高中二年级信息技术（人工智能选修）深度学习图像分类实践题解教案

高中二年级信息技术（人工智能选修）深度学习图像分类实践题解教案

一、课程基本信息

（一）学科与学段

本教学设计适用于高中二年级信息技术课程人工智能选修模块，属于普通高中信息技术课程标准（2017年版2020年修订）选择性必修课程“人工智能初步”范畴。学生已具备高中信息技术必修模块“数据与计算”“信息系统与社会”的基础，初步接触过Python程序设计及机器学习基本概念。

（二）课题名称

基于卷积神经网络的图像分类实践题解——以垃圾分类智能助手为例

（三）课时安排

本专题共计4课时，每课时45分钟。第1课时为原理建构与工具准备，第2课时为模型训练与调参实践，第3课时为题解攻坚与性能优化，第4课时为项目展示与跨学科拓展。

（四）教学资源

硬件环境：计算机教室，每生一台终端，配备GPU（或使用云端算力平台Colab），教师机同屏广播系统；软件环境：Chrome浏览器，GoogleColab或JupyterNotebook，Python3.8+，TensorFlow2.x，Keras，OpenCV，Matplotlib；数据集：自制校园常见垃圾分类图像数据集（四类：塑料瓶、废纸、易拉罐、电池），每类50张，另备测试集20张；学习支架：半成品代码模板、卷积神经网络结构可视化挂图、调参对照表、题解记录单、在线协作白板。

二、教学内容分析

（一）教材与课标定位

本课对应人教版高中信息技术选择性必修4《人工智能初步》第三单元“机器学习与深度学习”项目四“智能图像识别”。课标要求：“通过典型案例了解深度学习的基本原理，能够使用开源框架完成简单模型的训练与应用，体会人工智能技术对社会发展的影响。”【重要】本专题将教材中静态的图像识别案例升华为动态的题解攻关过程，融入工程思维与计算思维，是“用中学、创中学”课程理念的典型载体。

（二）核心素养指向

信息意识：从垃圾分类真实需求出发，主动寻求人工智能技术解决方案；计算思维：将图像分类任务抽象为神经网络结构与参数优化问题，形成可迁移的调试策略；数字化学习与创新：利用开源框架与在线协作工具完成模型迭代，产出具有社会价值的智能应用；信息社会责任：辩证分析人工智能技术在环保领域的伦理边界，避免算法偏见。【非常重要】

三、学情分析

高二年级学生平均年龄17岁，对智能手机中的人脸解锁、拍照识图等功能有丰富体验，但对背后深度学习原理知之甚少。本班学生已完成Python基础语法、Pandas数据处理及机器学习基本概念（监督学习、训练集测试集）的学习，80%的学生能独立编写简单循环与函数。然而，学生对神经网络前向传播、反向传播、卷积核等抽象概念存在认知障碍，极易在实践题解环节陷入“盲目调参”误区。【难点】同时，学生对项目式学习热情较高，乐于解决真实问题，具备初步的团队协作意识。

四、教学目标

1.知识与技能

（1）说出卷积神经网络的基本组成（输入层、卷积层、池化层、全连接层、输出层）及各层作用。【基础】

（2）使用TensorFlow.Keras搭建、编译并训练一个用于四分类的CNN模型，准确率不低于85%。【重要】

（3）借助可视化工具分析训练曲线，识别过拟合与欠拟合状态，并应用Dropout、早停、数据增强等方法优化模型。【高频考点】【难点】

2.过程与方法

（1）通过“观察错误—提出假设—修改代码—验证结果”的闭环，体验深度学习题解的一般流程，培养计算思维中的调试能力。

（2）在小组协作中对比不同超参数对模型性能的影响，形成基于证据的调参决策方法。【热点】

3.情感态度与价值观

（1）感受人工智能技术解决环保问题的社会价值，增强作为数字公民的责任感。

（2）养成严谨求实的科学态度，理性面对模型错误，将失败视为迭代优化的必经环节。

五、教学重难点

重点：利用Keras搭建CNN模型完成图像分类任务，并能解释模型性能变化的原因。【非常重要】

难点：针对过拟合、准确率停滞等典型问题进行有效优化，形成结构化的题解思维框架。【难点】【高频考点】

六、教学方法与策略

采用“项目式学习+认知学徒制”双主线融合策略。教师作为“解题专家”通过思维外显化展示调参决策过程，学生在“实践—反思—再实践”中内化专家思维。全程贯穿三层脚手架：概念支架（可视化教具）、过程支架（半成品代码）、策略支架（题解决策树）。每课时均设有“微题解”环节，将大型攻关任务拆解为可即时反馈的小任务，降低认知负荷。

七、教学实施过程（核心）

（一）课前准备

教师于前一日通过在线学习平台发布预习任务：观看微课《卷积神经网络如何“看”图片》，回答两个问题：1.卷积核在图像上滑动计算什么？2.为什么需要池化层？学生提交答案后，教师利用词云分析学情，发现约60%学生对卷积核权重共享理解模糊，【基础】为第一课时概念精讲提供精准起点。同时，将垃圾分类数据集以压缩包形式下发，要求学生尝试用上次课学过的传统机器学习方法（SVM+HOG）对图像分类并记录准确率，为深度学习对比铺垫。

（二）课中实施

第一课时：解构黑箱——卷积神经网络原理与题解入口（45分钟）

1.情境导入（5分钟）

教师展示校园垃圾分类站实拍视频，提出驱动性问题：“人工分拣效率低、有健康风险，我们能否利用本周所学技术训练一个‘智能垃圾桶’模型，用摄像头识别垃圾种类并自动开盖？”学生快速浏览各组用传统SVM方法获得的准确率（普遍低于70%），产生认知冲突。教师顺势揭示课题：“今天我们将进入深度学习实践——使用卷积神经网络完成图像分类，并在后续三课时中持续攻克准确率难题。”

2.核心概念精讲与可视化类比（15分钟）【非常重要】

教师不使用枯燥的数学推导，而是利用CNNExplainer在线交互工具（提前加载至本地）进行类比教学：将卷积核比作“特征探针”，池化比作“图像缩略图”，全连接比作“投票委员会”。每一层讲解均穿插“题解预演”——假如模型将易拉罐误判为电池，可能是哪一层出了问题？学生小组讨论30秒后，教师揭示可能原因：易拉罐和电池均具有金属反光特征，卷积层可能过度关注亮度而未提取形状差异。此环节将抽象原理与后续题解任务直接锚定。【难点突破】

3.半成品代码走查与认知学徒示范（15分钟）

教师打开Colab笔记本，展示一个包含基础CNN架构但故意设置缺陷的代码模板（缺陷1：无数据归一化；缺陷2：全连接层神经元过多，小数据集极易过拟合）。教师采用“有声思维”逐行解读：“这里我们读取图像，像素值0-255，如果不归一化，梯度更新会很震荡……”“全连接层用了512个神经元，我们的训练集只有200张图，模型会开始死记硬背。”学生在代码旁批注，初步感知“何处容易出错”。

4.首轮题解实践：修复显式缺陷（8分钟）【基础】

学生两人一组，将教师预设的两处缺陷修复（添加归一化层、减少全连接层神经元至64），运行完整训练流程。教师巡视，发现典型问题：部分学生未安装TensorFlow导致导入错误，立即启动“同伴急救”——相邻小组互助。首轮训练完成后，全班模型准确率均从不足50%提升至70%左右，学生获得即时成就感。教师汇总训练曲线截图，挑选一组明显过拟合的曲线（训练准确率98%，验证准确率72%）作为下课时伏笔。

5.课堂小结与题解日志启动（2分钟）

教师强调：深度学习题解不是一次性编程，而是“观察—假设—验证”的迭代循环。发放电子版题解记录单，要求学生每轮修改必须记录“原现象—原因猜想—修改操作—新现象”。此记录单将作为过程性评价核心依据。【高频考点】

第二课时：攻坚克难——过拟合阻击战与超参数寻优（45分钟）

1.复习与聚焦（3分钟）

教师展示上节课留下的过拟合典型曲线，提问：“为什么模型对训练集表现极好，对验证集却乏力？这是机器学习中的什么现象？”学生齐答“过拟合”。教师明确本课时核心使命：“今天所有实践都围绕‘抗过拟合’展开，我们将像侦探一样排查可疑因素。”

2.策略群授——过拟合四大克星（12分钟）【非常重要】【高频考点】

教师不直接给出答案，而是提供四张“策略卡”（数据增强、Dropout、早停、L2正则化），每张卡背面写有原理简述。各组抽取一张，结合教材附录与在线文档，在5分钟内准备30秒“策略推介”。

数据增强组发现：通过旋转、翻转、缩放制造更多训练样本，能防止模型死记硬背；Dropout组解释：随机丢弃部分神经元，迫使网络学习冗余特征；早停组强调：验证集准确率不再提升时终止训练，避免后期过拟合；L2正则化组陈述：在损失函数中加入权重大小惩罚，使权重分布更平滑。

教师对各组推介进行结构化梳理，并板书“过拟合应对决策树”：若数据集小，优先增强+Dropout；若训练曲线后期分化严重，早停立竿见影；若权重过大，考虑L2。此决策树将成为后续题解的核心认知工具。【热点】

1.分战队题解实战——参数狩猎（20分钟）【非常重要】

全班分为四大战队，每战队聚焦一种策略的深度实施，但需同时监测模型准确率与过拟合程度。

第一战队（数据增强）：在ImageDataGenerator中设置rotation_range=20,width_shift_range=0.1,horizontal_flip=True。学生发现增强后每个epoch时间延长，但验证准确率从72%提升至78%，且训练曲线与验证曲线收窄。一学生惊呼：“原来数据可以这样凭空变多！”

第二战队（Dropout）：在卷积层与全连接层之间插入Dropout(0.5)。学生运行后对比发现训练准确率下降，但验证准确率跃升至81%，且验证损失震荡减小。教师及时追问：“为什么丢弃一半神经元反而效果更好？”引导学生理解“去相关”思想。

第三战队（早停）：调用EarlyStopping回调函数，设置patience=5。模型在第12轮自动停止，验证准确率稳定在79%，有效防止了后期抖动。

第四战队（L2正则化）：在全连接层添加kernel_regularizer=l2(0.001)。学生发现准确率提升不明显，但权重分布可视化后显示权重值整体减小。教师提示L2在小数据集上效果常被增强与Dropout覆盖，并肯定其实验精神。

四战队成果汇总至在线协作文档，全班共同发现：组合使用数据增强+Dropout+早停可使验证准确率突破85%，而单独使用L2仅提升1%。此发现直接指向题解中的“策略优先级”概念。

1.组际交叉审核与策略迁移（8分钟）【难点】

各战队交换代码与记录单，尝试复现对方的优化效果，并思考：“我们的策略能否与对方策略叠加？顺序是否影响结果？”交叉审核中，一组发现数据增强后加入Dropout，准确率进一步提升至87%；另一组质疑早停阈值设置过小导致训练不足，将patience改为8后准确率又提升1%。教师在此环节仅做时间控制，将解释权归还给学生，体现题解共同体特征。

2.小题解日志展评（2分钟）

随机展示两份优秀题解记录单，学生看到同伴如何将“验证准确率不再上升”具体化为“损失震荡—减小学习率—损失平滑—准确率提高”的完整链条，深受启发。教师重申：题解能力比模型准确率更有迁移价值。

第三课时：瓶颈突破——准确率天花板与模型结构微调（45分钟）

1.现状评估与新问题提出（3分钟）

经过第二课时，各小组模型验证准确率在85%～88%之间徘徊，似乎陷入瓶颈。教师展示一组错误分类实例：塑料瓶被误判为电池，原因是瓶子带有金属环反光；废纸被误判为易拉罐，原因是纸张被揉皱后呈现立体反光。学生意识到：现有模型主要靠颜色、反光等浅层特征，未能提取形状、纹理等深层特征。【难点】

2.深度剖析——卷积层视野与感受野（8分钟）

教师再次调用CNNExplainer，展示第一层卷积核学到的是边缘、颜色块，第二层学到的是纹理、简单形状，更深层学到部件、物体模式。提问：“我们目前的模型只有两层卷积，能否学到‘易拉罐圆柱体’这种抽象特征？”学生回答“不能”。教师提出本课时核心任务：通过加深网络、调节卷积核数量来提升特征抽象能力。

3.结构化题解——深度与宽度的博弈（20分钟）【非常重要】

教师提供三组预实验基线，要求学生在此基础上修改并记录：

基线A：两层卷积（32,64）+全连接64；

基线B：三层卷积（32,64,128）+全连接64；

基线C：四层卷积（32,64,128,128）+全连接128。

学生以组为单位，任选一条基线出发，自主决定是否继续加深、加宽，或引入批量归一化（BatchNormalization）加速训练。

组1在基线B基础上将第三层卷积核增至256，验证准确率短暂升至89%后出现严重过拟合，被迫回滚；

组2在基线C中加入批量归一化，发现训练速度明显加快，且验证准确率首次突破90%；【重要】

组3尝试全局平均池化替代全连接层，参数量骤减，准确率保持在88%但推理速度提升30%，产生工程优化意识；

组4将卷积核尺寸从3×3全部替换为5×5，参数爆炸，Colab显存溢出，被迫复盘“并非越复杂越好”。

教师巡回观察，对显存溢出组进行“危机教育”：真实工业界题解必须考虑计算资源约束，精准工程判断力比暴力调参更可贵。

1.可视化归因——Grad-CAM初探（10分钟）【热点】

为突破“模型为何如此判断”的黑箱，教师引入Grad-CAM技术，生成热力图叠加在原图上。学生惊讶地发现：准确率高的模型关注区域集中在瓶身文字、易拉罐拉环等细微辨别部位；而误判模型关注背景噪点甚至桌面反光。一名学生脱口而出：“原来模型也在刷题，它刷错了重点！”这一顿悟将题解从参数层面升华至特征层面。

2.冲刺时刻——班级基线刷新（4分钟）

各组将最优模型提交至班级排行榜，当前最高验证准确率93%。教师预留悬念：“距离95%的工程应用门槛还有一步之遥，下一课时将迎来跨学科武器——迁移学习。”

第四课时：巅峰挑战——迁移学习与项目路演（45分钟）

1.迁移学习——站在巨人的肩膀上（12分钟）【非常重要】【高频考点】

教师展示ImageNet大赛历届冠军模型（VGG16,ResNet50,MobileNet）的参数量与准确率，学生瞬间意识到自己从头训练的CNN堪称“玩具”。教师讲解迁移学习核心思想：在大规模数据集预训练好的模型上微调，利用已学会的通用特征（边缘、纹理、形状）快速适配小数据集。

实践环节：学生仅需替换预训练模型的顶层分类器，冻结底层权重，重新训练全连接层。原本需要15分钟训练的任务，如今2分钟即收敛，验证准确率普遍飙升至95%以上。课堂爆发惊叹声——这是四课时以来最强烈的峰值体验。

1.极限题解——当准确率突破95%（8分钟）

教师提出新挑战：“现在模型准确率很高，但对电池这一类别的识别率仍偏低（92%），如何针对性提升？”学生提出收集更多电池图片、对电池类别加大数据增强强度、调整类别权重等策略。各组现场实施，电池识别率提升至96%，全班最高模型准确率达98%。教师总结：题解永无止境，但始终有法可循。

2.项目路演与多元评价（20分钟）【热点】

每组轮流进行3分钟路演，内容包括：模型最终性能、题解过程中最关键的转折点、失败案例反思、社会价值构想。

第一组展示了从52%到98%的迭代曲线图，重点剖析了“盲目增加卷积层导致显存爆炸”的教训，被师生共同评为“最佳反思奖”；

第二组将模型封装为简易Web应用，现场用手机拍摄废纸，系统准确识别并发出“可回收”语音提示，赢得掌声；

第三组提出伦理思考：如果训练数据中电池图片多为黑色，模型是否会对银色电池误判？如何避免算法偏见？此问将讨论推向信息社会责任高度。

教师邀请信息技术教研组长、环保社团负责人担任嘉宾评委，从技术实现、创新程度、社会价值三维度打分。

1.学科融通——人工智能+（3分钟）

教师简短展示迁移学习在医疗影像（肺炎CT识别）、农业（病虫害检测）、文物保护（铭文拓片修复）等领域的应用，强调本专题所习得的题解思维——抽象、调试、迭代、迁移——是跨学科可迁移的核心素养。【重要】

2.单元总结与自我评估（2分钟）

学生对照课前发布的“深度学习题解能力清单”进行自评，涵盖“能说出CNN基本结构”“能独立搭建CNN模型”“能应用至少三种过拟合优化策略”“能使用迁移学习提升性能”“能通过热力图解释模型决策”五项。【基础】【重要】【热点】教师不做打分，只收集数据以改进后续教学。

（三）课后延伸

1.必做作业：完善题解记录单，形成个人《深度学习题解手札》，包含至少三条可迁移的调试口诀，例如“准确率低看归一，过拟合用Dropout，准确率平加深网，资源受限MobileNet”。

2.选做挑战：将模型部署至树莓派或开源硬件，与舵机、摄像头联调，制作实体“智能垃圾分类桶”原型，参加校园科技节。

3.跨学科项目：联合化学、生物学科，采集水质检测显微图像数据集，尝试用本专题所学迁移学习框架完成蓝藻水华识别。

八、教学评价设计

本教学设计摒弃传统纸笔测验，