第29课《手写数字识别》教学课件-2025-2026学年人教版初中信息科技（人工智能专册）

该初中信息科技课件围绕手写数字识别展开，系统讲解数据准备、模型搭建、训练与调用全流程。课堂导入通过LED数字与手写数字对比，引出传统方法局限，搭建从结构化识别到非结构化识别的学习支架，帮助学生建立AI技术解决复杂问题的认知。 其亮点在于以MNIST数据集为基础，通过配套软件引导学生动手查看数据、训练模型及测试识别，体现数字化学习与创新。在模型训练中分析损失与准确率，培养计算思维，结合手机号识别拓展任务增强信息意识。学生能沉浸式体验AI全流程，教师可依托清晰结构提升教学效率。

第29课 手写数字识别 探索人工智能如何突破字体限制，“看懂”我们千变万化的手写笔迹 1.7.2013 大家好，欢迎回到AI课堂！今天我们将学习一个非常经典的人工智能应用——手写数字识别。我们将一起探索，机器是如何突破标准字体的限制，学会“看懂”我们千变万化的手写笔迹的。让我们一起揭开这个有趣问题背后的秘密吧！ ‹#› 课程目录 01 学习目标 清晰梳理本课核心知识框架，明确需要掌握的关键技能与学习重点，建立整体认知。 02 情景导入 从熟悉的LED数字出发，对比引出手写数字识别的难点与挑战，激发探索人工智能的兴趣。 03 新知讲解 深入剖析手写数字识别的全流程，揭秘数据预处理、神经网络模型构建与训练的核心原理。 04 实践活动 亲自动手搭建简单的神经网络模型，完成数据加载、模型训练，并调用模型对手写数字进行识别测试，在实操中掌握关键步骤。 05 课堂检测 通过针对性的练习题与小测验，检验对模型原理和实践流程的理解，及时巩固学习成果，解决疑惑并查漏补缺。 1.7.2013 本节课我们将分为五个部分。首先，明确我们的学习目标。接着，通过一个有趣的情景导入，了解手写数字识别的挑战所在。然后，我们将深入讲解核心知识，包括数据准备、模型搭建、训练和调用。之后是动手实践环节。最后，通过课堂检测来巩固学习成果。 ‹#› 本课学习目标 知识与技能 学会构建简单的人工神经网络以识别手写数字，掌握利用训练好的模型进行图像识别的基本流程，同时深入理解模型训练的核心概念与关键步骤。 过程与方法 通过观察分析数据集理解特征对模型设计的影响；结合代码实操与软件操作，完整体验从模型搭建、训练迭代到模型调用的全生命周期过程。 情感态度与价值观 切实感受人工智能在解决复杂模式识别问题上的强大能力，激发探索AI技术的热情，逐步培养运用人工智能工具解决生活与学习中实际问题的兴趣和初步能力。 核心目标：在实践中掌握AI基础技能，建立数据思维，培养用技术解决实际问题的意识。 1.7.2013 通过本节课的学习，我们希望大家能够掌握构建和使用神经网络识别手写数字的基本技能，体验从数据到模型的全过程，并感受到AI解决复杂问题的魅力，激发大家用AI解决实际问题的兴趣。 ‹#› 情景导入：从LED到手写的挑战 回顾：标准化的LED数字识别 LED数字的形状由固定的亮灭段组成，结构高度规范。我们只需通过检查特定位置的亮灭状态，就能像解数学题一样准确识别出数字。 形状多样 每个人书写习惯迥异，数字的轮廓和比例没有统一标准。 笔画不一 线条粗细不均，存在连笔、断笔现象，边缘模糊难辨。 位置随意 数字在画布中大小不一，位置偏移，没有固定的坐标。 核心问题：面对如此复杂多变、毫无规律的手写数字，传统的逻辑判断方法已失效，我们急需一种能让机器“学会”识别的全新技术。 左侧是机器容易识别的标准LED数字，右侧是形态各异的手写数字。这种从“结构化”到“非结构化”的转变，正是人工智能图像识别技术要解决的核心难题。 1.7.2013 同学们，还记得我们之前学过的LED数字识别吗？看右边图片的左边部分，这些数字形状非常标准，识别起来很容易。但现实世界中，我们更多接触的是手写数字，就像图片右边展示的那样，形态各异，非常不标准。这就给机器识别带来了巨大的挑战。我们之前的简单方法显然不够用了，必须寻找新的技术。 ‹#› 新知讲解 揭秘手写数字识别的全过程，从图像采集到模型推理的完整技术路径解析 1.7.2013 那么，面对手写数字这个新挑战，我们应该如何应对呢？接下来，就让我们一起揭开手写数字识别的神秘面纱，了解它背后的完整流程。 ‹#› 新知讲解1：准备数据 - MNIST数据集 “工欲善其事，必先利其器。”MNIST作为经典的手写数字数据集，是深度学习入门的最佳起点。 01 / 认识 MNIST 数据集 训练数据 (60,000张) 用于“教”模型学习手写数字的特征与规律，构建认知基础。 测试数据 (10,000张) 用于“考”验模型的学习成果，验证其对未知手写数字的泛化能力。 28 × 28 单张图像像素分辨率，构建输入层的基础维度。 784 输入层节点总数，接收图像的所有像素信息。 10 输出层节点数，对应数字 0 到 9 的分类结果。 MNIST 数据集可视化界面 上图展示了数据集查看器中的真实数据。可以看到，数据集中的手写数字形态各异，这正是我们需要模型去学习和识别的关键特征。通过对这些数据的处理，我们能让AI掌握数字识别的核心逻辑。 1.7.2013 要让AI学会识别手写数字，第一步就是给它看大量的例子。我们使用的是一个非常经典的数据集——MNIST。大家看右边的图，这就是数据集里的内容，包含了6万张训练图片和1万张测试图片。通过观察我们发现，每张图片都是28x28像素的，这意味着我们的AI模型需要有784个输入节点来接收这些信息，同时需要10个输出节点来表示识别结果是0到9中的哪一个。 ‹#› 新知讲解2：搭建人工神经网络 人工神经网络模拟人脑神经元的连接结构，通过多层计算单元协作，赋予AI“看懂”数据并做出决策的能力。 为AI打造一个能“看懂”数据的“大脑” 搭建神经网络，就是根据任务需求确定网络的层数、每层类型与参数，并设计它们之间的连接方式，让数据在这个系统中流转、处理，最终输出结果。 01 卷积层 (Conv Layer) 如同特征提取器，自动捕捉图像中的边缘、线条、形状等关键特征，是网络“看见”数据的第一步。 02 全连接层 (FC Layer) 作为决策核心，整合卷积层提取的特征信息，进行综合分析与计算，最终完成分类或预测的决策输出。 核心逻辑：通过“卷积层提取关键特征 + 全连接层整合决策”的协作模式，高效完成手写数字识别等复杂视觉任务。 1.7.2013 有了数据，我们还需要一个能理解这些数据的“大脑”——人工神经网络。就像我们的大脑由无数神经元组成一样，人工神经网络也是由许多层计算单元构成的。一个典型的识别网络会包含卷积层和全连接层。卷积层负责提取图像的特征，比如边缘和线条；全连接层则负责整合这些特征，最终判断出这是哪个数字。 ‹#› 新知讲解3：训练模型 - 让网络学会识别 训练过程就是利用大量数据，不断调整网络参数，让它的识别能力越来越强的过程。这个阶段是AI学习的核心，我们需要重点关注两个反映模型表现的关键指标。 损失 (Loss)：差距越小越好 指模型预测结果与真实结果的偏差。在训练中，我们的核心目标是让损失值持续下降，直至收敛到一个极小值，代表模型预测越来越精准。 准确率 (Accuracy)：比例越大越好 指模型在测试数据上正确识别的样本占比。这是衡量模型最终效果的直观标准，我们希望它在训练过程中稳步上升，达到理想的性能水平。 当准确率达到95%以上的稳定水平时，即可保存模型文件，这就是AI学会技能后的“大脑”，可随时用于实际的识别任务。 1.7.2013 搭建好网络后，就需要对它进行训练。这个过程非常消耗计算资源，通常需要在强大的服务器上进行。训练的目标是什么呢？我们主要关注两个指标：损失和准确率。我们希望损失不断降低，准确率不断升高。当准确率足够高时，就说明我们的模型已经学得很好了，这时就可以把它保存下来，以备后用。 ‹#› 新知讲解4：调用模型 - 让模型大显身手 图：手写数字识别软件运行界面，模型成功识别出数字“2”，置信度89.92%。 训练好模型后，我们就可以用它来识别新的、从未见过的手写数字了。整个编程调用过程分为四个核心步骤： 01. 加载模型 读取我们训练好并保存的模型文件，准备进行推理计算。 02. 准备图像 将待识别图像转换为模型要求的格式：28x28像素的灰度单通道图。 03. 进行预测 把处理好的图像数据输入模型，通过前向传播计算，得到各数字的概率分布。 04. 输出结果 选取概率最高的数字作为最终结果，并向用户展示识别出的数字及其置信度。 1.7.2013 训练好模型后，最激动人心的时刻就是让它大显身手了！我们可以编写程序，加载模型，然后输入新的手写数字图片，让它告诉我们答案。就像左边这个软件演示的一样，我们可以直接在屏幕上写一个数字，模型就能立刻识别出来。大家可以思考一下，为什么有时候模型也会识别错误呢？可能是写得太潦草，也可能是模型还不够完美。 ‹#› 实践活动 动手搭建、训练并调用模型，沉浸式体验 AI 模型构建全流程 1.7.2013 理论知识我们已经了解了，现在是时候动手实践了！接下来，我们将通过几个简单的活动，亲手体验从查看数据、训练模型到最终调用模型的全过程。 ‹#› 活动1：查看数据集 工欲善其事，必先利其器。在开始训练模型之前，我们首先要直观地了解用于训练的数据长什么样。 1 运行配套资源中的《数据集查看器》软件。 这是我们观察数据的入口，通过它我们可以直接可视化地查看数据集中的内容。 2 选择`data`文件夹，观察训练数据和测试数据。 你会看到各种风格的手写数字，且每张图像下方都有对应的标签，代表该数字的真实值。 思考：这些手写数字的风格有什么特点？为什么需要将图像分辨率统一为28x28？这对模型训练有什么帮助？ 软件界面展示：MNIST手写数字数据集示例，上方为训练数据，下方为测试数据，每个样本均配有真实标签。 1.7.2013 请大家打开《数据集查看器》软件，看看我们用来训练AI的数据长什么样。大家可以看到，里面有各种各样的手写数字，每一张都有对应的标签。请大家仔细观察，思考一下这些数据的特点，以及为什么我们要把它们都统一成28x28的大小。 ‹#› 活动2：训练模型 01. 让网络学会识别 启动训练环境 打开配套资源中的《神经网络训练器》软件，这是我们进行模型训练的核心工具，界面简洁直观，便于初学者上手。 配置核心参数 在软件中选择合适的神经网络结构与对应的数据集，这是决定模型学习方向的基础，配置完成后点击“开始训练”按钮。 关注关键指标：损失(Loss)需持续下降，准确率(Accuracy)应稳步上升。训练结束后，请务必点击“保存模型”，将训练好的模型文件妥善留存。 软件界面实时展示数据集预览与训练进度，通过可视化的曲线变化，我们能清晰判断模型是否在有效学习，从而及时调整策略。 1.7.2013 接下来，我们打开《神经网络训练器》软件。选择好模型和数据后，点击开始训练。大家要重点观察屏幕上的损失和准确率这两个数值的变化。理想情况下，损失会不断降低，准确率会不断升高。当训练完成后，记得点击保存模型，把我们训练好的“大脑”存起来。 ‹#› 活动3：调用模型进行识别 让模型大显身手 运行配套软件 打开《手写数字识别》程序，这是我们交互的核心界面，准备好开始测试。 加载训练模型 导入刚才训练并保存好的模型文件，让程序“学会”我们教给它的识别规则。 趣味挑战：考验模型的极限 尝试书写一些潦草、变形或不标准的数字，观察模型能否准确识别，探索AI的识别边界。 在画板上手写数字，点击“识别”按钮，系统将实时展示模型的判断结果与置信度。 1.7.2013 现在，我们来检验一下训练成果。请打开《手写数字识别》软件，加载我们刚刚保存的模型。然后，在画板上随意写一个数字，点击识别，看看模型能不能猜对。大家可以挑战一下，写一些比较潦草的数字，看看模型的极限在哪里。 ‹#› 课堂检测 巩固所学，检验学习成果，让知识在思考与实践中沉淀 1.7.2013 非常棒的实践环节！现在，让我们通过一些小测验来巩固一下今天所学的知识，检验一下大家的学习成果。 ‹#› 知识巩固 - 选择题 01. 在手写数字识别任务中，MNIST数据集的作用是什么？ A. 提供一个绘图工具，用于手动绘制数字进行测试。 B. 提供大量的手写数字样本用于训练和测试模型，是该领域的基准数据集。 C. 直接输出识别结果，无需额外训练即可使用。 D. 提供预编写的神经网络代码，供开发者直接调用。 02. 一个28x28像素的手写数字图像，输入神经网络时输入层至少需要多少节点？ A. 28个节点，对应图像的高度像素数。 B. 10个节点，对应0-9这10个数字分类。 C. 784个节点，由28乘以28的像素总数计算得出，每个像素对应一个输入特征。 D. 128个节点，这是隐藏层常用的默认设置。 核心思路：MNIST是深度学习的“Hello World”数据集，而输入层节点数通常等于特征维度（像素总数）。 1.7.2013 请看第一题，MNIST数据集在手写数字识别任务中扮演什么角色？第二题，一个28x28像素的图像，需要多少个输入节点呢？请大家思考作答。 ‹#› 知识巩固 - 选择题 03. 在训练神经网络时，我们希望“损失(Loss)”值和“准确率(Accuracy)”值如何变化？ A. 损失值上升，准确率上升 B. 损失值下降，准确率下降 C. 损失值下降，准确率上升 D. 损失值上升，准确率下降 解析：训练的目标是让模型不断优化，损失值越低代表预测误差越小，准确率越高代表预测越准确。 04. 神经网络中的卷积层主要负责什么任务？ A. 做出最终的分类决策 C. 增加图像的分辨率 B. 提取图像的特征，如边缘、线条等 D. 生成新的图像 解析：卷积层是CNN的核心，通过卷积核滑动提取图像的局部特征，从简单的边缘到复杂的纹理，为后续分类提供基础。 1.7.2013 继续看第三题，在训练过程中，我们期望损失和准确率如何变化？第四题，神经网络中的卷积层，它的主要功能是什么？ ‹#› 知识巩固 - 简答题 01. 手写数字识别的核心挑战 与标准LED数字相比，手写数字存在极大的不确定性。核心挑战在于：手写体的笔画粗细、倾斜角度、书写风格差异巨大；数字可能存在断笔、连笔或变形；且实际场景中常伴有噪声、模糊或背景干扰，这些都使得特征提取的难度呈指数级上升。 02. 手写数字识别的完整流程 从数据到识别的全链路分为五步：首先采集手写样本并进行预处理（去噪、二值化、归一化）；接着分割单字符区域；然后提取关键特征（如方向梯度、网格特征）；再将特征输入训练好的模型（如CNN、SVM）进行匹配与分类；最后输出识别结果，并可根据反馈迭代优化模型参数。 提示：理解数据预处理的重要性，以及特征提取与模型选择如何共同决定识别系统的最终性能上限。 1.7.2013 最后是两道简答题。第一题，请大家总结一下，手写数字识别相比LED数字识别，主要挑战在哪里？第二题，请大家梳理一下，从准备数据到最终识别一个手写数字，都需要哪些步骤？ ‹#› 课堂总结 01 数据准备 认识MNIST数据集，明确训练数据用于学习规律、测试数据用于验证效果的核心分工。 02 模型搭建 剖析简单的卷积神经网络结构，理解卷积层提取特征、全连接层完成分类的协同工作机制。 03 模型训练 体验完整训练流程，掌握通过观察“损失值”下降和“准确率”提升来科学评估模型学习效果的方法。 04 模型调用 学会加载训练好的模型权重，对全新的手写数字样本进行推理预测，将AI能力落地到实际应用场景。 手写数字识别是人工智能在模式识别领域的经典应用，其核心思想是展示计算机如何通过数据驱动的方式，从海量复杂样本中自动挖掘特征、总结规律，最终具备自主判断和识别的能力。 1.7.2013 好了，我们来总结一下今天的课程。我们学习了手写数字识别的四个核心步骤：准备数据、搭建模型、训练模型和调用模型。这个过程的核心思想，就是利用数据驱动的方法，让计算机从大量样本中自动学习规律，完成复杂的模式识别任务。 ‹#› 拓展与提升：挑战更复杂的任务 情景：社区服务中心需要为老年人提供便利服务，核心需求是设计一套系统，能够自动识别老人们手写在卡片上的手机号码，减少人工录入的繁琐与错误。 核心挑战：设计一个端到端的智能系统，只需拍摄写有手机号的卡片，即可自动完成数字定位、分割、识别，并最终拼接成完整的11位手机号码，实现高效、准确的自动化处理。 01. 图像分割 如何将照片中连在一起的一串数字，精准分割成一个一个独立的数字图像，是识别的第一步。 02. 模型复用 我们训练的单数字识别模型，是否能直接用于分割后的数字？需要考虑图像对齐、归一化等适配问题。 03. 结果组合 识别出的单个数字需要按照图像中的顺序，准确拼接成11位手机号，同时还要验证号码的合法性。 1.7.2013 学会了识别单个数字，我们能不能挑战更复杂的任务呢？比如，自动识别一整个手写的手机号码。这就需要我们解决新的问题，比如如何把连在一起的数字分开，如何把识别出的单个数字组合起来。这是一个非常有价值的实践项目，大家可以课后深入思考一下。 ‹#› 感谢观看 1.7.2013 今天的课程到这里就全部结束了。大家不仅了解了手写数字识别的原理，还亲手完成了模型的训练和调用。希望通过今天的学习，大家对人工智能的应用有了更深入的认识。感谢大家的参与，下课！ ‹#› $