《深度学习》教学大纲（合作班）

《深度学习》教学大纲课程英文名DeepLearning课程代码03M0269学分2总学时32理论学时16实验学时0上机学时16实践学时0课程类别专业课课程性质任选先修课程人工智能导论适用专业计算机科学与技术（合作办学）开课学院信息工程学院注：课程类别是指公共基础课/学科基础课/专业课；课程性质是指必修/限选/任选。一、课程地位与课程目标（一）课程地位本课程是计算机科学与技术专业在人工智能方向上的一门重要的实践型课程。其目标是使学生掌握深度学习算法与基本开发工具和开发技巧，能够利用深度学习知识进行开发。本课程的主要内容有：TensorFlow基础、TensorFlow运作方式、卷积神经网络、字词的向量表示、递归神经网络等深度学习应用领域的扩展库，理解各类深度学习算法的基本原理，进而能进行深度学习应用系统的分析与开发。通过该课程专业知识的学习可以培养学生以实际应用问题为导向，综合运用所学的专业知识和对实际问题进行调研分析的各项专业能力和素质。该课程的学习使得学生能够从事深度学习系统的系统分析和开发等相关工作，为后续的毕业设计和从事深度学习系统方面的工作奠定基础。课程目标理解Python在深度学习应用领域的扩展库，及相应的基本原理。掌握实现深度学习应用系统的系统分析与设计开发的能力。能够针对一个实际应用问题，提出基于深度学习的技术路线、系统框架和开发计划，并完成一个基于深度学习的小型人工智能系统。（三）思政目标通过介绍深度学习发展史以及GPU芯片对深度学习的决定性作用，引出华为独立研发麒麟芯片事件，激发科技强国的责任感。通过介绍深度学习在北京冬奥会上的应用等案例，开拓学生视野，培养精益求精的工匠精神，增强学生的社会责任感。通过介绍我国国务院发布的《新一代人工智能发展规划》，激发学生的学习热情和坚定报效祖国的信念。课程目标达成的途径与方法课程目标课程目标内容支撑毕业要求指标点目标达成的途径与方法教学内容课程目标1理解Python在深度学习应用领域的扩展库，及相应的基本原理。指标点2.2：能够运用数学、自然科学和计算机科学的基本原理分析问题，通过文献研究来分析需要解决的问题。1.课堂教学2.课堂讨论3.实验4.课外作业第1章绪论第2章Python基础应用第3章TensorFlow基础课程目标2掌握实现深度学习应用系统的系统分析与设计开发的能力。指标点3.2：能够针对特定需求，根据系统设计进行复杂计算机系统的开发。1.课堂教学2.课堂讨论3.实验4.课外作业第4章TensorFlow运行方式第5章MNIST机器学习第6章卷积神经网络第7章字词的向量表示第8章递归神经网络课程目标3能够针对一个实际应用问题，提出基于深度学习的技术路线、系统框架和开发计划，并完成一个基于深度学习的小型人工智能系统。指标点5.2：能够针对具体的问题，选用或开发满足特定需求的计算机软硬件工具和设备，利用合适的信息资源，对复杂工程问题进行分析、计算、设计、模拟和预测，并能够分析其局限性。1.课堂教学2.课堂讨论3.实验4.课外作业第9章Mandelbrot集合第10章偏微分方程模拟仿真第11章人脸识别三、课程目标与相关毕业要求的对应关系课程目标课程目标对毕业要求的支撑程度（H、M、L）毕业要求2毕业要求3毕业要求5课程目标1M课程目标2M课程目标3M四、课程主要内容与基本要求第1章绪论1.1人工智能简介1.2人工智能的发展历史1.3人工智能技术的研究内容与应用领域1.4人工智能与TensorFlow基本要求：了解人工智能、机器学习及深度学习的基本概念，了解人工智能及深度学习的发展历史及TensorFlow等深度学习技术。了解深度学习在我国的发展现状，熟悉我国现阶段急需的深度学习领域相关技术，树立将来投身于祖国建设的信念。第2章Python基础应用2.1引言2.2Python的安装2.3数据类型与数据结构2.4数字2.5变量及其命名规则2.6语句和表达式2.7字符串2.8容器2.9函数2.10常用库基本要求：了解Python语言在深度学习中的地位，掌握Python语言基本语法，掌握利用相应的Python扩展库实现关键算法的技术。通过对Python语法的再学习，培养学生温故而知新的学习态度。第3章TensorFlow基础3.1TensorFlow的架构3.2TensorFlow的开发环境搭建3.3数据流图简介3.4TensorFlow中定义数据流图3.5通过名称作用域组织数据流图3.6构建数据流图3.7运行数据流图基本要求：了解TensorFlow的基本架构及环境搭建方法，理解数据流图的概念，掌握数据流图的构建方法和运行方式。通过对TensorFlow数据流图的学习，培养学生对细节工作的重视。第4章TensorFlow运作方式4.1数据的准备和下载4.2图表构建与推理4.3损失与训练4.4状态检查与可视化4.5评估模型4.6评估图表的构建与输出基本要求：了解TensorFlow的基本运作方式，掌握从数据准备和下载、图表构建与推理、模型训练、状态检查与可视化、模型评估到评估图表输出的整个深度学习的流程。培养学生对流程梳理能力，体会规范化在学习中的重要性。第5章MNIST机器学习5.1MNIST数据集简介5.2MNIST数据下载5.3softmax回归模型简介5.4模型的训练与评估5.5TensorFlow模型基本步骤5.6构建softmax回归模型基本要求：了解MNIST数据集和softmax回归模型，掌握TensorFlow模型进行训练学习的基本步骤，能够运用softmax回归模型实现对手写数字的识别。理解数据集对研究的重要性，培养学生注重平时积累的习惯。第6章卷积神经网络6.1卷积神经网络6.2卷积神经网络的模型架构6.3卷积运算6.4卷积常见层6.5TensorFlow和图像6.6模型训练6.7模型评估6.8多GPU的模型训练基本要求：了解卷积神经网络的模型架构，掌握运用卷积神经网络进行训练学习的基本步骤，熟悉卷积常见层，理解卷积神经网络在图像识别上的应用。理解模型评估的重要性，培养学生学习上的严谨性。第7章字词的向量表示7.1WordEmbedding的基本概念和知识7.2Skip-Gram模型7.3嵌套学习可视化与评估7.4优化实现基本要求：了解字词的向量表示的基本概念，理解Skip-Gram模型及其应用，熟悉自然语言处理相关模型的优化技术。体会中文的博大精深，增强学生的民族自豪感。第8章递归神经网络8.1递归神经网络的架构8.2PTB数据8.3模型及LSTM8.4反向传播的截断8.5输入与损失函数8.6多个LSTM层堆叠8.7代码的编译与运行基本要求：了解递归神经网络的架构和PTB数据，掌握LSTM模型的训练和应用技术。通过LSTM模型的各种优化技术的介绍，培养学生精益求精的工匠精神。第9章Mandelbrot集合9.1库的导入9.2会话和变量初始化9.3定义并运行计算基本要求：了解Mandelbrot集合的相关概念，理解深度学习在Mandelbrot集合上的应用。体会Mandelbrot集合和数据之美，激发学生对自然规律积极探索的精神。第10章偏微分方程模拟仿真10.1计算函数的定义10.2偏微分方程的定义10.3仿真基本要求：了解计算函数和偏微分方程的概念，理解深度学习对偏微分方程的模拟仿真技术。通过对深度学习与数学等学科的结合的例子，引导学生博采众长。第11章人脸识别11.1人脸识别概念11.2人脸识别的流程11.3人脸识别种类11.4人脸检测11.5性别和年龄识别基本要求：了解人脸识别的概念，掌握人脸识别的基本流程和相关技术，熟悉人脸识别的应用技术。通过人脸识别在安防领域应用的介绍，提升学生的安全防护意识和社会责任感。五、课程学时安排章节号教学内容学时数学生任务对应课程目标第1章绪论1查阅相关文献，进一步了解深度学习的基本概念课程目标1第2章Python基础应用1复习Python基本编程技术课程目标1第3章TensorFlow基础4(3)配置并熟悉TensorFlow实验环境课程目标1第4章TensorFlow运作方式1对TensorFlow的实例进行反复练习课程目标2第5章MNIST机器学习5(3)编写模型利用公开数据集实现对手写数字的识别，并对实际书写数字进行识别课程目标2第6章卷积神经网络5(3)查阅卷积神经网络的相关文献，并实现相关算法课程目标2第7章字词的向量表示5(3)对字词的向量表示进行实现，并了解大语言模型相关概念课程目标2第8章递归神经网络4(2)了解递归神经网络及其在时序数据中的应用课程目标2第9章Mandelbrot集合1编程实现Mandelbrot集合的可视化课程目标3第10章偏微分方程模拟仿真1编程实现对偏微分方程的模拟仿真课程目标3第11章人脸识别4(2)完成一个人脸识别系统课程目标3六、实践环节及基本要求序号实验项目名称学时基本要求学生任务实验性质实验类别1实验1：TensorFlow基础3TensorFlow环境配置和基本开发配置并熟悉TensorFlow实验环境验证性必做2实验2：MNIST机器学习3对MNIST数据集进行分类编写模型利用MNIST数据集实现对手写数字的识别验证性必做3实验3：卷积神经网络3实现卷积神经网络案例实现卷积神经网络在图像识别中的应用验证性必做4实验4：字词的向量表示3实现字词的向量表示对字词的向量表示进行实现，并对实际手写数字进行验证验证性必做5实验5：递归神经网络2实现递归神经网络案例编程实现递归神经网络在时序数据中的应用验证性必做6实验6：人脸识别2综合利用所学知识实现人脸识别系统完成一个小型人脸识别系统综合性必做注：1.实验性质指演示性、验证性、设计性、综合性等；2.实验类别指必做、选做等。七、考核方式、成绩评定考核内容考核方式评定标准（