《人工智能导论》教学设计 第5章 人工神经网络-教案

人工智能通识课教学设计课程名称：人工智能通识课授课年级：大二各年级授课学期：2026-2027学年第1学期教师姓名：任课教师专业类别：理工科（非计算机类）上课地点：多媒体教室总学时：48学时（理论16+实验32）使用教材：人工智能导论日期：2026年09月教案正文课题名称第5章人工神经网络计划学时3学时内容分析本章是进入深度学习世界的关键桥梁，从传统ML的困境出发，引出ANN"数据驱动"的全新范式。

内容涵盖传统手工特征设计的局限性、ANN的核心思想与端到端特征学习、

发展简史（从M-P模型到图灵奖）、生物神经元到人工神经元的数学映射、

三大激活函数（Sigmoid/Tanh/ReLU）对比、MLP层次化特征学习（从边缘到语义）、

数据预处理、前向传播→损失函数→反向传播→梯度下降的完整训练闭环，以及过拟合对策。

全章以"手写数字识别"为贯穿线索，帮助学生理解ANN如何实现"从错误中学习"。思政融入通过"规则驱动→数据驱动"的范式变革对比，培养学生的创新思维与科学方法论；

通过生物神经元到人工神经元的跨学科映射，展现"从自然汲取灵感"的智慧；

通过ANN发展史（三次寒冬后仍有突破），传递"科技探索永不言弃"的精神力量。一、教学目标及基本要求【知识目标】·理解人工神经网络的核心思想——"数据驱动、端到端特征学习"，及其与传统"规则驱动"机器学习的本质差异；·掌握人工神经元数学模型（加权求和+偏置+激活函数）、M-P模型与感知机的基本原理；·熟悉三大激活函数（Sigmoid/Tanh/ReLU）的数学特性与适用场景；·理解前向传播、损失函数、反向传播与梯度下降的完整训练闭环。【能力目标】·能够针对手写数字识别等任务，设计并构建多层感知机（MLP）模型架构；·具备根据任务特性选择合适激活函数及调整学习率的调优能力；·能够识别训练中的过拟合现象并提出三种以上应对策略。【素养目标】·通过对比"规则驱动"与"数据驱动"的范式变革，培养从数据中挖掘规律的科学创新思维；·通过生物神经元→人工神经元的映射过程，感受"从自然汲取灵感"的跨学科思维魅力；·树立正确的人机协作观——理解ANN是"人类能力的放大器"而非替代者。二、教学重点、难点与教学方式教学重点1.人工神经网络的"数据驱动"核心思想——与传统"规则驱动"的本质对比；

2.人工神经元数学模型（加权求和+偏置+非线性激活函数）；

3.三大激活函数（Sigmoid/Tanh/ReLU）的特性对比与选择策略；

4.前向传播→损失函数→反向传播→梯度下降的完整训练闭环。教学难点1.非线性激活函数为什么必不可少——多个线性层的复合仍是线性，无法解决复杂分类；

2.反向传播的"链式法则"思想——误差从输出层逐层向前传递，更新每层权重；

3.梯度消失问题的产生原因与ReLU的缓解机制。教学方式教师课堂讲授为主，通过"手写数字识别"作为贯穿全章的线索案例；

使用"外星人学AI"叙事（从规则设计失败到数据驱动成功）降低认知门槛；

课堂上通过手写/画图帮助学生直观理解生物神经元到人工神经元的映射。三、教学过程第一课时（从传统ML困境到ANN思想）1.创设情境，导入新课(1)教师展示：在手机上潦草写一个数字，手机仍能准确识别——这背后是什么技术？(2)"外星人学AI"续集：外星人想开发手写数字识别系统，但发现靠手动写规则（"8有两个封闭圈"）根本无法覆盖所有手写风格——引出传统ML的局限。(3)明确目标：理解为什么需要ANN？ANN的核心思想是什么？2.进行重点知识的讲解（1）传统机器学习的困境三个核心挑战：①特征难以穷尽——不同人写的数字千差万别；②环境干扰难应对——潦草连笔/墨水污渍/笔画残缺；③特征变异难适配——同一数字的大小/位置/粗细差异极大。核心问题："人类专家设计的手工特征"无法覆盖复杂目标的所有变化。就像死记硬背"数字8有两个封闭圈"，无法识别潦草的"8"。（2）ANN的核心思想：数据驱动传统ML=授人以鱼：人告诉计算机"8有两个封闭圈"；ANN=授人以渔：给计算机看一万张各种各样的"8"，它自己总结出"8"的本质特征——无论是否封口、是否歪斜。核心能力："端到端的特征学习"——不需要人类手工提取特征，通过多层网络自动从原始像素中提取从简单（线条）→复杂（形状）→语义（数字）的层次化特征。（3）ANN发展简史1943M-P模型→1949Hebb学习规则→1958感知机→1969"AI寒冬"（单层感知机无法解决XOR问题）→1986反向传播算法复兴→1998LeNet-5手写数字识别→2006Hinton深度信念网络→2012AlexNet→2017Transformer→2018图灵奖（Hinton/LeCun/Bengio）。核心启示：AI的发展不是一帆风顺的，寒冬之后总有更强大的复苏。3.归纳总结，布置课后作业(1)课堂小结：传统ML困境→ANN新思路（数据驱动）→发展简史。(2)随堂练习：请用自己的话解释"规则驱动"和"数据驱动"有什么本质区别，各举一个生活中的例子。(3)课后作业：阅读教材5.2节生物神经元与人工神经元映射部分；预习5.2.2节激活函数。第二课时（人工神经元、激活函数与MLP结构）1.回顾上节课内容，明确本节课学习目标(1)快速回顾：传统ML困境→ANN数据驱动→发展简史。(2)引出问题："单个神经元能做什么？很多个神经元组织起来又能做什么？"2.进行重点知识的讲解（1）从生物神经元到人工神经元生物神经元三部曲：树突接收信号→细胞体整合判断→轴突传递信号。突触连接不是简单的电信号直连，而是电→化学→电的转换过程。人工神经元数学模型（三步走）：①加权求和（每个输入×权重，加偏置）→②得到净输入z→③通过激活函数f(z)产生最终输出。（2）激活函数——从线性到非线性的突破为什么必须是非线性？如果激活函数是线性的，无论叠加多少层，整个网络只能表示线性函数（多个线性复合仍是线性），无法解决手写数字识别等复杂非线性问题。函数优点缺点适用场景Sigmoid平滑可导、输出有概率解释（0-1）梯度消失、非零中心、计算慢二分类输出层Tanh零中心、梯度比Sigmoid更强仍存在梯度消失、计算复杂隐藏层（尤其RNN）ReLU计算极快、正区间缓解梯度消失负输入梯度为0（神经元死亡）隐藏层默认首选（3）前馈神经网络与MLPFNN（前馈神经网络）：信息单向流动——输入层→隐藏层→输出层，没有循环或反馈。MLP（多层感知机）=FNN+多个全连接层，是最基础的深度网络架构。层次化特征学习：第一层学"边缘/线条"→第二层学"局部形状"→第三层学"整体轮廓"→最终分类。以手写数字"8"为例，网络从原始像素中自动逐层抽象出高层次语义。3.归纳总结，布置课后作业(1)课堂小结：生物→人工神经元映射→三大激活函数→MLP层次化学习。(2)随堂练习：如果让你设计一个识别26个英文字母的MLP，你会在隐藏层用什么激活函数？输出层用什么激活函数？为什么？(3)课后作业：阅读教材5.3节前向传播与反向传播；预习5.3.3节损失函数。第三课时（训练闭环：前向传播→损失→反向传播→优化）1.回顾上节课内容，明确本节课学习目标(1)快速回顾：激活函数对比、MLP层次化特征学习。(2)引出问题："MLP搭建好了——但它怎么学会识别数字？网络内部到底发生了什么？"2.进行重点知识的讲解（1）数据准备与预处理图像预处理：原始手写数字图片→统一尺寸（如28×28像素）→灰度归一化（像素值0-255映射到0-1）→展平为784维向量→送入网络。类比：把"食材"洗净切好，再送入"大脑"加工。（2）前向传播——从输入到预测信息逐层向前流动：输入784维像素→第1隐藏层（加权求和+ReLU）→第2隐藏层→输出层（10个神经元，对应0-9，Softmax转为概率分布）→输出预测结果（如86%概率是"8"）。（3）损失函数——衡量"错得有多离谱"均方误差（MSE）：用于回归任务。交叉熵损失（Cross-Entropy）：用于分类任务。损失值越小→预测越准；损失值越大→需要调整。（4）反向传播与梯度下降——"从错误中学习"核心思想：计算损失函数对每个权重参数的梯度→沿梯度反方向更新参数→使损失逐步减小。链式法则：误差从输出层逐层"反向传播"到前面的层，逐层更新权重。类比：老师告诉你"答案错了"→你追查哪一步推理出了问题→修正那一步→下次不再犯。梯度下降：θ_new=θ_old-学习率×梯度。学习率太大→"跳过头"无法收敛（震荡）；学习率太小→收敛太慢。（5）过拟合问题与对策表现：训练集准确率99%，测试集只有85%——模型"死记硬背"而非"真正理解"。三种对策：①增加训练数据（数据增强）→②正则化（L1/L2限制参数规模）→③Dropout（随机"失活"部分神经元，强制网络学习更鲁棒的特征）。课堂讨论："ANN学了这么多，它真的理解了吗？还是只是学到了像素组合的统计规律？"3.归纳总结，布置课后作业(1)课堂小结：数据预处理→前向传播