《深度学习技术应用》课程标准

《深度学习技术应用》课程标准课程代码：课程类别：专业核心课课程属性：必修课学分/学时：4学分/64学时开课单位：适用专业：人工智能技术应用制订人：审订人：一、课程概述(一)课程性质本课程是高等职业学校人工智能专业的专业基础课之一，是该专业的一门基础课程。(二)课程任务本课程主要针对人工智能算法工程师、人工智能实施维护工程师、人工智能系统运维工程师、人工智能技术支持工程师、人工智能训练师、人工智能测试工程师等岗位开设，主要任务是培养学生在人工智能深度学习神经网络模型搭建、模型训练、模型评估、模型部署、模型测试等工作任务的能力。(三)课程设计思路本课程以高等职业院校“人工智能技术应用”专业的学生就业为导向，将教学内容与工作岗位对专业人才的知识要求与技能要求结合起来，将项目实践提升到一个较重要的位置，按照“理论—项目构建—项目实施”的组织结构进行课程设计。本课程共分6个项目，基于Tensorflow的服装图像分类、基于Tensorflow的文本分类、使用迁移学习的方法实现新冠肺炎X光检测、基于Flask的模型应用与部署—猫狗识别、基于神经网络的语言处理—古诗词生成、使用VGG19迁移学习实现图像风格迁移，通过6个项目系统介绍了深度学习技术应用的实践开发技术。课程在介绍深度学习神经网络后，重点阐述人工智能深度学习模型训练的项目开发，突出了人工智能深度学习模型训练在实际项目中的应用。在内容的编排上淡化了学科性，避免介绍过多偏深的理论，而注重深度学习模型训练在具体运用中的要点、方法和技术操作，逐层分析和应用深度学习技术进行实际项目的开发。(四)前后续课程序号前续课程名称前续课程为本课程支撑的主要能力1人工智能导论人工智能基础知识能力2Python程序设计Python程序编程和开发能力序号后续课程名称本课程为后续课程支撑的主要能力1人工智能前端设备应用模型训练、优化、评估的能力二、课程目标（一）总体目标本课程要求学习了解人工智能深度学习应用技术，培养学生具备高职人工智能技术应用专业所需要的深度学习的基本知识和技能，熟悉并能使用Tensorflow深度学习框架对模型进行训练、调参或者维护，具备对人工智能深度学习技术领域出现的新技术、新思想进一步学习的能力。希望通过本课程的学习，加深对深度学习神经网络的理解，为进一步研究和从事深度学习模型开发和工程实践提供良好的基础和参考。（二）具体目标1.知识目标1)了解深度学习与神经网络的概念2)了解Tensorflow深度学习框架及Keras模块的相关知识3)理解迁移学习的概念及适用场景4)理解Flask框架的相关知识5)理解RNN循环神经网络、LSTM神经网络的结构与特点6)掌握模型训练超参数的配置方法7)掌握基础的模型评估指标和模型分析方法2.能力目标1)具备搭建模型训练所需环境的能力2)具备使用Tensorflow中的Keras模块搭建图像识别模型并进行训练的能力3)具备使用VGG19模型搭建图像识别模型并进行训练的能力4)具备使用LSTM框架搭建文本生成模型并进行训练的能力5)具备使用Flask框架进行模型的应用部署的能力6)具备使用可视化依赖库对训练模型进行评估和分析的能力3.素质目标1)培养谦虚、好学、勤于思考、认真做事的良好习惯———严谨的开发流程和正确编程思路；2)培养团队协作能力———相互沟通、互相帮助、共同学习、共同达到目标；3)提升自我展示能力———讲述、说明、表述和回答问题；4)培养自我学习能力———利用书籍或网络上的资料帮助解决实际问题。三、课程内容及情境设计本课程以基于Tensorflow的服装图像分类、基于Tensorflow的文本分类、使用迁移学习的方法实现新冠肺炎X光检测、基于Flask的模型应用与部署—猫狗识别、基于神经网络的语言处理—古诗词生成、使用VGG19迁移学习实现图像风格迁移6个小项目为载体，设计选取15个工作任务，根据岗位工作任务要求，确定学习任务内容；本课程采取项目驱动教学模式，以学生为主体，以任务为导向组织教学考核。项目一基于Tensorflow的服装图像分类单元序号第1单元项目名称基于Tensorflow的服装图像分类培养能力1.具备搭建Tensorflow模型训练环境的能力2.具备使用matplotlib实现数据可视化的能力3.具备使用Keras构建神经网络模型的能力4.具备使用KerasTuner完成模型超参数调节的能力项目任务知识要求技能要求学时Tensorflow基础操作1.了解并熟悉Tensorflow深度学习框架2.理解张量（Tensor）的概念1.能够使用命令在JupyterLab中安装Tensorflow2.能够使用Tensorflow依赖库中的方法创建张量和变量3.能够使用Tensorflow依赖库中的方法实现数据类型转换4.能够使用Tensorflow依赖库中的方法完成张量运算4基于Keras框架的服装图像分类1.了解人工智能领域机器学习、深度学习的概念2.理解机器学习与深度学习之间的关联与区别3.理解神经网络的基本结构4.掌握激活函数、损失函数的意义及作用1.能够正确导入训练所需的FashinMNIST数据集并查看2.能够使用matplotlib库实现数据可视化并完成数据预处理3.能够使用Keras构建简单的神经网络模型4.能够完成模型的训练、评估并使用模型进行预测4KerasTuner超参数调节1.理解KerasTuner库的概念及作用2.了解模型超参数与算法超参数的定义3.了解超参数调节的常用搜索方法4.理解超模型的定义和作用5.了解Hyperband调节器使用的调节算法1.能够搭建KerasTuner环境并完成数据集准备2.能够使用Keras构建模型3.能够实例化Hyperband调节器并执行超调4.能够使用最佳超参数构建模型并完成模型训练、评估4教学情境项目驱动、演示、边讲边做、自学探究项目总学时12项目二基于Tensorflow的文本分类单元序号第2单元项目名称基于Tensorflow的文本分类培养能力1.具备文本数据训练环境搭建的能力2.具备文本数据预处理的能力3.具备使用嵌入（Embedding）方法构建文本分类模型的能力4.具备使用TensorflowHub中提供的模型文件的构建文本分类模型的能力5.具备使用构建的模型进行文本分类模型训练和模型评估的能力项目任务知识要求技能要求学时自定义神经网络电影评论文本分类1.了解人工智能的历史2.理解自然语言处理的层次3.理解文本分类及文本情感分析相关知识1.能够导入IMDB数据集并浏览数据2.能够对文本进行数据预处理3.能够使用嵌入（Embedding）方法构建简单的文本分类模型4.能够对进行文本分类模型训练并对模型进行评估4基于TensorflowHub的迁移学习电影评论文本分类1.了解迁移学习的定义和应用场景2.了解TensorflowHub中典型预训练模型的特点1.能够能够导入IMDB数据集并浏览数据2.能够使用TensorflowHub中提供的模型文件构建并编译模型3.能够使用构建的模型进行文本分类模型训练和模型评估4教学情境项目驱动、演示教学、自学探究项目总学时8项目三使用迁移学习的方法实现新冠肺炎X光检测单元序号第3单元项目名称使用迁移学习的方法实现新冠肺炎X光检测培养能力1.具备图像数据训练环境搭建的能力2.具备图像标签处理、划分训练集和测试集的能力3.具备使用VGG16中的模型构建图像分类模型的能力4.具备模型训练、评估、评估指标可视化的能力5.具备保存、加载已训练模型的能力项目任务知识要求技能要求学时图像处理以及划分训练集测试集1.理解机器学习的流程、目的与实现方法2.了解深度学习的定义与常用的深度学习框架3.了解深度学习在医学领域的应用4.掌握基本的图像处理方法与图像增强技术5.掌握训练集与测试集划分的方法1.能够搭建图像处理所需环境2.能够获取图像数据和标签并转换格式3.能够对标签进行二值化处理4.能够正确划分图像的训练集和测试集并保存划分后的数据4模型搭建以及微调训练1.掌握图像数据生成器制作方法2.理解迁移学习、模型微调的概念与适用场景3.了解Tensorflow中内置的VGG16模型框架的相关知识1.能够搭建模型训练所需环境并导入相关模块和依赖包2.能够导入数据并设置数据增强生成器3.能够加载VGG16模块中的模型并构建图像分类模型4.能够完成模型编译（设置超参数、优化器）5.能够完成模型训练并进行模型评估6.能够对损失函数与精确度进行数据可视化7.能够保存、加载已训练的模型4教学情境项目驱动、演示、边讲边做、自学探究项目总学时8项目四基于Flask的模型应用与部署—猫狗识别单元序号第4单元项目名称基于Flask的模型应用与部署—猫狗识别培养能力1.具备搭建Tensorflow模型训练环境的能力2.具备使用基于Tensorflow的Keras框架进行模型训练的能力3.具备使用Flask框架将模型部署只网页端的能力项目任务知识要求技能要求学时模型训练与评估1.了解深度学习神经网络的基本概念2.掌握数据集划分规则3.了解常用的模型训练评估指标1.能够搭建Tensorflow模型训练环境2.能够正确划分训练集与测试集3.能够使用基于Tensorflow的Keras框架进行模型训练4.能够使用可视化工具对模型进行评估4运用Flask将模型部署成网页端应用1.了解Flash框架的相关知识2.理解如何讲Flash框架与Tensorflow框架相结合3.掌握HTML标签的用法1.能够搭建Flask框架开发所需环境2.能够进行基础的HTML页面的开发3.能够将模型部署在网页端并展示预测结果4教学情境项目驱动、演示、边讲边做、自学探究项目总学时8项目五基于神经网络的语言处理—古诗词生成单元序号第5单元项目名称基于神经网络的语言处理—古诗词生成培养能力1.具备完成文本数据预处理的能力2.具备搭建LSTM模型并进行文本生成模型训练的能力3.具备使用Flask框架部署文本生成模型的能力项目任务知识要求技能要求学时古诗文本数据预处理1.了解自然语言处理的概念与特点2.理解自然语言生成的流程3.掌握文本数据预处理、文本过滤的基本方法1.能够完成文本数据过滤2.能够完成诗句主题的处理3.能够建立字符与数字id间的双向转换表4.能够根据要求生成古诗词文本4模型搭建与训练1.了解RNN（循环神经网络）的概念与类别2.理解文本生成的原理3.了解训练RNN模型时存在的问题4.了解LSTM神经网络的结构和特点1.能够搭建基于LSTM框架所需的模型训练环境2.能够完成模型训练超参数的配置3.能够定义数据生成器和文字生成函数4.能够搭建LSTM模型并进行文本生成模型训练4模型测试与部署1.理解Flask框架的用途和特点1.能够搭建Flask框架部署模型所需的环境2.能够根据要求完成模型测试3.能够使用Flask框架部署古诗词文本生成模型4教学情境项目驱动、演示、边讲边做、自学探究项目总学时12项目六使用VGG19迁移学习实现图像风格迁移单元序号第6单元项目名称使用VGG19迁移学习实现图像风格迁移培养能力1.具备风格迁移模型训练环境搭建的能力2.具备基于VGG19模型完成风格迁移模型构建的能力3.具备基于VGG19模型完成风格迁移模型训练的能力项目任务知识要求技能要求学时初识图像风格迁移1.了解图像风格迁移的发展过程2.理解图像风格迁移的原理3.理解特征提取与迁移学习的相关概念1.能够搭建风格迁移案例所需使用的环境2.能够使用代码对图片进行压缩、上传等操作3.能够编写代码生成风格迁移图片。4基于VGG19构建迁移学习模型1.理解VGG19的基本知识与优缺点2.理解利用VGG19实现迁移学习的模型构建思路1.能够搭建VGG19迁移学习所需使用的环境2.能够设置迁移学习模型训练的超参数3.能够进行图像预处理并保存4.能够使用代码生成带有噪声的图片4训练模型实现图像风格迁移1.掌握风格迁移模型损失值计算方法2.掌握风格迁移模型训练方法1.能够搭建风格迁移模型训练所需使用的环境2.能够设置迁移学习模型训练的超参数3.能够基于VGG19完成风格迁移的模型构建4.能够完成内容图片和风格图片的损失计算5.能够完成风格迁移的模型训练8教学情境项目驱动、演示、边讲边做、自学探究项目总学时16四、教学实施建议(一)教学方法建议为培养学生在人工智能深度学习神经网络的模型训练优化、性能评估、部署、技术支持、测试岗位等岗位职业能力，实现与企业岗位工作“零距离对接”，本课程建议采用的特色教学方法有以下几种：（1）“设计项目任务驱动”教学法通过在真实的任务中探索学习，不断地提高学生成就感，更大地激发他们的求知欲望，逐步形成一个感知心智活动的良性循环，从而培养出独立探索、勇于开拓进取的创新能力。（2）项目教学法在教学中把知识与技能进行有机的结合，充分发掘学生的创造潜能，提高学生解决实际问题的综合能力，为学生零距离就业奠定基础。（3）讨论式与启发式教学相结合对于实践性强的内容，安排专题学生自学，然后由一个学生在课堂上讲述，大家再一起讨论、分析和评价，这样使每个学生都有兴趣积极参与，活跃课堂气氛，培养自学的能力。（4）模拟和实际相结合的环境教学法针对单片机开发实际岗位的工作环境，综合运用了模拟环境和实际环境的教学方法。(