第 2 课 卷积神经网络及其应用 教学设计 2024—2025 学年湘教版（2024）八年级信息科技下册

第 2 课 卷积神经网络及其应用 活动概述 本次活动聚焦卷积神经网络及其应用，学生将深入理解卷积神经网络的概念、结构和原理，掌握其训练和推理的方法，通过实际操作学会使用工具搭建、训练模型，并了解其在多领域的应用。以此提升学生对深度学习技术的认知，培养学生的实践操作与创新思维能力，增强学生将技术应用于实际问题解决的意识。 教材分析 教材先阐述随着神经网络层数加深出现的问题，引出卷积神经网络。详细介绍了图像数字化原理，帮助学生理解卷积神经网络处理图像数据的基础；深入讲解卷积神经网络的作用、结构及应用，以 LeNet 模型为例，介绍模型搭建、训练的方法和工具。整体逻辑清晰，从理论到实践，逐步引导学生掌握卷积神经网络相关知识。 核心素养目标 信息意识 深刻认识卷积神经网络在深度学习及多领域的重要地位，理解其对图像等数据处理和分析的关键意义； 能够辨别卷积神经网络与其他神经网络模型的差异及适用场景，增强对信息处理技术的敏感度和判断力； 关注卷积神经网络的发展趋势，提升对信息技术前沿的关注度和理解力。 计算思维 通过剖析卷积神经网络解决图像数据处理难题的过程，培养逻辑思维和问题解决能力； 理解卷积神经网络的结构设计和运算原理，提升抽象思维和系统思维能力，学会运用计算思维优化数据处理流程。 数字化学习与创新 借助教材资料及网络资源，自主学习卷积神经网络知识，积累数字化学习和信息处理的方法； 在探索卷积神经网络应用的过程中，培养创新思维和实践能力，尝试运用所学设计简单的图像识别应用。 信息社会责任 了解科学家在卷积神经网络发展中的贡献，培养对科学探索和创新的尊重； 认识到合理应用卷积神经网络技术对社会发展的积极影响，增强信息社会责任感，树立正确的技术应用价值观。 教学重、难点 教学重点 卷积神经网络的概念、结构和原理； LeNet 模型的搭建与训练方法； 卷积神经网络在图像识别等领域的应用。 教学难点 理解卷积神经网络减少参数计算量的原理； 掌握深度学习模型训练流程及超参数调整对模型的影响。 教学方法 讲授法、讨论法、探究法 教学用具 多媒体课件、展示卷积神经网络结构和运算过程的动画或模拟软件、编程环境（如 Python 及相关库） 课时安排 一课时 教学过程（第一课时） 教学环节 教学活动 二次备课 课程导入 师：同学们，上节课我们学习了神经网络与深度学习的基础知识，了解到神经网络在处理复杂问题上有强大的能力。但当处理图像数据时，普通神经网络会遇到一些难题。比如，图像数据量非常大，如果用全连接神经网络处理，参数数量会多得惊人，导致训练时间长、效率低。那有没有更好的方法来解决这个问题呢？这就是我们今天要学习的卷积神经网络及其应用。它能有效解决神经网络在计算机视觉领域的应用难题，让我们一起去探究吧！ 展示用全连接神经网络处理图像时参数过多的具体数据案例，如处理一张简单图片所需的参数数量，让学生更直观感受问题；若学生理解困难，可类比生活中处理大量相似物品时，简单方法会遇到的麻烦，引导学生思考解决方案。 知识讲授 认识卷积神经网络 师：要理解卷积神经网络，我们先得知道图像是如何数字化的。图像是由像素点构成的，黑白图像像素点值为 0 和 1，灰度图像通过 0 - 255 的数值控制像素亮暗，彩色图像则是用 RGB 三原色混合，每个像素点由三个 0 - 255 的数值表示。（展示黑白、灰度、彩色图像及对应的像素值示例） 师：神经网络处理图像时，全连接神经网络计算量巨大。为解决这个问题，科学家参考动物视觉感受野理论设计了卷积神经网络。它有卷积层和池化层，卷积层提取图像特征，池化层减少数据运算量。（展示全连接神经网络和卷积神经网络的对比图，讲解局部连接模式如何减少参数量） LeNet 模型的搭建 师：LeNet 模型是第一个成功应用于数字识别问题的卷积神经网络，在数字手写体识别上有很高正确率。以 LeNet - 5 模型为例，它有 7 层，输入 32x32 像素的灰度图像，经过卷积、池化、全连接等层，最终实现 10 个手写数字分类，参数较少，效率高。（展示 LeNet - 5 模型结构示意图，详细讲解每一层的作用和数据变化） 师：使用 BaseNN 可以搭建 LeNet 模型，代码如下（展示搭建 LeNet 模型的代码），这里用 “model.add ()” 添加不同类型的层，如二维卷积层、最大池化层、全连接层等，不同层有不同的参数设置，前几层用 ReLU 激活函数，最后一层用 Softmax 激活函数。运行代码后，我们能看到各层的详细信息。 LeNet 模型的训练 师：深度学习模型训练流程和机器学习基本一致，但深度学习对数据、模型、算力要求更高。支持并行计算的 GPU 设备是深度学习模型训练的重要基础设施。（解释 “数据是燃料，模型是引擎，算力是加速器” 的含义） 师：深度学习开发框架可用于训练模型，但使用难度较高。现在有很多低代码或无代码的训练工具，如 XEdu 系列工具中的 EasyTrain。（展示 EasyTrain 任务选择界面）借助 EasyTrain，在 MMEdu 或 BaseNN 环境下，不用编写代码就能训练 LeNet 模型。训练时要选择任务类型、模型、数据集，设置参数，如分类数量要和数据集一致，还要了解超参数，像训练轮数、学习率等的作用，首次训练可使用默认值。（详细讲解 EasyTrain 训练 LeNet 模型的操作流程） 讲解图像数字化原理时，可让学生自己动手用代码读取简单图像的像素值，增强直观感受；介绍 LeNet 模型结构时，结合具体数字识别案例，如识别手写数字 “8”，讲解模型如何工作；讲解模型训练时，分享一些实际训练中遇到的问题及解决方法，帮助学生理解。 实践操作 探索活动 生：以小组为单位，使用 XEdu 内置的昆虫数据集，借助 EasyTrain 训练 LeNet 模型。在训练过程中，观察准确率变化和训练时长，思考超参数对模型训练的影响。（学生分组进行训练操作，教师巡视各小组，及时解答疑问，给予技术指导） 小组汇报 师：每个小组派一名代表，分享你们小组的训练结果和对超参数影响的理解。（各小组代表发言，教师点评总结，纠正错误观点，补充完善学生的理解，强化学生对模型训练的认识） 在学生实践前，确保每个小组都熟悉 EasyTrain 的操作流程；巡视过程中，针对小组遇到的共性问题，及时集中讲解；鼓励小组之间交流训练经验，共同提高。 课堂练习 1. 卷积神经网络中，用于提取图像特征的是（ ） A. 池化层 B. 卷积层 C. 全连接层 D. 输入层 2. 关于 LeNet 模型，下列说法正确的是（ ） A. 是一种全连接神经网络 B. 主要用于语音识别 C. 可以达到 100% 的数字识别正确率 D. 有多个版本，常用的 LeNet - 5 模型参数较少，效率高 3. 在使用 EasyTrain 训练 LeNet 模型时，不需要设置的参数是（ ） A. 分类数量 B. 训练轮数 C. 图像分辨率 D. 学习率 练习前，针对重点知识进行简单回顾；练习过程中，关注学生答题情况，对基础薄弱的学生给予个别指导；练习后，针对错误较多的题目进行详细讲解，强化知识点。 课堂小结 今天这节课，我们学习了卷积神经网络的相关知识，包括图像数字化原理、卷积神经网络的结构和作用，还学会了用 BaseNN 搭建 LeNet 模型，以及使用 EasyTrain 训练模型。希望大家课后思考卷积神经网络在其他领域的应用可能性，比如医疗影像分析、自动驾驶等。 引导学生自主总结，通过提问启发，如 “卷积神经网络的核心组成部分有哪些？”“LeNet 模型的特点是什么？” 等；鼓励学生分享学习过程中的收获和疑问，教师及时解答。 板书设计 第 2 课 卷积神经网络及其应用 一、认识卷积神经网络 1. 图像数字化原理 2. 卷积神经网络的结构与作用 二、LeNet 模型的搭建 1. 模型结构 2. 搭建代码 三、LeNet 模型的训练 1. 训练流程与要求 2. 训练工具（EasyTrain） 教学反思 本节课通过多种教学方法，学生对卷积神经网络及其应用有了初步掌握。但部分学生在理解卷积神经网络减少参数计算量的原理和超参数调整方面存在困难。实践操作中，小组协作和时间管理有待加强。后续教学可增加更多直观演示和实际案例，优化小组活动组织，加强对学生的个别指导，提升教学效果。 学科网（北京）股份有限公司 $$