深度学习及其应用-教学大纲

《深度学习》教学大纲课程概要课程名称深度学习课程代码课程学分3课程学时共32学时课程类别通识教育：£基础课程£核心课程£一般课程£拓展专业课程专业教育：£基础课程R核心课程£拓展课程课程性质R必修R选修适用专业电子信息类、计算机类相关专业先修课程机器学习后续课程综合实训顶岗实习开设学期专科专业建议第三、四学期；本科专业建议第四、五学期教学方式R面授R实验R综合实训R慕课R测试£其他___________课程定位深度学习是人工智能的重要核心技术，目前在很多领域得到了广泛的应用，支撑人工智能新的发展。深度学习技术的内容非常多，且有一定的难度。本课程是在卷积神经网络、循环神经网络基本算法等学习的基础上，进一步讨论目标检测、生成对抗网络、注意力机制、大模型基础、深度强化学习基础等比较高级的内容。通过本课程的学习，学员可以重点掌握目标检测、生成对抗网络、注意力机制、深度强化学习的典型算法，并通过实验和案例深入理解这些算法在实际典型场景的应用。教学目标知识目标1.卷积神经网络基础1.1卷积的概念和特征1.2感受野1.3池化1.4通道1.5反卷积1.6LeNet-5卷积神经网络2.典型卷积神经网络 2.1VGG算法2.2GoogLeNet算法2.3ResNet算法2.4DenseNet算法2.5MobileNet算法2.6ShuffleNet算法2.7图像分类3循环神经网络 3.1RNN网络基础3.2LSTM算法3.3GRU算法3.4情感分析4.目标检测4.1目标检测基础4.2FasterR-CNN算法4.3YOLOv3-V5系列算法4.4MaskRCNN算法4.5FCN算法和Unet算法4.6DeepLab算法4.7车道线检测5.生成对抗网络5.1GAN基础 5.2StyleGAN模型5.3DCGAN模型5.4CycleGAN模型5.5图像风格转移实验6.自注意力机制6.1Seq2Seq模型6.2Transformer模型6.3FlashTransformer模型6.4BERT模型7大语言模型 7.1大语言模型的构建过程7.2提示工程Prompt7.3RAG检索增强7.4大语言模型微调7.5大语言模型架构7.6多模态大模型8综合实验 能力目标理解卷积和反卷积的基本概念理解典型的卷积神经网络结构和应用理解循环神经网络的结构和应用理解YoloV3-V5等算法的原理及其应用理解Unet、DeepLab基本原理及其应用理解生成对抗网络算法原理及其应用理解CycleGAN、DCGAN、StyleGAN算法原理及其应用理解自注意力机制和Transformer的原理及其应用理解大语言模型的基本原理和应用素质目标培养学生对深度学习典型算法的理解能力；培养学生团队意识、协作意识、表达能力和文档能力；培养学生认真负责、严谨细致的工作态度和工作作风；培养学生动手实践能力。课程设计本课程结合典型案例，介绍深度学习理论，理解卷积神经网络的基本概念和典型算法；循环神经网络基本概念和典型算法；目标检测的基本概念、基本原理以及典型的目标检测算法，能用这些算法于典型的应用场景；生成对抗网络的结构、训练方法以及典型场景的应用；大语言模型基础以及应用；深度强化学习基础和典型算法应用。辅以实验操作，提升学生的动手能力。教学内容安排理论（32学时）实验（16学时）预期学习效果序号知识单元知识点（PPT名称）重点难点学时实验实验类型学时1卷积神经网络基础卷积的概念和特征1验证型2理解卷积的概念理解池化、通道等概念理解反卷积的概念理解简单的卷积神经网络组成感受野0.5池化0.5通道0.5反卷积√√1LeNet-5卷积神经网络1手写体识别2典型卷积神经网络算法VGG算法0.5验证型2（1）理解VGG算法的结构（2）理解GoogLeNet算法的结构（3）理解ResNet算法的结构及其应用（4）理解DenseNet算法的结构（5）理解MobileNet算法的结构（6）理解ShuffleNet算法的结构GoogLeNet算法0.5ResNet算法0.5图像分类DenseNet算法√0.5MobileNet算法0.5ShuffleNet算法0.53循环神经网络RNN算法0.5验证型2（1）理解RNN算法（2）理解LSTM算法和应用（3）理解GRU算法LSTM算法√√1情感分析GRU算法0.54目标检测和语义分割目标检测基础0.5验证型223（1）了解目标检测的基本概念和过程（2）理解Yolov3-v5目标检测算法（3）理解语义分割概述（4）理解Unet和FCN算法及其应用（5）理解DeePLab算法FasterR-CNN算法1Yolov3-v5算法3电动车头盔佩戴检测实验验证型MaskRCNN算法√√1FCN算法和Unet算法√1车道线检测DeepLab算法√15生成对抗网络生成对抗网络基本原理1验证型2222（1）了解生成对抗网络基本原理（2）理解Encoder-Decoder模型（3）理解生成对抗网络算法DCGAN（4）理解CycleGAN算法StyleGAN算法√√1DCGAN算法√√1超分辨率图像重建实验CycleGAN算法√1画风转移实验6自注意力机制Seq2Seq模型0.5情感分类（1）理解自注意力的原理（2）理解Transformer及其应用（3）理解FlashTransformer算法（4）理解BERT模型算法及其应用Transfomer算法√√2FlashTransformer算法√0.5BERT算法√√17大语言模型基础大语言模型的构建过程√0.5问答系统验证型1理解大语言模型的构建过程理解提示工程的使用方法理解RAG过程理解大模型的微调方法理解大模型的结构提示工程Prompt√0.5RAG检索增强√0.5大语言模型微调0.5大语言模型架构0.5多模态大模型0.5、考核方式本课程采用形成性考核方式，注重对学生目标检测或生成对抗网络相关算法的考查。各部分考核比重如下：课堂学习占50%（包括平时成绩和实验操作），其中：出勤、平时课堂表现：10%课后理论测试：15%实验操作：25%期末理论测试占20%，主要