识别的背景和原理进行介绍，并结合代码对RetinaNet网络的实现过程进行讲解。28 .基本要求（6） 了解目标检测背景和基本概念。(7)理解目标检测原理和思想。(8)掌握RetinaNet网络的构建、训练和测试方法。二十一、问题29 .引导性提问引导性提问需要教师根据教材内容和学生实际
17、水平，提出问题，启发引导学生去解决问题，提问，从而达到理解、掌握知识，发展各种能力和提高思想觉悟的目的。(12)目标检测能够做什么？(13)现实生活中存在哪些目标检测技术？(14)该如何进行目标检测？(15)神经网络有哪些优势？30 .探究性问题探究性问题需要教师深入钻研教材的基础上精心设计,提问的角度或者在引导性提问的基础上，从重点、难点问题切入，进行插入式提问。或者是对引导式提问中尚未涉及但在课文中又是重要的问题加以设问。(13) RetinaNet网络结构是怎样构成的？(14) RetinaNet网络是怎么样实现目标检测的？(15) RetinaNet有哪些优缺点？31 .拓展性问题拓展
18、性问题需要教师深刻理解教材的意义，学生的学习动态后，根据学生学习层次，提出切实可行的关乎实际的可操作问题。亦可以提供拓展资料供学生研习探讨，完成拓展性问题。(9) RetinaNet网络能不能进一步优化的？(10) RetinaNet网络用于做目标检测有哪些优势？(11)如何提供模型的泛化性？二十二、主要知识点、重点与难点32 .主要知识点(17)目标检测背景与算法概述。(18) RetinaNet网络原理介绍。(19)数据集下载和处理。(20)代码的实现原理。33 .重点(16) RetinaNet网络结构(17) RetinaNet网络的实现过程34 .难点RetinaNet网络原理与实现
19、。二十三、教学过程设计35 .理论教学过程(24)目标检测的概念及应用场景。(25)目标检测算法的概述。(26)目标检测的相关理论介绍。(27) RetinaNet网络结构。(28) RetinaNet网络的数据处理。(29) RetinaNet网络的损失函数。(30)数据集的下载和处理。(31) RetinaNet网络的代码构建。(32) RetinaNet网络的模型训练。(33) RetinaNet网络模型的测试与结果。36 .实验教学过程(7)在WindowsZ1.inux系统上训练RetinaNet网络模型。(8)对网络进行测试二十四、教材与参考资料37 .教材黄可坤，张良均.Kera
20、S与深度学习实战M.北京：人民邮电出版社.2023.38 .参考资料I张良均.Python数据分析与挖掘实战M.北京：机械工业出版社.2015.2张良均.Python与数据挖掘M.北京：机械工业出版社.2016.第5章基于1.STM的唐诗生成教案课程名称：KeraS与深度学习实战课程类别：必修适用专业：大数据技术类相关专业总学时：48学时（其中理论30学时，实验18学时）总学分：3.0学分本章学时：4学时二十五、材料清单（21） Keras与深度学习实战教材。（22）配套PPT。（23）引导性提问。（24）探究性问题。（25）拓展性问题。二十六、教学目标与基本要求39 .教学目标本章主要实现基
21、于1.STM的唐诗生成，首先介绍案例的背景、分析目标和流程，然后进行文本预处理，设置配置项，生成训练数据，紧接着构建网络。接着需要训练网络，其中需要将学习情况进行打印，以及设置一个函数用于训练结束后输入文字，对输入的文字生成诗句。最后分析结果。40 .基本要求（9） 了解文本生成的概念。(IO)熟悉文本预处理的方法。(11)掌握1.STM网络的搭建。二十七、问题41.引导性提问引导性提问需要教师根据教材内容和学生实际水平，提出问题，启发引导学生去解决问题，提问，从而达到理解、掌握知识，发展各种能力和提高思想觉悟的目的。(16)什么是文本生成？17 7)一首诗有哪些组成部分？(18)要让Al写诗
22、需要有哪些步骤？42.探究性问题探窕性问题需要教师深入钻研教材的基础上精心设计,提问的角度或者在引导性提问的基础上，从重点、难点问题切入，进行插入式提问。或者是对引导式提问中尚未涉及但在课文中又是重要的问题加以设问。(16)如何标识诗句的结束位置？(17)是否要去掉较少出现的文字？(18)选用哪种深度神经网络更合适？43.拓展性问题拓展性问题需要教师深刻理解教材的意义，学生的学习动态后，根据学生学习层次，提出切实可行的关乎实际的可操作问题。亦可以提供拓展资料供学生研习探讨，完成拓展性问题。(12)如何改进让模型生成的诗句更好？(13)还有哪些深度神经网络能用于生成诗句？二十八、主要知识点、重点
23、与难点44 .主要知识点（21）文本生成的概念。（22）分析目标与流程。（23）文本预处理的方法。（24）构建网络的方法。（25）训练网络的方法。（26）分析结果的方法。45 .重点（18）分析目标与流程。（19）文本预处理的方法。（20）构建网络的方法。（21）训练网络的方法。（22）分析结果的方法。46 .难点（3）文本预处理的方法。（4）构建网络的方法。（5）训练网络的方法。二十九、教学过程设计47 .理论教学过程（34）文本生成的概念。（35）分析目标与流程。（36）文本预处理的方法。（37）构建网络的方法。（38）训练网络的方法。（39）分析结果的方法。48 .实验教学过程（9）预处
24、理文本，包括标识诗句结束点、去掉低频的字、构建文本到编码id的映射。（10）构建网络，设置配置项参数、生成训练数据、构建1.STM网络。（Il）训练网络，查看学习情况、生成诗句（12）分析结果三十、教材与参考资料49 .教材黄可坤，张良均KeraS与深度学习实战M.北京：人民邮电出版社.2023.50 .参考资料I张良均.PythOn数据分析与挖掘实战M.北京：机械工业出版社.2015.2张良均.Python与数据挖掘M.北京：机械工业出版社.2016.第6章基于GAN的图像风格转换教案课程名称：KeraS与深度学习实战课程类别：必修适用专业：大数据技术类相关专业总学时：48学时（其中理论30
25、学时，实验18学时）总学分：3.0学分本章学时：4学时三十一、材料清单（26）Keras与深度学习实战教材。（27）配套PPT。（28）引导性提问。（29）探究性问题。（30）拓展性问题。三十二、教学目标与基本要求51 .教学目标本章主要介绍实现基于CyCleGAN的图像风格转换的全流程。在读取数据之后，构建残差网络、恒等映射模块、构建生成器和构建判别器。然后训练构建好的网络，观察网络在100次迭代中输出的结果。网络每进行一定次数的迭代后，观察网络对图像的转换效果并进行分析。52 .基本要求（12）了解图像风格转换的背景。（13）熟悉CycleGAN的网络结构与搭建步骤。（14）掌握Cycle
26、GAN网络的构建方法和训练方法。三十三、问题53 .引导性提问引导性提问需要教师根据教材内容和学生实际水平，提出问题，启发引导学生去解决问题，提问，从而达到理解、掌握知识，发展各种能力和提高思想觉悟的目的。（19）什么是图像风格转换？（20）什么构成了图像的风格？（21）生活中有哪些图像风格转换的应用？54 .探究性问题探窕性问题需要教师深入钻研教材的基础上精心设计,提问的角度或者在引导性提问的基础上，从重点、难点问题切入，进行插入式提问。或者是对引导式提问中尚未涉及但在课文中又是重要的问题加以设问。（19）选用哪种深度神经网络更合适？（20）如何将马的图片转换为斑马？（21）如何将斑马的图片
27、转换为马？55 .拓展性问题拓展性问题需要教师深刻理解教材的意义，学生的学习动态后，根据学生学习层次，提出切实可行的关乎实际的可操作问题。亦可以提供拓展资料供学生研习探讨，完成拓展性问题。（14）模型的迭代次数是否越多越好？（15）除了马和斑马，还有哪些图像风格转换？三十四、主要知识点、重点与难点56 .主要知识点（27）图像风格转换的概念。（28）分析目标与流程。（29）准备数据的方法。（30）构建网络的方法。（31）训练网络的方法。（32）分析结果的方法。57 .重点（23）分析目标与流程。（24）准备数据的方法。（25）构建网络的方法。（26）训练网络的方法。（27）分析结果的方法。58
28、 .难点（6）构建网络的方法。（7）训练网络的方法。三十五、教学过程设计59 .理论教学过程（40）图像风格转换的概念。（41）分析目标与流程。（42）准备数据的方法。（43）构建网络的方法。（44）训练网络的方法。（45）分析结果的方法。60 .实验教学过程（13）准备数据，配置函数读取训练集和测试集。（14）构建网络，定义恒等映射网络函数、残差网络函数、生成器函数和判别器函数。（15）训练网络，定义训练过程函数、定义生成图像函数（16）分析结果三十六、教材与参考资料61.教材黄可坤，张良均KeraS与深度学习实战M.北京：人民邮电出版社.2023.62.参考资料I张良均.PythOn数据分
29、析与挖掘实战M.北京：机械工业出版社.2015.2张良均.PythOn与数据挖掘M.北京：机械工业出版社.2016.第7章基于TipDM数据挖掘建模平台实现唐诗生成教案课程名称：KeraS与深度学习实战课程类别：必修适用专业：大数据技术类相关专业总学时：48学时（其中理论30学时，实验18学时）总学分：3.0学分本章学时：4学时三十七、材料清单61 1）Keras与深度学习实战教材。（32）配套PPT。（33）引导性提问。（34）探究性问题。（35）拓展性问题。三十八、教学目标与基本要求63 .教学目标本章介绍如何在TiPDM数据大挖掘建模平台上配置唐诗生成案例的工程，从文本预处理开始，再到构
30、建网络，最后训练1.STM网络生成诗句。64 .基本要求（15）了解TipDM大数据挖掘建模平台的相关概念和特点。（16）熟悉使用TipDM大数据挖掘建模平台配置语音识别任务的总体流程。（17）掌握使用TipDM大数据挖掘建模平台获取数据的方法。（18）掌握使用TiPDM大数据挖掘建模平台进行文件解压、数据集划分、特征提取、数据标准化等操作。（19）掌握使用TipDM大数据挖掘建模平台进行训练模型、调用模型进行分类等操作。三十九、问题65 .引导性提问引导性提问需要教师根据教材内容和学生实际水平，提出问题，启发引导学生去解决问题，提问，从而达到理解、掌握知识，发展各种能力和提高思想觉悟的目的。
31、（22） TiPDM数据挖掘建模平台能做些什么？（23） TiPDM数据挖掘建模平台如何实现唐诗生成？66 .探究性问题探究性问题需要教师深入钻研教材的基础上精心设计,提问的角度或者在引导性提问的基础上，从重点、难点问题切入，进行插入式提问。或者是对引导式提问中尚未涉及但在课文中又是重要的问题加以设问。（22）在TipDM数据挖掘建模平台上如何读取数据？（23）在TipDM数据挖掘建模平台上如何进行文本预处理？67 .拓展性问题拓展性问题需要教师深刻理解教材的意义，学生的学习动态后，根据学生学习层次，提出切实可行的关乎实际的可操作问题。亦可以提供拓展资料供学生研习探讨，完成拓展性问题。（16）
32、在TiPDM数据挖掘建模平台上能否实现目标检测？（17）在TipDM数据挖掘建模平台上能否实现图像风格转换？四十、主要知识点、重点与难点68 .主要知识点（33） TiPDM大数据挖掘建模平台的相关概念。（34） TiPDM大数据挖掘建模平台的主要功能。（35） TipDM大数据挖掘建模平台配置唐诗生成任务的总体流程。（36）使用TiPDM大数据挖掘建模平台获取数据。（37）使用TiPDM大数据挖掘建模平台进行文本预处理。（38）使用TipDM大数据挖掘建模平台进行训练模型等操作。69 .重点（28） TipDM大数据挖掘建模平台配置唐诗生成任务的总体流程。（29）使用TiPDM大数据挖掘建模
33、平台获取数据。（30）使用TiPDM大数据挖掘建模平台进行文本预处理。（31）使用TipDM大数据挖掘建模平台进行训练模型等操作。70 .难点（1） TipDM大数据挖掘建模平台配置唐诗生成任务的总体流程。（2）使用TiPDM大数据挖掘建模平台获取数据。四十一、教学过程设计71.理论教学过程（46） TiPDM大数据挖掘建模平台的相关概念。（47） TiPDM大数据挖掘建模平台的主要功能。（48） TipDM大数据挖掘建模平台配置唐诗生成任务的总体流程。（49）使用TiPDM大数据挖掘建模平台获取数据。（50）使用TiPDM大数据挖掘建模平台进行文本预处理。（51）使用TipDM大数据挖掘建模平台进行训练模型等操作。72 .实验教学过程（1）配置数据源（2）文本预处理（3）训练网络四十二、教材与参考资料73 .教材黄可坤，张良均.KeraS与深度学习实战M.北京：人民邮电出版社.2023.74 .参考资料I张良均.PythOn数据分析与挖掘实战M.北京：机械工业出版社.2015.2张良均.PythOn与数据挖掘M.北京：机械工业出版社.2016.
