Keras与深度学习实战-教案 黄可坤 第3、4章 Keras深度学习基础、基于CNN的目标检测

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学时材料清单《Keras与深度学习实战》教材。配套PPT。引导性提问。探究性问题。拓展性问题。教学目标与基本要求教学目标首先介绍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，LeNet-5、AlexNet、VGGNet、GoogLeNet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。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。问题引导性提问什么是卷积神经网络、循环神经网络、生成对抗网络？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？循环神经网络通常用来处理什么类型的数据？生成对抗网络的目标是什么？如何训练和优化生成对抗网络？探究性问题Keras中的卷积神经网络是如何处理输入数据的？卷积神经网络有哪些主要的卷积层和池化层？为什么神经网络优化需要反向传播算法？传播的是什么？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？拓展性问题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？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？主要知识点、重点与难点主要知识点卷积神经网络中的常用网络层的基本原理与实现方法。常用卷积神经网络算法及其结构。循环神经网络中的常用网络层的基本原理与实现方法。生成对抗网络中的常用网络层的基本原理与实现方法。重点常用卷积操作、池化层、归一化层和正则化层的原理及实现。基于卷积神经网络的手写数字识别。循环神经网络中的常用网络层。注意力机制。基于循环神经网络和注意力机制的新闻摘要分类。生成对抗网络的基本原理。卷积生成对抗网络。条件生成对抗网络。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。教学过程设计理论教学过程卷积神经网络、循环神经网络、生成对抗网络的概念和原理。卷积操作的数学原理。介绍卷积神经网络的常用网络层。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。介绍常用卷积神经网络算法及其结构。模型的保存与加载方法。介绍循环神经网络的常用网络层。基于循环神经网络和SelfAttention网络的新闻摘要分类实例演示模型的构建和训练。介绍常用生成对抗网络算法及其结构。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。实验教学过程安装Python、Keras和相关依赖库，确保环境配置正确。准备和加载相关实例数据集。教材与参考资料教材黄可坤，张良均．Keras与深度学习实战[M]．北京：人民邮电出版社，2023．参考资料[1] 陈屹，神经网络与深度学习实战：Python+Keras+TensorFlow[M].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[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学时材料清单《Keras与深度学习实战》教材。配套PPT。引导性提问。探究性问题。拓展性问题。教学目标与基本要求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。基本要求了解目标检测背景和基本概念。理解目标检测原理和思想。掌握RetinaNet网络的构建、训练和测试方法。问题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。目标检测能够做什么？现实生活中存在哪些目标检测技术？该如何进行目标检测？神经网络有哪些优势？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。RetinaNet网络结构是怎样构成的？RetinaNet网络是怎么样实现目标检测的？RetinaNet有哪些优缺点？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。RetinaNet网络能不能进一步优化的？RetinaNet网络用于做目标检测有哪些优势？如何提供模型的泛化性？主要知识点、重点与难点主要知识点目标检测背景与算法概述。RetinaNet网络原理介绍。数据集下载和处理。代码的实现原理。重点RetinaNet网络结构RetinaNet网络的实现过程难点RetinaNet网络原理与实现。教学过程设计理论教学过程目标检测的概念及应用场景。目标检测算法的概述。目标检测的相关理论介绍。RetinaNet网络结构。RetinaNet网络的数据处理。RetinaNet网络的损失函数。数据集的下载和处理。RetinaNet网络的代码构建。RetinaNet网络的模型训练。RetinaNet网络模型的测试与结果。实验教学过程在Windows/Linux系统上训练RetinaNet网络模型。对网络进行测试教