人工智能基础实践教程 教案 刘伟 - 第5章 人工神经网络与深度学习

教案续页(5-E1)授课主题卷积神经网络实验教学时数2所属章节第五章人工神经网络与深度学习课次19授课方式理论课(线下为主□线上线下混合□)实验课(√)习题课()研讨课()一、教学内容分析1.教学目标：知识、能力、素养实验目的：1）深化理解神经网络基本概念和原理；2）掌握PyTorch工具包的数据加载、模型构建、训练与评估等核心功能；3）能够独立完成CNN模型的搭建、训练及调参，初步具备利用神经网络解决回归、分类与识别问题的能力。实验内容：利用Python语言的PyTorch工具包完成以下内容：1）必做：实现CNN模型，完成装甲车、军用飞机、民用汽车的三分类任务；2）必做：对比CNN与上次实验课中机器学习方法的识别准确率与用时；3）选做：对CIFAR-10数据集进行10分类，尝试调整网络深度、超参数等。2.教学重点和难点项目内容教学重点1）掌握基于PyTorch的CNN网络结构设计（卷积核大小、步长、池化策略）。；2）掌握基于PyTorch的CNN网络结构解决实际问题（目标识别分类）的方法。教学难点1）超参数调优（学习率、BatchSize、Epoch数）的实践指导；2）要求学员具备Python熟练编程能力。3.思政元素及军事案例思政元素无军事案例无二、课堂设计1.教学分析及总体思路本讲为卷积神经网络线下实验课，主要是通过实验深化理解理论授课内容，掌握利用卷积神经网络解决分类问题的方法，具备应用神经网络解决实际问题的能力。课前

阶段要求学员安装合适版本的Python，预习PyTorch工具包的相关内容。课中

阶段详细介绍Pytorch工具包，结合示例，一步一步带着学员完成基础实验内容；课堂上在学员基本掌握实验原理和设计方法后，提高要求，留作课后完成，并按照模板撰写实验报告；实验安排：1）教员讲解实验原理与演示实验过程，学员随讲解同步操作；2）按照要求修改实验相关要素，独立完成实验并仿真验证。3）教员讲解CNN的示例程序，学员基于示例程序搭建网络并修改参数，下载新的图片样本，进行验证。课后

阶段通过雨课堂发布试卷形式，要求在规定时间内，学员通过雨课堂提交实验报告和程序。2.板书设计教室共4块黑板(白板)，左侧两块为书写本节知识点列表及其关系，长期保留；右侧两块用于课堂随笔，随用随擦。左侧板书的示意图如下：3.教学基本内容及手段教学内容教学手段1）课前准备要求（1）上课时请自带笔记本电脑，要求电脑安装好Pycharm软件和python3.11以上版本；（2）安装PyTorch库；（3）复习CNN理论（卷积、池化、反向传播等），了解PyTorch基础语法（Tensor、nn.Module等）。通过雨课堂提前1-2天发布。2）回顾展示上节实验中机器学习方法的识别结果（准确率≤70%），引出CNN的必要性。提问：相比上一章的机器学习方法，卷积神经网络是否可以进一步提高识别率？为什么？3）实验内容讲解（1）PyTorch开源深度学习库介绍介绍当前常用的深度学习库，包括PyTorch、TensorFlow、Keras等，以及它们对应的优缺点，强调Pytorch在学术科研领域的优势。Pytorch提供用于创建、训练、可视化和模拟浅层和深层神经网络的算法、预训练模型和应用程序，可以执行分类、回归、聚类、降维、时间序列预测以及动态系统建模和控制。介绍PyTorch中如何进行CNN网络的训练参数设置，包括优化器、损失函数、激活函数等，向学生介绍这些参数设置的适用场景。（2）实验流程介绍介绍示例程序中的数据集。介绍实验流程如下。安装好Python（版本3.11）和Pycharm软件（课前完成）；打开Pycharm软件；运行train.py示例程序，进行示例数据集的识别和测试；根据自己的理解修改CNN结构参数、训练集和训练参数；自行在网上下载不同于训练数据集的坦克图片，并与其他小组相互交换数据集并测试识别准确率。带领学生分析代码，解读pytorch如何构建CNN网络。第1步，图片数据预处理，图像调整成统一大小第2步指定训练集和验证集第3步指定网络结构第4步指定训练选项第5步用训练数据训练网络第6步对验证图像进行分类，计算分类准确率让学生运行实例程序，进行飞机和坦克的二分类，初步体验CNN进行目标识别的优势，再仔细阅读代码。让学生比较CNN和机器学习方法的识别准确率和用时。请学生上台演示，并谈一下自己看法。安排实验任务2，将程序扩展为可识别飞机、坦克、民用汽车三种类型，设计结构和修改参数，提高识别准确率。课堂快结束时，可安排学生展示识别效果。引入，用时约3分钟简要介绍Pytorch开源深度学习库，用时约10分钟简要实验流程，用时约5分钟带领学生分析代码，用时约10分钟。让学生自行运行代码，过程中解决一些学生不能运行的问题，用时5-10分钟。互动环节，用时10-15分钟。实验指导和实施用时45分钟。3）课堂小结（1）重点展示CNN与机器学习的对比实验，突出“台阶式”难度设计；（2）重申实验内容及要求；（3）强调提交实验报告的时间和评分标准。进行总结，用时3-5分钟。4.习题、思考题进一步完成实验内容，鼓励学生基于PyTorch工具包进行各种尝试，对比不同设计要素对实验结果的影响，加深对基础理论的理解和锻炼解决实际问题的能力。4.习题、思考题分组查阅资料，讨论深度神经网络特别是大模型对于未来智能化战争的影响，分析大模型典型应用过程，撰写调查研究报告。

教案续页(5-E2)授课主题大模型实验教学时数2所属章节第五章人工神经网络与深度学习课次22授课方式理论课(线下为主□线上线下混合□)实验课(√)习题课()研讨课()一、教学内容分析1.教学目标：知识、能力、素养知识目标：1）掌握人与大模型协同工作的基本原则，熟悉不同类型大模型（如豆包、DeepSeek、通义千问等）的核心优势及适用场景；2）掌握提示词工程的构成要素及设计方法，了解检索增强生成技术的基本原理；3）熟悉大模型使用的基本流程，包括作品构思、大模型工具选择、创作实施及成果评估。能力目标：1）能够根据具体任务选择合适的大模型，设计有效的提示词，初步利用大模型完成创新实践（如程序设计、科普视频、文献综述等）；2）具备批判性分析大模型输出内容的能力，能识别大模型的局限性（如“幻觉”、推理不严谨等）并进行修正；3）能够团队协作完成实验任务，撰写规范的实验报告并进行成果汇报。素养目标：1）通过与大模型协同创作，培养创新思维和跨工具协作能力，激发对大模型技术的探索兴趣；2）通过分析大模型的“翻车案例”，培养批判性思维和严谨的科学态度。2.教学重点和难点项目内容教学重点1）人与大模型高效协同的核心方法（提示词工程、RAG技术的应用）；2）大模型实验的内容设计与实施（如游戏程序、科普视频、文献综述的创作流程）；3）不同类型大模型的特性对比及选择策略。教学难点1）提示词的精准设计与优化，以减少大模型输出的“幻觉”和错误；2）对大模型生成内容的批判性评估与人工修正；3）复杂任务（如多模态作品创作）中人与大模型的分工与协同。3.思政元素及军事案例思政元素通过分析大模型的“翻车案例”，培养批判性思维和严谨的科学态度。军事案例无二、课堂设计1.教学分析及总体思路本讲为线下实验课。此次实验由教员提供基本的分析思路和候选题目，由学员与大模型协同完成一项作品。课前

阶段需要给学员明确实验准备要求，如提前准备好实验所需的笔记本电脑，并预先配置好开发环境，预装大模型软件，提前熟悉大模型应用方法。课中

阶段实验开始前，首先由教员介绍实验目的、实验方法、实验中需要注意的主要问题以及实验最终提交的成果及完成时间要求等。实验过程中，需要实时掌握学员的实验进展情况，针对存在的问题与困难进行现场指导，特别是针对实验过程中存在的共性问题，适时进行说明和指导。课后

阶段通过雨课堂发布试卷形式，要求在规定时间内，学员通过雨课堂提交实验报告和程序。2.板书设计教室共4块黑板(白板)，左侧两块为书写本节知识点列表及其关系，长期保留；右侧两块用于课堂随笔，随用随擦。左侧板书的示意图如下：3.教学基本内容及手段教学内容教学手段1）课前实验准备自带笔记本电脑，熟悉至少2种大模型工具（如豆包、通义千问、DeepSeek等）及相关创作工具（如视频生成工具Vidu、代码生成工具CodeGeeX等）；阅读提示词工程基础案例和RAG技术原理简介。通过雨课堂提前1-2天发布。2）实验任务布置（1）实验内容及要求实验内容：自选主题，与大模型协同完成一项作品，可选方向包括：①游戏程序设计；②科普视频生成（如无人作战、激光陀螺等主题，利用大模型生成脚本、音频、视频片段并合成）；③学科前沿综述（如Transformer、扩散模型等，利用大模型检索文献、梳理框架并撰写）；

④其他创新作品（如数字人、智能客服对话流程等）。实验要求：①明确作品主题，选择至少2种不同类型的大模型（或结合RAG技术）；记录创作日志，包括大模型选择依据、提示词设计思路、人工调整步骤及原因；③形成完整作品及10分钟汇报PPT，内容包括创作流程、大模型协同亮点、遇到的问题及解决方案。（2）实验分析①大模型选择策略：根据任务类型匹配大模型特性：如代码生成优先选CodeGeeX、多模态生成优先选混元DiT等。

②人与大模型的高效协同的关键手段大模型能给出很多信息，但这些信息不一定都是完全正确或者适合我们的需求。因此，需要学会对大模型给出的信息提出疑问，评估这些信息到底准不准确，可不能盲目地就接受了大模型的输出结果。另外，创造力也得好好培养起来，要能够想出新的问题。还要积极去探索新的解决方案，不能遇到问题就只想着用以前的办法。可以和大模型一起合作，发挥人的创造力，让大模型也发挥它的优势，共同创造出更有价值的成果。③提升大模型使用效果的两种手段：a.提示词工程讲解：提示词需包含角色、目的、风格、语气、受众、输出格式6要素。b.检索增强生成（Retrieval-AugmentedGeneration）：是一种结合信息检索与大型语言模型生成能力的人工智能技术框架，提升模型回答的准确性、时效性和可解释性，适用于需要动态专业领域知识的场景。3）课堂实验1：以“国防科技大学歌曲创作”为例：-人工确定主题（强军兴国、哈军工精神）；-用豆包生成歌词（精准提示词引导）；-用海绵音乐生成乐曲（匹配歌词风格）；-用Vidu生成视频片段（结合歌词场景）。④大模型局限性应对识别“幻觉”（如错误典故、推理矛盾）、创造力不足等问题，通过交叉验证（多模型对比）、补充知识（RAG检索）、人工修正解决。4）课堂实验2：自行发挥创造力，利用大模型完成一项作品，形成实验报告，作品可以是程序设计、人工智能前沿方向文献综述、科普视频、数字人等。实验任务介绍：用时约10分钟常用大模型的对比：用时约5分钟人与大模型的高效协同介绍与演示用时约10分钟课堂练习：通过老师实际操作，学生跟做，讲解大模型使用的基本步骤，用时约20分钟。实验任务讲解与布置，学生课堂实验：用时约10分钟，鼓励学生相互讨论与提问。3）实验实施明确