第2課卷積神經網絡及其應用活動概述本次活動聚焦卷積神經網絡及其應用，學生將深入理解卷積神經網絡的概念、結構和原理，掌握其訓練和推理的方法，通過實際操作學會使用工具搭建、訓練模型，并了解其在多領域的應用。以此提升學生對深度學習技術的認知，培養學生的實踐操作與創新思維能力，增強學生將技術應用于實際問題解決的意識。教材分析教材先闡述隨著神經網絡層數加深出現的問題，引出卷積神經網絡。詳細介紹了圖像數字化原理，幫助學生理解卷積神經網絡處理圖像數據的基礎；深入講解卷積神經網絡的作用、結構及應用，以LeNet模型為例，介紹模型搭建、訓練的方法和工具。整體邏輯清晰，從理論到實踐，逐步引導學生掌握卷積神經網絡相關知識。核心素養目標信息意識深刻認識卷積神經網絡在深度學習及多領域的重要地位，理解其對圖像等數據處理和分析的關鍵意義；能夠辨別卷積神經網絡與其他神經網絡模型的差異及適用場景，增強對信息處理技術的敏感度和判斷力；關注卷積神經網絡的發展趨勢，提升對信息技術前沿的關注度和理解力。計算思維通過剖析卷積神經網絡解決圖像數據處理難題的過程，培養邏輯思維和問題解決能力；理解卷積神經網絡的結構設計和運算原理，提升抽象思維和系統思維能力，學會運用計算思維優化數據處理流程。數字化學習與創新借助教材資料及網絡資源，自主學習卷積神經網絡知識，積累數字化學習和信息處理的方法；在探索卷積神經網絡應用的過程中，培養創新思維和實踐能力，嘗試運用所學設計簡單的圖像識別應用。信息社會責任了解科學家在卷積神經網絡發展中的貢獻，培養對科學探索和創新的尊重；認識到合理應用卷積神經網絡技術對社會發展的積極影響，增強信息社會責任感，樹立正確的技術應用價值觀。教學重、難點教學重點卷積神經網絡的概念、結構和原理；LeNet模型的搭建與訓練方法；卷積神經網絡在圖像識別等領域的應用。教學難點理解卷積神經網絡減少參數計算量的原理；掌握深度學習模型訓練流程及超參數調整對模型的影響。教學方法講授法、討論法、探究法教學用具多媒體課件、展示卷積神經網絡結構和運算過程的動畫或模擬軟件、編程環境（如Python及相關庫）課時安排一課時教學過程（第一課時）教學環節教學活動二次備課課程導入師：同學們，上節課我們學習了神經網絡與深度學習的基礎知識，了解到神經網絡在處理復雜問題上有強大的能力。但當處理圖像數據時，普通神經網絡會遇到一些難題。比如，圖像數據量非常大，如果用全連接神經網絡處理，參數數量會多得驚人，導致訓練時間長、效率低。那有沒有更好的方法來解決這個問題呢？這就是我們今天要學習的卷積神經網絡及其應用。它能有效解決神經網絡在計算機視覺領域的應用難題，讓我們一起去探究吧！展示用全連接神經網絡處理圖像時參數過多的具體數據案例，如處理一張簡單圖片所需的參數數量，讓學生更直觀感受問題；若學生理解困難，可類比生活中處理大量相似物品時，簡單方法會遇到的麻煩，引導學生思考解決方案。知識講授認識卷積神經網絡師：要理解卷積神經網絡，我們先得知道圖像是如何數字化的。圖像是由像素點構成的，黑白圖像像素點值為0和1，灰度圖像通過0255的數值控制像素亮暗，彩色圖像則是用RGB三原色混合，每個像素點由三個0255的數值表示。（展示黑白、灰度、彩色圖像及對應的像素值示例）師：神經網絡處理圖像時，全連接神經網絡計算量巨大。為解決這個問題，科學家參考動物視覺感受野理論設計了卷積神經網絡。它有卷積層和池化層，卷積層提取圖像特征，池化層減少數據運算量。（展示全連接神經網絡和卷積神經網絡的對比圖，講解局部連接模式如何減少參數量）LeNet模型的搭建師：LeNet模型是第一個成功應用于數字識別問題的卷積神經網絡，在數字手寫體識別上有很高正確率。以LeNet5模型為例，它有7層，輸入32x32像素的灰度圖像，經過卷積、池化、全連接等層，最終實現10個手寫數字分類，參數較少，效率高。（展示LeNet5模型結構示意圖，詳細講解每一層的作用和數據變化）師：使用BaseNN可以搭建LeNet模型，代碼如下（展示搭建LeNet模型的代碼），這里用“model.add()”添加不同類型的層，如二維卷積層、最大池化層、全連接層等，不同層有不同的參數設置，前幾層用ReLU激活函數，最后一層用Softmax激活函數。運行代碼后，我們能看到各層的詳細信息。LeNet模型的訓練師：深度學習模型訓練流程和機器學習基本一致，但深度學習對數據、模型、算力要求更高。支持并行計算的GPU設備是深度學習模型訓練的重要基礎設施。（解釋“數據是燃料，模型是引擎，算力是加速器”的含義）師：深度學習開發框架可用于訓練模型，但使用難度較高。現在有很多低代碼或無代碼的訓練工具，如XEdu系列工具中的EasyTrain。（展示EasyTrain任務選擇界面）借助EasyTrain，在MMEdu或BaseNN環境下，不用編寫代碼就能訓練LeNet模型。訓練時要選擇任務類型、模型、數據集，設置參數，如分類數量要和數據集一致，還要了解超參數，像訓練輪數、學習率等的作用，首次訓練可使用默認值。（詳細講解EasyTrain訓練LeNet模型的操作流程）講解圖像數字化原理時，可讓學生自己動手用代碼讀取簡單圖像的像素值，增強直觀感受；介紹LeNet模型結構時，結合具體數字識別案例，如識別手寫數字“8”，講解模型如何工作；講解模型訓練時，分享一些實際訓練中遇到的問題及解決方法，幫助學生理解。實踐操作探索活動生：以小組為單位，使用XEdu內置的昆蟲數據集，借助EasyTrain訓練LeNet模型。在訓練過程中，觀察準確率變化和訓練時長，思考超參數對模型訓練的影響。（學生分組進行訓練操作，教師巡視各小組，及時解答疑問，給予技術指導）小組匯報師：每個小組派一名代表，分享你們小組的訓練結果和對超參數影響的理解。（各小組代表發言，教師點評總結，糾正錯誤觀點，補充完善學生的理解，強化學生對模型訓練的認識）在學生實踐前，確保每個小組都熟悉EasyTrain的操作流程；巡視過程中，針對小組遇到的共性問題，及時集中講解；鼓勵小組之間交流訓練經驗，共同提高。課堂練習1.卷積神經網絡中，用于提取圖像特征的是（）A.池化層B.卷積層C.全連接層D.輸入層2.關于LeNet模型，下列說法正確的是（）A.是一種全連接神經網絡B.主要用于語音識別C.可以達到100%的數字識別正確率D.有多個版本，常用的LeNet5模型參數較少，效率高3.在使用EasyTrain訓練LeNet模型時，不需要設置的參數是（）A.分類數量B.訓練輪數C.圖像分辨率D.學習率練習前，針對重點知識進行簡單回顧；練習過程中，關注學生答題情況，對基礎薄弱的學生給予個別指導；練習后，針對錯誤較多的題目進行詳細講解，強化知識點。課堂小結今天這節課，我們學習了卷積神經網絡的相關知識，包括圖像數字化原理、卷積神經網絡的結構和作用，還學會了用BaseNN搭建LeNet模型，以及使用EasyTrain訓練模型。希望大家課后思考卷積神經網絡在其他領域的應用可能性，比如醫療影像分析、自動駕駛等。引導學生自主總結，通過提問啟發，如“卷積神經網絡的核心組成部分有哪些？”“LeNet模型的特點是什么？”等；鼓勵學生分享學習過程中的收獲和疑問，教師及時解答。板書設計第2課卷積神經網絡及其應用一、認識卷積神經網絡1.圖像數字化原理2.卷積神經網絡的結構與作用二、LeNet模型的搭建1.模型結構2.搭建代碼三、LeNet模型的