高中信息技术《人工智能程序设计语言（Python）实战59：神经网络推理可视化》教学设计

高中信息技术《人工智能程序设计语言（Python）实战59：神经网络推理可视化》教学设计

一、课程基本信息

（一）学科与学段：高中二年级信息技术（人工智能方向）选择性必修模块

（二）课题名称：人工智能程序设计语言（Python）实战59：神经网络推理可视化

（三）课时安排：1课时（45分钟）

二、教学分析

（一）教材分析：本节内容选自教育部审定高中信息技术选择性必修教材《人工智能初步》（XX版）第五章“神经网络与深度学习”第三节“人工智能程序设计语言实战”。该章节以大概念“模型构建”为锚点，59号实战位于单元中后部，是学生首次将前续抽象的神经网络数学符号（权重、偏置、激活函数）完整转化为可执行代码并直观观测输出行为的关键节点。教材仅给出核心代码片段，本设计创造性补全“可视化反馈闭环”，将黑盒推理转变为可观测、可调试的白盒模型，极大降低认知负荷。【非常重要】【素养载体】【教材二次开发】

（二）学情分析：学生已系统学习Python程序设计基础（变量、分支、循环、函数、列表推导式），并在前两课时掌握了NumPy库的基本创建与索引操作，理解矩阵乘法的几何意义；对神经网络的结构（输入层、隐藏层、输出层）有初步印象，但普遍存在“公式能看懂，代码写不出”的困境，尤其是高维数组的axis方向判别错误率高达63%（基于前测数据）。同时，高二学生对自动驾驶、人脸识别等真实AI应用场景具有强烈好奇，可视化图表对其有天然吸引力。【重要】【最近发展区】【痛点聚焦】

（三）课标要求：《普通高中信息技术课程标准（2017版2020修订）》“人工智能初步”模块内容要求4.2：通过具体案例，了解人工智能算法原理，能使用合适的人工智能程序设计语言实现简单推理；学业要求4.3：能对人工智能系统进行测试并解释其结果。本课精准对标，并向上延展至计算思维三要素（抽象、分解、评估）的显性化训练。【基础】【政策依据】

（四）教学目标：

1.知识与技能目标：准确复述前向传播算法中矩阵维度匹配规则；独立编写基于NumPy的线性变换与Softmax归一化代码；运用Matplotlib的imshow、bar系列函数生成四维度神经网络推理仪表盘。【基础】【高频考点】

2.过程与方法目标：经历“代码补全—可视化反馈—参数扰动—跨组诊断”四阶实战，归纳出人工智能程序调试的通用策略：先隔离模块（权重/偏置），再检查维度，最后通过图形特征定位逻辑错误。【非常重要】【学科核心素养】【关键能力】

3.情感态度与价值观目标：从即时生成的彩色图表中获得正向激励，破除对AI底层代码的神秘感；在开源社区式的代码互审中建立技术自信与协作伦理，认同“清晰的可视化是对复杂系统负责任的表现”。【重要】【工程伦理启蒙】

（五）教学重点与难点：

4.教学重点：全连接层前向传播代码实现及维度一致性校验；将数值矩阵映射为色块图、堆积条形图的编码策略。【高频考点】【基础】

5.教学难点：数学符号∑到np.dot的语义转换，尤其是设计矩阵X为行样本结构时W的放置顺序（X·W而非W·X）；理解Softmax输出概率与堆叠条形图bottom参数之间的映射关系。【难点】【思维分水岭】

三、教学策略

（一）教学方法：采用“CDIO工程教育模式+实时代码仪表板”双轴驱动。以Conceive（构思）—Design（设计）—Implement（实现）—Operate（运作）贯穿全课；教师端使用代码活动监测器，实时采集每台学生机的变量维度、报错类型，将隐性思维显性化。【创新点】【重要】

（二）教学资源与环境：智慧教室，师生比1:20，学生机预装Anaconda（Python3.9，JupyterLab），局域网内搭建代码快照服务器。教具包含大型磁力矩阵板（可粘贴贴纸表示数字）、三色权重指示卡；数字资源包括教师自制的“维度侦探”HTML5交互式拖拽游戏。【基础】【环境保障】

四、教学实施过程（核心环节）

（一）课前精准准备（翻转前置）

1.教师活动：录制7分钟微课《神经元的线性代数》，重点区分“行样本·列特征”与“行特征·列样本”两种布局习惯（统一规范：每行一个样本）。发布预习自测五小题，其中第3题（给定X形状(4,3)，W形状(3,2)，求Z形状）错误率作为分组依据。建立四个异质小组微信群，上传本次实战的“脚手架”文件——含注释框架但无核心代码的ipynb。【非常重要】【数据驱动分组】

2.学生活动：观看微课并提交自测截图；通读教材“可视化与模型解释”模块，尝试运行脚手架，记录下“np.random.randn”等陌生API。【基础】

（二）课中沉浸实施（40分钟高密度交互）

1.情境锚点与目标拆解（预设4分钟）

教师在大屏呈现Waymo无人车感知界面实录，指出工程师从不直接阅读张量数值，而是通过激光雷达点云热力图判断路况。随后切至本地Jupyter界面：“今天我们是感知团队实习生，任务是开发一个‘神经网络诊断仪’原型，让它替我们‘看’懂网络在想什么。”大屏亮出本节课终极挑战——生成包含四个子图的推理仪表盘，并明确评价量规：功能完整度50%+可视化规范30%+协作注释20%。【重要】【真实场域】【目标具象化】

2.概念复建与维度战争（预设6分钟）【基础】【高频考点击破】

教师取出磁力矩阵板，在黑板上构建一个2输入2输出网络。随机抽取一名学生上台，将数字贴纸放入2×2矩阵格表示权重W，另一学生放入1×2向量表示偏置b。教师提问：“现有两个样本，特征分别为[1.0,0.5]和[0.2,0.8]，X的形状应该是(2,2)，请计算Z=X·W+b。”学生手算后，教师用Python交互式验证，特意演示错误代码X*W

报错ValueError，并引导分析“*”是逐元素乘，而我们需要矩阵乘法。此环节重点强调：np.dot(X,W)

中X的列数必须等于W的行数，这里W形状是(2,2)，完全匹配。接着，教师引入Softmax函数，用极值案例演示np.exp(1000)

溢出，引出数值稳定版本e_x=np.exp(Z-np.max(Z,axis=1,keepdims=True))

。【非常重要】【难点降维】【易错点警示】

3.实战子环节一：核心引擎拼装——补全NeuralNetwork类（预设7分钟）

脚手架代码已定义类NeuralNetwork，__init__

方法中留空self.W与self.b，forward方法中留空Z与A。

学生任务：在5分钟内补全4行关键代码。

教师在此环节循环巡视，通过代码监测系统发现：约35%学生初始化W时误写为np.random.randn(2)

导致维度一维；20%学生softmax未设置axis=1，导致对全矩阵求softmax而非按行。教师立即抓取两份典型错误投屏，不公开学生姓名，组织全班“找茬”。【重要】【即时纠错】

必须罗列的核心代码要点（应列尽罗）：

【非常重要】self.W=np.random.randn(input_size,output_size)*0.01——input_size=2，output_size=2；乘0.01是参数初始化惯例，防止梯度过大，虽不训练但养成规范。【高频考点】【工程习惯】

【重要】self.b=np.zeros((1,output_size))——形状务必为(1,2)，不可写成(2,)否则广播规则改变。【易错点】

【非常重要】Z=np.dot(X,self.W)+self.b——矩阵乘法顺序不可颠倒，X(2,2)乘W(2,2)得(2,2)，加b(1,2)广播为(2,2)。【核心算法】

【非常重要】A=np.exp(Z-Z.max(axis=1,keepdims=True))——Z.max(axis=1)得到(2,1)结构，keepdims保留维度确保广播正确，再除以np.sum(…,axis=1,keepdims=True)。【难点】【数值稳定性】

学生完成代码后运行，控制台输出两行概率值，每行和为1。教师追问：“概率值接近[0.5,0.5]说明什么？”学生答“网络还很随机，没训练”。由此无缝衔接可视化意义。【基础】

4.实战子环节二：仪表盘绘制——把数字变成图像（预设8分钟）

教师分步演示，学生随行编码。本环节代码密度高，强调“先模仿，后理解，再创新”。

【基础】创建画布：fig,axes=plt.subplots(2,2,figsize=(12,10))，并设置大标题“神经网络推理可视化仪表盘（实战59）”。

【重要】第一子图（输入热力图）：im1=axes[0,0].imshow(X,cmap='viridis',aspect='auto',vmin=0,vmax=1)

；添加plt.colorbar(im1,ax=axes[0,0])

；设置标题“输入特征”。解释viridis色盲友好，vmin/vmax固定使不同样本间可比。【热点】【可视化伦理】

【非常重要】第二子图（权重热力图）：im2=axes[0,1].imshow(self.W,cmap='coolwarm',vmin=-0.5,vmax=0.5)

；权重有正负，coolwarm红蓝对比强烈；添加colorbar及标题“权重矩阵”。教师演示后让学生立刻做一个小实验：将所有权重强制设为0，观察热力图颜色（中立绿色）及输出概率（[0.5,0.5]），学生惊呼，瞬间理解权重对类别判别的控制作用。【高频考点】【探究性学习】

【基础】第三子图（偏置条形图）：axes[1,0].bar(['输出1','输出2'],self.b[0])

；设置ylim，标题“偏置值”。强调self.b[0]取出行向量。

【难点】【非常重要】第四子图（输出概率堆积条形图）：这是可视化核心难点。教师采用“逆向拆解法”——先展示错误代码：两次调用bar且无bottom，导致两个类别柱子重叠。然后演示正确写法：axes[1,1].bar(['样本1','样本2'],A[:,0],label='类别0')

；axes[1,1].bar(['样本1','样本2'],A[:,1],bottom=A[:,0],label='类别1')

。解释bottom参数将第二类柱子“架”在第一类之上，总高度即为1，完美表达概率分布。添加图例、ylabel“概率”。【思维进阶】【高频考点】

至此，一个完整的四子图仪表盘诞生。教室内响起低声惊叹。教师即时收集三份优秀作品、两份存在bug的作品，准备下一环节。【重要】

5.实战子环节三：交叉诊断与代码美容（预设7分钟）【非常重要】【协作学习】【高频诊断】

教师下发“代码审阅清单”，清单逐条列出本课时所有易错点与优化点，要求学生以小组为单位，对照清单检查本组代码，并交换笔记本电脑与邻组互检。

完整罗列诊断要点与优化策略（应列尽罗）：

【高频考点】矩阵维度不匹配：若报错“shapenotaligned”，立即检查W是(input,output)还是(output,input)。诊断工具：在单元格插入print(W.shape)

。【基础】

【重要】颜色条重叠：若连续出现多个colorbar，原因是重复执行单元格。解决方案：重启内核并重新运行，或清除输出。【习惯】

【难点】Softmax全为nan：因未做减最大值处理，exp(巨大数)得inf，inf/inf得nan。解决方案：必须采用稳定版公式。【核心难点】

【热点】中文标题乱码：未配置中文字体。解决方案：plt.rcParams['font.sans-serif']='SimHei'；plt.rcParams['axes.unicode_minus']=False。【工程细节】

【重要】堆积条形图类别顺序反了：如果期望类别0在下方，类别1在上方，应确保bottom为类别0的概率，且先画类别0。若画反了，交换两行bar顺序。【易错】

【基础】坐标轴刻度拥挤：当样本数增多时，x轴标签重叠。解决方案：plt.xticks(rotation=45)。【进阶优化】

【非常重要】颜色映射范围不一致：每次运行vmin/vmax不固定，导致权重图颜色不可比。解决方案：固定vmin=-1,vmax=1（针对初始化权重）。【量化思维】

【热点】缺少图表标题及轴标签：图表自解释性不足。要求每个子图必须包含set_title，x轴、y轴必须set_xlabel/set_ylabel。【学术规范】

学生通过清单逐项排查，邻组之间展开“找茬竞赛”。教师在巡视中听到一组学生争论bottom参数，立即组织30秒微辩论，最后用动画演示bottom堆叠过程，全班恍然。【重要】

6.实战子环节四：弹性挑战——三分类与参数持久化（预设5分钟，视进度弹性实施）

本环节面向已完成基础任务的小组，体现分层教学。

【非常重要】【思维延伸】挑战1：将输出类别从2改为3。学生需修改：W形状(2,3)，b形状(1,3)，softmax输出A变为(2,3)；堆积条形图需绘制三个类别，需连续使用两次bottom嵌套。教师提供半成品模板，引导学生思考如何用循环绘制任意类别数。部分优秀生在5分钟内完成三分类仪表盘，屏幕显示三个色块，获得掌声。【热点】【拔高】

【基础】【工程素养】挑战2：将训练好的权重参数保存至磁盘。使用np.save('W.npy',self.W)

，并在新文件中W_loaded=np.load('W.npy')

验证。此任务虽简单，但打通了“模型复用”的工程闭环。【重要】

教师同步发布“算法工程师技能徽章”，完成挑战者获得数字徽章。【激励】

7.成果集成与复盘升华（预设4分钟）【重要】【概念建构】

随机摇号选取两名学生（一名编程较强生、一名中等生）投屏展示最终仪表盘。教师引导全班按照量规维度投票。展示者需回答一个问题：“从你的图表看，网络认为样本0更可能是类别0还是类别1？依据是什么？”学生指向第四子图：“样本0的蓝色部分（类别0）更高，概率0.6，红色部分0.4，所以是类别0。”教师追问：“是权重中哪个特征导致了这种判断？”学生观察权重热力图：“第一个输出节点的权重第一行是正数，第二个是负数……”教师总结：“可视化让权重这种‘隐秘的偏好’无处遁形。这就是可解释AI的起点。”【非常重要】【学科育人】

8.知识结构化与作业布置（预设3分钟）

师生共建双气泡图：左侧是“数学公式”，右侧是“Python实现”，中间连接线标注“np.dot”、“np.exp”等映射关系。教师强调：本节课核心思想是“降维可视化”——将高维张量降至2D平面，用颜色、高度编码数值，这是所有科学计算通用的思维。【基础】【结构化】

作业布置：

必做：完善代码注释，提交最终ipynb；撰写50字以内的图表解读。【基础】

选做：使用Matplotlib的animation.FuncAnimation，模拟随机梯度下降过程中权重W的演化动画（可使用伪造的权重序列）。【热点】【高阶思维】

资源推荐：学习通资料库中上传《Python神经网络编程》可视化章节PDF、CS231n作业1可视化指引。【基础】

（三）课后拓展与延伸

教师在学习通发布主题帖“我的第一个AI仪表盘”，学生以图片形式回复可视化作品，形成班级作品集市。同时布置项目预告：下一实战将基于此代码增加反向传播，让网络真正“学习”出能区分红蓝点的权重。【重要】【项目连续性】

五、教学评价设计

（一）过程性评价权重50%：基于代码监测系统记录的关键事件——权重初始化正确度（正确率目标90%）、softmax减最大值应用率（目标95%）、堆积条形图bottom参数使用率（目标80%）、小组互评发言覆盖率（目标100%）。数据实时可视化呈现在教师大屏。【非常重要】【数据循证】

（二）表现性评价权重40%：采用“神经网络可视化仪表盘评价量规”分四级——A+级（功能完整+所有子图标签颜色条齐全+至少一项创新，如添加决策边界）；A级（功能完整，四子图均正确呈现，但有微小瑕疵如坐标标签缺失）；B级（代码能运行但可视化缺子图或堆积图错误）；C级（代码报错无法运行）。量规课前发布，作为学生自评支架。【重要】