《神经网络与深度学习》课程标准

1、神经网络与深度学习课程标准【课程名称】神经网络与深度学习【适用专业】高等职业教育智能产品开发专业一、课程定位1课程性质本课程为智能产品开发专业职业技能核心课程。2课程任务通过本课程学习培养学生智能产品设计与开发的综合能力，包括机器学习、深度学习相关概念，介绍TensorFlow 的变量、矩阵和 各种数据源等基本概念，深度剖析线性回归、支持向量机、*近邻域、神经网络和自然语言处理等算法，并结合丰富的实例详细讲解情 感分析、回归分析、聚类分析、神经网络和深度学习实战等应用等。3课程衔接本课程的前序课程为Python 程序设计、人工智能导论，后续课程为顶岗实习。二、课程目标通过本课程学习，理解智能产

2、品开发过程中涉及到的诸多 AI 技术，能够根据实际要求完成人工智能项目的设计、制作、调试，培 养学生基本专业技能、积极参与意识、责任意识、协作意识和自信心，使教学过程更有目的性和针对性。养成良好的沟通能力与团队 协作精神，具有安全文明的工作习惯、良好的职业道德、较强的质量意识和创新精神。具体应具备以下能力：1理解人工智能产品结构设计与生产过程的基本概念；2理解人工智能产品的基本算法、机器学习概念； 3理解深度学习概念，了解其应用领域；4TensorFlow 的变量、矩阵和各种数据源等基本概念 5理解线性回归概念；6支持向量机；7聚类分析；8神经网络和自然语言处理等算法；9人工智能产品控制程序编

3、写与调试；10智能产品使用说明书的编写。【教学内容】学习情境一、安装TensorFlow职业能力目标1、安装前的环境准备2、能够使用 Linux 系统和 Python 语言学习子情境 （一）安装 CUDA 和 cuDNN教学内容 1、CUDA 的安装2、cuDNN 的安装课时分配43、能够独立安装 Anaconda 4、能够安装 CUDA 和 cuDNN 5、掌握 TensorFlow 测试方法3、Protocol Buffer4、Bazel5、从源代码编译并安装（ 二 ） 安 装 和 测 试 TensorFlow1、安装 TensorFlow2、运行向量相加的例子3、加载过程存在的一些问题4

4、二、TensorFlow编程策略1、掌握计算图与张量2、熟练使用 TensorFlow 的运行模型 3、正确创建变量并管理变量空间（一）TensorFlow 的 数据模型1、分析并演示分析 TensorFlow 的 数据模型2、会使用计算图描述 TensorFlow64、掌握 variable_scope()与 name_scope() 及其使用方法三、深度前馈 1、掌握网络的前馈方式神经网络 2、全连接的概念3、神经元与全连接结构4、前向传播算法5、线性模型的局限性6、激活函数（二）TensorFlow 的 运行模型（一）网络的前馈方 式及全连接的概念（二）激活函数（三）多层网络解决 异或运

5、算计算模型3、张量的使用1、TensorFlow 系统结构概述 2、简单使用会话3、使用 with/as 环境上下文管理 器4、Session 的参数配置5、placeholder 机制1、前馈网络2、全连接的概念3、神经元与全连接结构1、常用激活函数2、激活函数实现去线性化3、激活函数调用栈的查看1、损失函数2、经典损失函数64643、自定义损失函数四、优化网络 1、基于梯度的优化 的方法 2、反向传播（一）基于梯度的优 化1、梯度下降算法的概念 2、随机梯度下降43、学习率的独立设置 4、拟合（二）反向传播 1、简要解释反向传播算法2、自适应学习率算法3、TensorFlow 提供的优化器

6、6（三）学习率的独立 设置1、指数衰减的学习率2、其他优化学习率的方法6合三、考核与评价本学习领域的课程宜考核采用过程考核和期末上机随即抽题方式。计50考核内容所占比重平时考核（70%） 学生出勤 项目考核 平时考核70%里扣除期末考核（30%） 上机考核30%备注学生旷课 1 次扣 10分，迟到早退 1 次扣 2 分，事假 1 次扣 2 分。其中过程考核包括 4 个项目，总分为 100 分，乘以权值 0.7。第一个项目占 20%，第二个项目占 25%，第三个项目占 30%，第四个占 25%，过程考核 涵盖项目任务的全过程，主要包括项目实施等几个方面，见表 3。表 3 过程考核方式与考核标准项

7、目名称TensorFlow 环境的安 装与配置（20%）考核点及占项目分值比框架的安装（60%）环境的配置和测试（40%）考核内容操作+记录操作+调试考核要求 1.操作正确。2.安装过程规范、准确。 3.记录结果规范正确。 1.读懂操作步骤。2.测试设计规范、清晰。扣分标准1.操作不正确扣 20 分。2.安装过程不规范、准确扣 20 分。 3.记录结果不规范正确扣 10 分。 1.不会读操作步骤扣 20 分。2.测试设计不规范、清晰扣 20 分。计 算 图 与 张 量 的 设 计 （30%）操作+调试3.环境配置正确。 1.设计计算图。 2.设计张量图。3.环境配置不正确扣 10 分。 1.不

8、会设计扣 20 分。2.不会设计扣 10 分。TensorFlow 编程策略 （25%）深 度 前 馈 神 经 网 络 （30%）使用 TensorFlow 的运行模 型（70%）网络的前馈方式（50%）激活函数（50%）梯度下降算法（40%）操作+调试编写+调试编写+调试编写3.调试结果正确。 3.调试结果不正确扣 10 分。1.运行 TensorFlow 数据模型。 1.不会运行扣 10 分。2.运行 TensorFlow 计算模型。 2.运行错误扣 10 分。3.能够解决运行中出现的问题，调 3.不会定位问题扣 10 分。试结果正确。4.不会解决问题扣 20 分。1.功能不正确扣 10 分。2.程序有误不正确扣 10 分。1.网络前馈方式设计和调试。3.识别错误扣 30 分。1.功能不正确扣 10 分。2.程序有误不正确扣 10 分。1.激活函数的运用。3.传感器信号识别错误扣 30 分。1.梯度下降算法运用正确。1.算法不正确扣 20 分。2.内容规范、准确。2.反向传播应用错误口 20 分优 化 网 络