浙教版信息技术高中选修4 人工智能初步3.2 对数据进行学习：模式识别-表格式教案.docxVIP

教学设计

课程基本信息

学科

信息技术

年级

高二年级

学期

秋季

课题

对数据进行学习：模式识别（第二课时）

教科书

书名：普通高中教科书信息技术选择性必修四人工智能初步

出版社：浙江教育出版社出版日期：2021年1月

教学目标

1.了解卷积和卷积神经网络的概念。

2.了解卷积神经网络的模型。

3.理解卷积、激活函数、池化的过程和功能。

教学内容

教学重点：

1.卷积滤波的概念和原理

2.卷积神经网络的模型

教学难点：

1.卷积的过程

2.卷积神经网络如何实现深度学习

教学过程

（一）情境引入

上节课的结尾作为这一课时的情境引入。

（二）激活函数

我们人眼观察时，人脑把观察到的像素点转换为语义、例如眼睛、鼻子、耳朵，而从神经网络的角度出发，经过多层滤波后，我们也需要考虑什么特征需要继续被传递下去，什么特征需要被舍弃，这就需要用到激活函数。

激活函数考虑的是什么信息可以被激活而传递给后续神经元、什么信息因其未能激活而无法传递给后续神经元。

例如在进行了卷积运算后得到左图，我们想把图中不需要用的负数去掉，得到右边的结果，我们就需要用到激活函数。

激活函数是一个非线性变换的函数，我们可以看到，当线性累加结果为负时，reLu结果为0，意思就是线性累加结果为负时，该信息不激活。当对每个像素点进行卷积运算时，同时做一次非线性变换可以提升算法的性能。

我们发现，激活函数的作用是突出特征值，去掉无关值和数据的关系。

池化操作

人眼可以观察到5.76亿像素，人脑对外界信息不断地去繁抽简，从图像中提取到对自己有用的信息。深度学习神经网络模仿人脑，通过池化操作将信息由厚变薄，接下来，请大家阅读课本第100页，用自己的语言描述池化的操作和作用。

如图给出了最大池化和均值池化操作的结果。在将原始图像划分为2×2子块后，前者从每个子块中选择一个值最大的像素点，后者从每个子块中选择该子块中像素点均值，来完成原始图像的池化操作。

活动五：对输入的特征图进行采样，请把图像分成3*3的子块后，写出最大池化的结果。

左上3*3的格子最大的值为9，右上为5，左下为5，右下为9，由此池化操作后，大小变为原来的九分之一。

可以发现，池化的作用是对图像进行了压缩，不仅保留了原图像的信息，也进一步概括了特征。

原图像经过不断地卷积、激活函数处理和池化后，得到了合并后的新特征，最后一步，就是相邻层之间神经元相互连接得到全连接层，将卷积和池化操作所得的结果转变成向量，以便进行分类。全连接层中层与层之间的连接权重均是通过训练学习得到。

第101页的例1构建了人脸重要组成部分的检测任务中的深度模型

我们可以看到，其中包括了五个卷积层，然后是一个均值池化层，最后是一个全连接层和输出层，在刚才的学习中，我们知道每个滤波器都是按照不同的模式来挖掘图像中的不同特征的。图像中包含的视觉内容非常复杂，因此我们需要多个滤波器来反映图像复杂的空间变化。

总结：卷积神经网络的全过程、分别是卷积层激活函数池化层和全连接层。

卷积层是通过滤波器进行卷积运算提取出图像的特征。激活函数通过非线性函数把需要的信息激活后传递给后续神经元。池化层的作用是概括特征，压缩数据。合并后的新特征们按顺序排队得到全连接层，经过分类器投票得到结果。

实践一：人脸关键点检测

试着实现用程序实现建立人脸检测任务的关键点标注的模型。

下发测试数据test.csv和训练数据文件training.csv文件，根据书本相关程序代码，调试、建立和训练模型，并输出相应的结果文件。

首先，我们需要做好标注的数据集，在测试样本test.csv中提供了一个做好标记的人脸图像数据集，通过数据集训练一个卷积神经网络模型，自动调整权重参数，不断优化模型参数。最后在训练样本training.csv中获取图像，用训练好的模型对图像数据进行标记，观察结果。

讲解程序。

给出两个卷积网络模型，分别进行训练比较结果。

活动六：增加/减少卷积滤波器数目、增加/减少全连接层数目，观察新模型下卷积神经网络的性能变化，并分析原因。

实践二：图像识别

利用keras提供的ResNet模型，对图像进行分类，让算法检测图像中的动物是什么。

教师进行程序的讲解，让学生进行实践。

活动六：请同学们收集若干张或种类相近的动物图像，比较分类结果的不同；再收集其他种类的图像进行分类，了解本次实践所选模型的局限性。

课堂小结：

模式识别，在我们的生活中应用非常广泛，主要通过深度神经网络学习，训练并得到相应的模型，我们要理解模型中各个部分的功能和作用，学会调节参数，来提高模型的性能。

本节课对卷积神经网络进行了实践，训练神经网络模型，运用Keras平台，调试相关程序，并调整部分参数，训练相关模型，达到将图像分类的目的。

本节