Keras与深度学习实战-教学大纲

《Keras与深度学习实战》教学大纲课程名称：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学分课程的性质本课程是大数据和人工智能相关专业的选修课。本书通过理论与实践相结合的方式引领大家进入深度学习技术的大门，深入浅出地介绍使用Keras进行深度学习的重要内容，包括Keras深度学习通用流程和利用Keras实现经典的神经网络，帮助大家扎实地掌握深度神经网络开发所需要的基本理论知识和核心开发技术，为同学们将来继续深入学习人工智能打下坚实的基础。课程的任务掌握一种深度学习编程框架，能在该框架下进行数据加载与预处理，构建网络，训练网络，性能评估等。理解卷积神经网络的基本原理，能够设计并编程实现卷积神经网络解决一些实际问题。理解循环神经网络的基本原理，能够设计并编程实现循环神经网络处理自然语言理解中的一些问题。理解生成对抗网络的基本原理，能够设计并编程实现生成对抗网络自动生成目标样本。掌握综合利用Keras进行神经网络程序设计。课程学时分配序号教学内容理论学时实验学时其它1第1章深度学习概述22第2章Keras深度学习通用流程1043第3章Keras深度学习基础1064第4章基于RetinaNet的目标检测225第5章基于LSTM的唐诗生成226第6章基于GAN的图像风格转换227第7章

基于TipDM数据挖掘建模平台实现唐诗生成22总计3018教学内容及学时安排理论教学序号章节名称主要内容教学目标学时1深度学习概述深度学习的基本定义和常见应用深度学习与其他领域的关系深度学习框架Keras的常见接口、特性和安装方法了解深度学习的基本定义、常见应用、与其他领域的关系熟悉深度学习框架Keras的常见接口、特性掌握深度学习框架Keras的安装方法22Keras深度学习通用流程Keras数据加载与预处理Keras构建网络Keras训练网络Keras性能评估1.掌握Keras下进行数据加载与预处理2.构建网络，训练网络，性能评估等。143Keras深度学习基础卷积神经网络循环神经网络生成对抗网络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，能够设计并编程实现卷积神经网络解决一些实际问题。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。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。164基于RetinaNet的目标检测目标检测的背景、基本概念和原理RetinaNet网络的构建、训练和测试方法了解目标检测的背景、基本概念和原理熟悉使用RetinaNet网络进行目标检测的总体流程掌握RetinaNet网络的构建、训练和测试方法45基于LSTM的唐诗生成文本生成的概念文本预处理的方法LSTM的构建方法了解文本生成的概念熟悉文本预处理的方法掌握LSTM网络的搭建46基于GAN的图像风格转换图像风格转换的应用背景CycleGAN的网络结构与搭建步骤CycleGAN网络的构建方法和训练方法了解图像风格转换的背景熟悉CycleGAN的网络结构与搭建步骤掌握CycleGAN网络的构建方法和训练方法47基于TipDM数据挖掘建模平台实现唐诗生成TipDM大数据挖掘建模平台的相关概念和特点TipDM大数据挖掘建模平台获取数据的方法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、训练模型、调用模型进行分类等操作的方法了解TipDM大数据挖掘建模平台的相关概念和特点熟悉使用TipDM大数据挖掘建模平台配置语音识别任务的总体流程掌握使用TipDM大数据挖掘建模平台获取数据、文件解压、数据集划分、特征提取、数据标准化、训练模型、调用模型进行分类等操作的方法4学时合计48实验教学序号实验项目名称实验要求学时1Keras数据加载与预处理1.掌握Keras图像数据加载的方法2.掌握Keras图像数据增强的方法22Keras网络构建与训练掌握Keras构建网络的方法， 理解不同的激活函数2.掌握Keras进行训练的方法，掌握各种优化器和损失函数的特点．3.掌握利用Keras评估神经网络性能的方法4．掌握利用Keras保存与加载神经网络模型的方法23卷积神经网络1．掌握Keras构建卷积神经网络的主要步骤2．理解卷积操作3．掌握使用预训练好的ResNet对自己的数据再次进行训练的方法4.掌握函数式建立Keras模型的方法24循环神经网络1.理解Embedding层的用法，掌握利用Embedding层对单词进行向量化2．掌握利用神经网络进行文本分类的方法3．理解循环神经网络RNN和LSTM的基本原理4．掌握利用循环神经网络进行文本分类的方法25生成对抗网络理解生成对抗网络的基本原理掌握利用生成对抗网络生成新样本的方法理解条件生成对抗网络的基本原理4.掌握利用条件生成对抗网络生成新样本的方法26基于RetinaNet的目标检测理解目标检测的原理掌握预处理图像、编码数据集、设置数据集管道的方法理解RetinaNet的网络结构掌握RetinaNet的网络的构建和训练方法掌握加载模型测试点、定义解码与非极大抑制类的方法27基于LSTM的唐诗生成理解文本生成的原理掌握标识文本结束点、去除低频字词和文本编码化的方法掌握构建和训练LSTM，并查看阶段性学习结果的方法28基于GAN的图像风格转换理解图像风格转换的原理理解CycleGAN的网络结构掌握构建和训练CycleGAN网络的方法29基于TipDM数据挖掘建模平台实现唐诗生成理解使用TipDM大数据挖掘建模平台配置语音识别任务的总体流程掌握使用TipDM大数据挖掘建模平台获取数据、文件解压、数据集划分、特征提取、数据标准化、训练模型、调用模型进行分类等操作的方法2学时合计18考核方式突出学生解决实际问题的能力，加强过程性考核。课程考核的成绩构成=平时作业（20%）+课堂参与（10%）+期中考试（10%）+期末考核（60%），期末考试建议采用开卷形式，试题应覆盖课程主要内容，题型可采用判断题、选择、简答、应用题等方式。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，2023.2.参考书目陈屹，神经网络与深度学习实战：Python+Keras+Tensor