第五单元 人工智能的实现方式—设计一款无人驾驶智能车 +探索3 人工神经网络与深度学习（第二课时）+教学设计2025-2026学年苏科版初中信息科技九年级全一册

课时编号 007 备课时间 上课时间 课　　题 第五单元 探索3 人工神经网络与深度学习（第二课时） 教学目标 信息意识 1.理解深度学习是机器学习的重要分支，感知其在手写数字识别、无人驾驶图像识别、语音识别等场景的核心价值，增强对 AI 技术落地能力的认知。 2.了解 MNIST 数据集、TensorFlow 库等深度学习工具，提升对 AI 技术栈的敏感度与信息甄别能力。 计算思维 1.掌握手写数字识别的完整流程（数据读取→预处理→模型构建→训练→测试→评估），能拆解深度学习模型的结构（输入层、隐藏层、输出层）。 2.理解模型训练的核心逻辑（调整权重、优化参数），能分析不同数字的识别准确率差异，培养流程建模、数据分析与算法优化的计算思维。 数字化学习与创新 1.完成基于 Python 的手写数字识别实验，掌握代码运行、模型训练、结果分析的全流程，提升编程实践与 AI 工具应用能力。 2.结合无人驾驶场景，拓展深度学习的应用方案（如交通标志识别），培养创新应用与系统设计能力。 信息社会责任 1.认识深度学习对科技发展、智慧生活的推动作用，理解图灵奖等科技成就的价值，树立科技报国的理念。 2.理性看待 AI 技术的优势与局限，培养科学、严谨、负责任的技术使用意识。 教学重点 1.手写数字识别的完整实验流程与核心步骤。 2.深度学习模型的结构与 TensorFlow 库的应用。 教学难点 1.理解模型训练的原理（权重调整、优化器、损失函数），以及代码各部分的作用。 2.分析实验结果（准确率差异），理解深度学习模型的优化逻辑。 教学方法 1.教法：实验探究法、分步演示法、任务驱动法、小组合作指导法 2.学法：实操体验法、代码解析法、流程梳理法、迁移应用法 教学准备 硬件：多媒体教室、计算机、投影设备 软件：Python 运行环境、TensorFlow 库、MNIST 数据集、手写数字识别程序、实验操作录屏 素材：实验步骤 PPT、代码注释版、MNIST 手写数字示例图、无人驾驶图像识别案例、图灵奖三巨头介绍 分组：4 人一组，设编程员、操作员、记录员、分析员 教　学　过　程 教学环节 教师活动 学生活动 设计意图 一、情境导入，聚焦实验（5 分钟） 1.播放无人驾驶交通标志识别短视频，提问：“无人驾驶如何识别路上的限速标志、红绿灯？它的核心技术是什么？” 2.引出实验：“今天我们用深度学习技术，亲手实现手写数字识别，掌握 AI 图像识别的核心流程，为无人驾驶的目标识别打下基础。” 3.介绍深度学习背景：深度学习是机器学习的重要分支，2018 年图灵奖授予 “深度学习三巨头”，已在计算机视觉、语音识别等领域取得重大进展。 1.观看视频，感知深度学习在无人驾驶中的核心作用。 2.明确本节课实验任务：手写数字识别，掌握深度学习应用流程。 3.了解深度学习的科技成就，激发学习兴趣。 1.用无人驾驶真实场景导入，衔接单元项目，落实信息意识。 2.用图灵奖成就渗透科技自信，落实信息社会责任。 二、实验准备与原理铺垫（8 分钟） 1.讲解实验核心要素： MNIST 数据集：手写数字识别的经典数据集，包含 6 万张训练集、1 万张测试集，数字 0-9。 TensorFlow 库：谷歌开源的深度学习框架，用于构建、训练深度学习模型。 实验目标：训练分类器，识别手写数字，计算准确率。 2.梳理实验完整流程： ① 导入库 → ② 读取数据集 → ③ 数据预处理 → ④ 构建模型 → ⑤ 训练模型 → ⑥ 测试评估 → ⑦ 结果分析 3.演示代码结构，讲解核心模块的作用，为实操做铺垫。 1.学习实验工具与数据集的核心概念，理解实验原理。2.梳理实验流程，明确每一步的任务与目标。 3.熟悉代码结构，做好实操准备。 1.为实验操作提供理论支撑，落实计算思维的流程建模能力。 2.明确实验目标，让学生带着任务开展探究。 三、实验探究：手写数字识别全流程（22 分钟） 1. 分步实验教学（结合教材代码）： 步骤 1：导入 TensorFlow 库 指导：运行import tensorflow as tf，检查环境配置。 步骤 2：读取 MNIST 数据集 指导：mnist = tf.keras.datasets.mnist，拆分训练集/测试集(x_train, y_train), (x_test, y_test) = mnist.load_data()。 步骤 3：数据预处理 指导：将像素值归一化（0-255→0-1），x_train, x_test = x_train/255.0, x_test/255.0，提升模型训练效率。 步骤 4：构建深度学习模型 讲解模型结构： Flatten 层：将 28×28 的图像展平为一维向量（输入层） Dense (128) 层：全连接隐藏层，提取特征 Dropout 层：防止过拟合 Dense (10) 层：输出层，对应 0-9 共 10 个数字 步骤 5：编译与训练模型 讲解优化器（adam）、损失函数（sparse_categorical_crossentropy），运行model.fit(x_train, y_train, epochs=5)，观察训练过程。 步骤 6：测试与评估 指导：运行model.evaluate(x_test, y_test, verbose=2)，输出测试准确率。 步骤 7：结果分析 指导：统计 0-9 每个数字的识别准确率，分析差异（如数字 1 准确率高、数字 8 易混淆）。 2.巡视指导：重点帮扶代码报错、模型训练异常的小组，解释代码各部分的作用。 3.组织小组交流：分享实验准确率，讨论影响准确率的因素（训练轮数、模型结构、数据质量）。 1.小组合作，分步执行实验流程，记录每一步的结果。 2.理解代码各部分的作用，观察模型训练过程。 3.测试模型，统计不同数字的识别准确率，分析差异原因。 4.交流实验问题与解决方法，优化模型。 1.核心实验环节，让学生在做中学，落实数字化学习与创新。 2.培养编程、数据分析、协作能力，实计算思维。 3.结果分析环节，深化对深度学习模型的理解，突破教学难点。 四、拓展与伦理讨论（7 分钟） 1. 拓展应用： 提问：“手写数字识别的流程，如何迁移到无人驾驶的交通标志识别？” - 引导：替换数据集（交通标志图片），调整模型结构，训练分类器，实现交通标志识别。 2.伦理讨论： 提问：“深度学习模型的准确率不是 100%，在无人驾驶中会带来什么风险？我们该如何应对？” 3.总结：深度学习是 AI 的核心技术，需在技术优化与伦理安全之间平衡，实现技术向善。 1.思考深度学习的迁移应用，设计无人驾驶交通标志识别方案。 2.参与伦理讨论，发表对 AI 风险与应对的看法。 3.深化对技术价值与伦理的认知。 1. 知识迁移，衔接单元项目，落实计算思维的应用能力。 2. 伦理讨论强化信息社会责任，树立正确的技术观。 五、课堂小结与作业布置（3 分钟） 1. 梳理本节课核心： 实验流程：数据读取→预处理→模型构建→训练→测试→评估 - 模型结构：输入层→隐藏层→输出层 - 核心工具：TensorFlow、MNIST 数据集 2.布置分层作业： 基础作业：完成实验报告，梳理实验流程与代码注释。 提升作业：调整模型参数（如增加训练轮数、修改隐藏层节点数），提升识别准确率，对比结果。 拓展作业：设计一个基于深度学习的无人驾驶交通标志识别方案，说明流程与模型结构。 3.总结：深度学习让 AI 拥有了强大的图像识别能力，推动了无人驾驶等技术的发展，希望同学们用技术服务生活。 1.跟随教师梳理知识点，构建完整的知识体系。 2.记录分层作业，明确课后学习要求。 3.总结学习收获，深化对技术价值的认知。 1.梳理知识，强化记忆，落实核心素养。 2.分层作业满足不同学生需求，延伸学习深度。 教学反思 学科网（北京）股份有限公司 学科网（北京）股份有限公司 学科网（北京）股份有限公司 学科网（北京）股份有限公司 $