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

该初中信息科技教学设计聚焦手写数字识别的监督学习流程，通过对比LED数字与手写数字的识别难度差异导入新课，衔接旧知，以“数据—模型—训练—测试”为脉络，借助数据集查看、代码分析等学习支架帮助学生理解核心逻辑。 该资料以真实问题驱动教学，融合信息意识（感知数据质量对识别效果的影响）、计算思维（拆解监督学习流程）和数字化学习与创新（利用在线平台训练优化模型），通过MNIST数据集探究、神经网络训练器实操等活动，让学生在实践中掌握机器学习思想，既提升学生创新能力，也为教师提供清晰教学路径与资源支持。

初中信息科技人工智能专册教学设计 课题 第 29 课 手写数字识别 教学 目标 1.信息意识:能列举手写数字识别的典型应用场景，理解“数据是机器学习的基础”，感知数据质量对识别效果的影响。 2.计算思维:理解手写数字识别的监督学习流程，能拆解“数据—模型—训练—测试”的核心逻辑，区分机器学习与传统编程的差异。 3.数字化学习与创新:通过在线平台完成手写数字模型的训练与测试，能调整参数优化识别效果，提升数字化工具应用与实践创新能力。 4.信息社会责任:了解手写数字识别的应用边界与误差风险，树立“理性看待AⅠ识别结果、规范使用技术”的意识。 教学 重点 手写数字识别的监督学习流程（数据准备、模型训练、测试验证);机器学习“从例子中学习”的核心思想;手写数字识别的典型应用 教学 难点 理解监督学习的逻辑（数据与标签的关联、模型迭代优化):区分机器学习与传统编程的差异;分析识别误差的原因。 教学 过程 教 学 内 容 与 师 生 活 动 设计意图和 关注的学生 情景导入 我们之前已经学习过如何识别标准的LED数字。然而，在现实生活中，人们手写的数字形状多样、笔画粗细不一，远比标准的LED数字复杂得多。如果继续使用之前的方法进行识别，效果往往无法满足实际需求。 注意：LED 数字通常整齐、大小固定且边缘清晰，而手写数字可能存在倾斜、模糊、连笔或断笔等情况，增加了识别的难度。 新授课 一、准备数据 要训练这样的模型，需要大量的手写数字图像数据。为此，科研人员收集并整理了一些数据集，如 MNIST 手写数字数据集。该数据集包含大量真实手写数字的图像，并被划分为两部分。 1　 训练数据，用于训练模型，帮助模型学习如何从图像中提取特征并识别出对应的数字。 2　 测试数据，用于验证模型的识别效果。 学习活动1 查看数据集，了解数据集中的图像内容和图像特征 (1) 运行配套资源中的《数据集查看器》软件，选择 data 文件夹，查看里面的训练数据和测试数据（图 29.2）。 图 29.2 查看数据集 (2) 可以发现，这个数据集有 条数据用于训练，有 条数据用于测试，图像的分辨率是 。 (3) 由此可以推测，人工神经网络的输入层可能需要 个输入节点，输出层可能需要 个输出节点。 小组回答： （2）60 000 、10 000 、28×28 （3）784（28×28） 、 10 二、搭建人工神经网络 搭建人工神经网络，就是根据任务要求确定网络层数、层类型及参数的过程。同时还需要设计各层之间的连接方式，使人工神经网络能够有效提取数据特征并完成推理。 学习活动2 分析代码，理解代码实现的人工神经网络 （1）思考以下问题： ①手写数字存储在什么类型的媒体中？ 图像（位图 / 灰度图像）媒体 · 底层存储：二维像素矩阵（灰度图单通道、彩色图三通道），属于静态图像媒体； · 载体归类：多媒体分类里归为图像媒体，区别于文本、音频、视频。 ②根据之前所学，要提取此类媒体的特征，可以使用什么技术？ 　　传统可用 HOG、边缘检测、PCA；深度学习用卷积神经网络 CNN（手写数字场景最常用标准答案）。 （2） 综合考虑前面的问题，通过下面的代码理解人工神经网络结构。 三、训练模型 训练过程可看作人工神经网络的“学习”过程：利用已知类别的图像， 不断调整参数，逐步提升对手写数字的识别能力。训练模型通常要比使用模型耗费更多算力，因此最好在高性能计算机系统中训练模型。 学习活动3 选择合适的方式，利用数据训练模型 1.参照以下方法，获得用于训练的软件或程序。 方法一：利用人工智能模型生成训练代码。 方法二：参考配套资源中的 train.py 程序。 方法三：运行配套资源中的《神经网络训练器》软件。接下来以《神经网络训练器》软件为例进行介绍。 2.参照界面提示，选择人工神经网络和数据集后单击“开始训练”按钮， 观察训练过程中，损失和准确率等指标的变化（图 29.3）。 图 29.3 训练过程 3.单击“保存模型”按钮，将训练后的模型保存起来。 训练指标中的损失反映了模型预测结果与真实标签之间的差距，数值越低（最低为 0）表示模型越准确；准确率则表示模型在测试数据中正确识别的比例。 四、调用模型识别手写数字 训练结束后，可编程调用训练得到的模型，完成手写数字识别任务。 学习活动4 编程调用模型，进行手写数字识别 1.查看配套资源中的 test 文件夹，其中保存的是手写数字的图像，文件名中包含图像对应的数字。 2.参照下面的代码编写调用手写数字识别模型的程序。 注意：训练只是第一步，最终目标是让模型能够识别现实世界中的手写数字图像。通过准备图像数据、加载训练模型、识别手写数字这一流程。 3. 运行程序，观察识别效果。 运行结果 经过充分训练的模型，通常可以较好地识别图像中的手写数字。不过总有一些数字无法被模型正确识别出来，这与用于训练模型的数据集、模型自身的结构、训练过程等都有关系。 拓展与提升 你是社区服务中心的一名志愿者，经常协助老年人完成健康讲座报名登记。你发现，不少老人常常将手机号写在卡片上，然后志愿者们再逐条将这些信息人工录入系统，工作量较大。 为了提高效率，社区服务中心的老师提议：能不能开发一个智能系统， 只要拍一下照，就能自动识别手写的手机号？这样，志愿者们只需核对，无须输入，既能减轻负担，也能减少出错。你们几位同学觉得这想法很有意义， 决定试一试。 尝试设计一个手写手机号识别系统，让技术真正发挥作用。如果条件允许，可编程实现设计的系统。 板 书 设 计 一、准备数据 二、搭建人工神经网络 三、训练模型 四、调用模型识别手写数字 教 学 反 思 1 学科网（北京）股份有限公司 $