第3章Keras深度學習基礎教案課程名稱：Keras與深度學習實戰課程類別：專業任選課程適用專業：信息與計算科學總學時：48學時總學分：3.0學分本章學時：16學時材料清單《Keras與深度學習實戰》教材。配套PPT。引導性提問。探究性問題。拓展性問題。教學目標與基本要求教學目標首先介紹Keras深度學習基礎。主要包括介紹卷積神經網絡中的常用網絡層的基本原理與實現方法，LeNet-5、AlexNet、VGGNet、GoogLeNet和ResNet等常用卷積神經網絡算法及其結構；緊接著闡述循環神經網絡中的常用網絡層的基本原理與實現方法；最后介紹生成對抗網絡中的常用網絡層的基本原理與實現方法。基本要求（1）掌握卷積神經網絡中的常用網絡層的基本原理與實現方法。（2）掌握循環神經網絡中的常用網絡層的基本原理與實現方法。（3）掌握生成對抗網絡中的常用網絡層的基本原理與實現方法。問題引導性提問什么是卷積神經網絡、循環神經網絡、生成對抗網絡？Keras中如何構建一個簡單的卷積神經網絡模型、循環神經網絡、生成對抗網絡？循環神經網絡通常用來處理什么類型的數據？生成對抗網絡的目標是什么？如何訓練和優化生成對抗網絡？探究性問題Keras中的卷積神經網絡是如何處理輸入數據的？卷積神經網絡有哪些主要的卷積層和池化層？為什么神經網絡優化需要反向傳播算法？傳播的是什么？生成對抗網絡中的損失函數有哪些常用的選擇？它們各自有什么優勢和特點？拓展性問題卷積神經網絡是否適用于其他類型的數據，如文本或時間序列數據的處理循環神經網絡能否應用于序列數據中的時間可變長度問題？生成對抗網絡是否適用于非圖像類數據的生成問題，如文本生成或音頻生成？主要知識點、重點與難點主要知識點卷積神經網絡中的常用網絡層的基本原理與實現方法。常用卷積神經網絡算法及其結構。循環神經網絡中的常用網絡層的基本原理與實現方法。生成對抗網絡中的常用網絡層的基本原理與實現方法。重點常用卷積操作、池化層、歸一化層和正則化層的原理及實現。基于卷積神經網絡的手寫數字識別。循環神經網絡中的常用網絡層。注意力機制。基于循環神經網絡和注意力機制的新聞摘要分類。生成對抗網絡的基本原理。卷積生成對抗網絡。條件生成對抗網絡。難點（1）常用卷積操作、池化層、歸一化層和正則化層的原理及實現。（2）循環神經網絡中的常用網絡層。（3）注意力機制。（4）生成對抗網絡的基本原理。教學過程設計理論教學過程卷積神經網絡、循環神經網絡、生成對抗網絡的概念和原理。卷積操作的數學原理。介紹卷積神經網絡的常用網絡層。基于卷積神經網絡的手寫數字識別實例演示模型的構建和訓練。介紹常用卷積神經網絡算法及其結構。模型的保存與加載方法。介紹循環神經網絡的常用網絡層。基于循環神經網絡和SelfAttention網絡的新聞摘要分類實例演示模型的構建和訓練。介紹常用生成對抗網絡算法及其結構。基于生成對抗網絡的手寫數字生成實例演示模型的構建和訓練。實驗教學過程安裝Python、Keras和相關依賴庫，確保環境配置正確。準備和加載相關實例數據集。教材與參考資料教材黃可坤，張良均．Keras與深度學習實戰[M]．北京：人民郵電出版社，2023．參考資料[1] 陳屹，神經網絡與深度學習實戰：Python+Keras+TensorFlow[M].北京：機械工業出版社，2019.[2] 邱錫鵬，神經網絡與深度學習[M].北京：機械工業出版社，2020.[3] 吳岸城.神經網絡與深度學習[M].北京：電子工業出版社,2016.第4章基于CNN的目標檢測教案課程名稱：人工智能課程類別：必修適用專業：人工智能相關專業總學時：48學時（其中理論30學時，實驗18學時）總學分：3.0學分本章學時：4學時材料清單《Keras與深度學習實戰》教材。配套PPT。引導性提問。探究性問題。拓展性問題。教學目標與基本要求教學目標目標檢測是計算機視覺和人工智能研究領域的一個熱門研究方向，它旨在對圖片或視頻中出現的感興趣目標進行識別，判斷目標的類別并指出目標在圖片或視頻中的位置和大小。本章將以RetinaNet網絡為例，對目標識別的背景和原理進行介紹，并結合代碼對RetinaNet網絡的實現過程進行講解。基本要求了解目標檢測背景和基本概念。理解目標檢測原理和思想。掌握RetinaNet網絡的構建、訓練和測試方法。問題引導性提問引導性提問需要教師根據教材內容和學生實際水平，提出問題，啟發引導學生去解決問題，提問，從而達到理解、掌握知識，發展各種能力和提高思想覺悟的目的。目標檢測能夠做什么？現實生活中存在哪些目標檢測技術？該如何進行目標檢測？神經網絡有哪些優勢？探究性問題探究性問題需要教師深入鉆研教材的基礎上精心設計，提問的角度或者在引導性提問的基礎上，從重點、難點問題切入，進行插入式提問。或者是對引導式提問中尚未涉及但在課文中又是重要的問題加以設問。RetinaNet網絡結構是怎樣構成的？RetinaNet網絡是怎么樣實現目標檢測的？RetinaNet有哪些優缺點？拓展性問題拓展性問題需要教師深刻理解教材的意義，學生的學習動態后，根據學生學習層次，提出切實可行的關乎實際的可操作問題。亦可以提供拓展資料供學生研習探討，完成拓展性問題。RetinaNet網絡能不能進一步優化的？RetinaNet網絡用于做目標檢測有哪些優勢？如何提供模型的泛化性？主要知識點、重點與難點主要知識點目標檢測背景與算法概述。RetinaNet網絡原理介紹。數據集下載和處理。代碼的實現原理。重點RetinaNet網絡結構RetinaNet網絡的實現過程難點RetinaNet網絡原理與實現。教學過程設計理論教學過程目標檢測的概念及應用場景。目標檢測算法的概述。目標檢測的相關理論介紹。RetinaNet網絡結構。RetinaNet網絡的數據處理。RetinaNet網絡的損失函數。數據集的下載和處理。RetinaNet網絡的代碼構建。RetinaNet網絡的模型訓練。RetinaNet網絡模型的測試與結果。實驗教學過程在Windows/Linux系統上訓練RetinaNet網絡模型。對網絡進行測試教