Python与人工智能编程-基础与实验 教案 实验17 PyTorch的开发流程与模板；实验18 卷积神经网络的简介及应用

实验17“实验17PyTorch的开发流程与通用模板”教案授课时间与形式第10周，1节理论课+2节实验课老师讲授+学生上机练习教学目的理解PyTorch的基本开发流程及其结构。掌握使用通用模板进行模型训练与评估的方法。培养学生使用PyTorch解决实际问题的能力，通过项目实践加深对深度学习的理解。教学要求学生需具备PyTorch的基本知识，包括Tensor操作。能够独立使用PyTorch进行模型的构建与训练。理解深度学习模型的基本流程与评估标准。教学重点PyTorch的开发流程：数据准备、模型定义、训练与评估。通用模板的使用：代码结构及其应用。教学难点训练循环中的前向与反向传播机制。模型评估及性能优化：如何有效评估模型并提高其性能。教学内容引言：介绍深度学习与PyTorch的应用前景。一、PyTorch的开发流程：数据准备：加载与预处理数据集。模型定义：设计网络结构。训练过程：损失函数与优化器的设置。模型评估：测试集的评估与性能指标计算。二、通用模板的结构：模板代码示例：各部分的功能说明与用途。三、实践案例使用通用模板进行模型训练（MNIST数据集）评估模型性能：准确率与损失的计算。四、项目实践：学生分组，使用MNIST手写数据集数据集进行模型训练与评估。提交结果及遇到的问题与解决方案教学方法与手段理论讲授：使用PPT展示PyTorch的基本概念与开发流程。实操演示：教师实时演示数据加载、模型定义与训练过程。分组讨论：学生分组讨论遇到的问题，分享解决方案，促进相互学习。项目驱动：通过实际项目任务，让学生在实践中巩固所学知识，提升技能。板书设计详情见PPT课件以文字描述为主，重点以红色字体和黄色底纹标注老师讲授过程辅以实际操作演示实验作业请查看教材课后实验作业，以及课程视频对实验的讲解，以及提供的实验作业代码。实验18“卷积神经网络的简介及应用”教案授课时间与形式第11周，1节理论课+2节实验课老师讲授+学生上机练习教学目的使学生理解卷积神经网络（CNN）的基本概念及其结构。掌握CNN的应用场景，特别是在图像处理中的重要性。培养学生使用CNN进行基本模型构建与训练的能力。提高学生解决实际问题的能力，通过项目实践加深对CNN的理解。教学要求学生需具备Python编程基础及深度学习的基本知识。能够独立构建简单的CNN模型。理解卷积、池化等基本操作及其在网络中的作用。教学重点卷积神经网络的基本结构及组成部分。卷积与池化操作的原理及实现。CNN在图像分类和识别中的应用案例。教学难点卷积层与全连接层的理解与区分。模型训练过程中的参数调整与性能优化。如何处理不同尺寸的输入数据。教学内容引言：介绍卷积神经网络的背景与发展。一、CNN的基本结构：卷积层、池化层、全连接层的功能与作用。二、卷积与池化操作：原理与实现细节。示例代码演示。三、实际案例演示：使用CIFAR-10数据集通过CNN进行图像分类。展示训练过程及结果分析。四、项目实践：学生分组，选择CIFAR-10数据集进行CNN模型构建、训练与评估。提交模型结果及过程中的问题与解决方案。教学方法与手段理论讲授：通过PPT展示CNN的基本概念及结构。实操演示或者视频教学：教师亲自或者使用课程提供的视频教程，使用CNN模型进行实时操作演示，展示如何构建、训练、评估CNN模型。分组讨论：学生分组讨论遇到的问题，分享模型构建经验与问题，促进相互学习。项目驱动：通过实际项目任务，让学生在实践中巩固所学知识，提升技能。板书设计详情见PPT课件以