人工智能导论-技术、应用及伦理 理论教案 倪波第5、6章 人工神经网络、深度学习

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→损失计算→反向传播→梯度下降→过拟合对策——完整训练闭环。(2)课后作业（个人总结）：画出一个3层MLP（输入层→隐藏层→输出层）处理手写数字"3"的完整训练流程图，标注每一步的数据形态变化；预习第6章深度学习。四、教学反思（课后填写）教学效果自评达成预期目标基本达成需改进（请说明：）学生反馈亮点改进措施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6章深度学习计划学时3学时内容分析本章聚焦深度学习三大主流架构，从CNN图像识别到RNN文本处理再到Transformer革命。

内容涵盖深度学习三大驱动力（ImageNet数据/GPU算力/算法创新）、

CNN两大核心设计（局部连接+权值共享）与LeNet-5逐层详解、

RNN序列建模与"文本填空"实例推导、LSTM三门控机制、Seq2Seq编码器-解码器架构、

Transformer自注意力机制与多头注意力、迁移学习两大策略、

国产深度学习框架（PaddlePaddle/MindSpore/PyTorch/TensorFlow）对比。

本章从技术演进（CNN→RNN→Transformer）切入，帮助学生建立深度学习的全景认知。思政融入通过展示国产AI芯片（华为昇腾）和国产框架的发展，增强对我国AI基础设施自主可控的信心；

通过迁移学习"站在巨人肩膀上"的理念，引导学生善用开源成果、回馈开源社区；

"深度学习并非魔法"——通过能力边界的讨论，培养理性、批判的技术观。一、教学目标及基本要求【知识目标】·理解深度学习的定义与三大驱动力（ImageNet大数据/GPU算力/算法创新），以及CNN/RNN/Transformer的基本原理；·掌握CNN两大核心设计思想——局部连接与权值共享，及其带来的平移不变性优势；·理解RNN/LSTM处理序列数据的"记忆"机制，以及Transformer自注意力机制的核心思想；·了解迁移学习的基本概念与策略，以及国产深度学习框架（PaddlePaddle/MindSpore等）的发展现状。【能力目标】·能够以LeNet-5为例，逐层说明CNN在图像识别任务中的特征提取与分类流程；·能够通过"文本填空"实例，推导RNN如何利用历史信息预测下一个词；·具备初步的迁移学习意识，理解何时可以"站在巨人肩膀上"复用预训练模型。【素养目标】·通过深度学习从规则驱动→数据驱动→自动特征学习的演进，培养"技术迭代、持续突破"的创新精神；·了解国产深度学习框架的发展，增强对我国AI基础设施自主可控的信心；·树立"深度学习并非魔法"的理性认知——它仍是对数据的统计拟合，有明确的能力边界。二、教学重点、难点与教学方式教学重点1.CNN的两大核心设计（局部连接+权值共享）与LeNet-5逐层结构分析；

2.RNN的序列处理机制——"我→今天→去→___→存钱"文本填空推导过程；

3.Transformer自注意力机制的核心思想与"编码器-解码器"架构；

4.迁移学习的基本策略与国产深度学习框架对比。教学难点1.CNN局部连接+权值共享如何实现平移不变性——不同位置学习相同的特征；

2.RNN的梯度消失问题与LSTM的"门控"解决机制；

3.自注意力机制（Self-Attention）的直观理解——每个词"关注"句子中所有其他词。教学方式教师课堂讲授为主，通过大量可视化图示（LeNet-5逐层特征图、RNN展开图、Transformer注意力热力图）辅助理解；

通过"文本填空"实例推导，让学生在具体数字计算中体会RNN的工作原理；

安排课堂讨论，引导学生对比CNN/RNN/Transformer各自最适合的任务类型。三、教学过程第一课时（深度学习概述与CNN卷积神经网络）1.创设情境，导入新课(1)教师展示：人脸解锁手机、自动驾驶识别交通标志、AlphaGo下围棋——这些"神操作"背后都是深度学习。(2)教师提问："第5章学的MLP也能识别手写数字——但为什么它不适合处理大尺寸图像？"引出全连接层的参数量爆炸问题。(3)明确学习目标：理解DL为何能"深度"学习，掌握CNN如何高效处理图像。2.进行重点知识的讲解（1）深度学习的三大驱动力大数据（ImageNet——深度学习的"启蒙教材"）：2009年发布，包含1400万+张标注图片，覆盖2万+类别，为DL训练提供了"燃料"。GPU并行算力："CPU像一位教授（擅长复杂逻辑但只有一人），GPU像一支中学生队伍（每个人简单但人多力量大）"——GPU成百上千个核心适合矩阵运算，让训练从"数月"缩短到"数天"。算法创新：Hinton2012年深度学习的突破、ReLU解决梯度消失、BatchNormalization加速训练、Dropout防止过拟合——每一次算法创新都推动了性能飞跃。（2）CNN两大核心设计思想问题：全连接MLP处理100×100像素图像需要784×(隐藏层神经元数)个参数，参数量爆炸且无法利用图像空间结构。局部连接（LocalConnectivity）：每个神经元只连接输入的一小块区域（卷积核/感受野），大幅减少参数。类比：识别人脸时不需要看整张脸，先看眼睛、再看鼻子——"局部感知"。权值共享（WeightSharing）：同一个卷积核在整个图像上"滑动"时使用同一组权重，检测相同特征（如边缘）出现在哪里都行。这就是CNN的"平移不变性"——无论数字"8"在图像中间还是角落，CNN都能认出来。（3）LeNet-5逐层详解——经典CNN架构层名称操作输入尺寸输出尺寸功能说明输入层28×28灰度图28×28×128×28×1原始手写数字图像C1卷积层6个5×5卷积核28×28×128×28×6提取低级特征（边缘/角点）S2池化层2×2平均池化28×28×614×14×6降采样，减少计算量，保留主要特征C3卷积层16个5×5卷积核14×14×610×10×16提取更高级特征（形状/部件）S4池化层2×2平均池化10×10×165×5×16进一步降采样C5全连接120个神经元5×5×16→400120将特征图展平并全连接F6全连接84个神经元12084高层语义表示输出层10个神经元+Softmax8410输出0-9的概率分布池化层的作用：在保留重要特征的前提下缩小特征图尺寸，降低计算量（"重要信息保留，不重要信息丢弃"）。3.归纳总结，布置课后作业(1)课堂小结：三大驱动力→CNN两大设计（局部连接+权值共享）→LeNet-5逐层结构。(2)随堂练习：如果用全连接MLP处理100×100的彩色图像（3通道），输入层有多少个参数？如果用3×3的卷积核（16个），第一层有多少个参数？对比说明CNN的优势。(3)课后作业：画出LeNet-5的完整结构图，标注每层的输入/输出尺寸；预习6.2节RNN。第二课时（RNN循环神经网络与LSTM）1.回顾上节课内容，明确本节课学习目标(1)快速回顾：三大驱动力、CNN局部连接+权值共享、LeNet-5。(2)引出问题："CNN处理图像很厉害，但如果给你一句话（我今天去银行___存钱），CNN能填对空格吗？"引出序列数据问题。2.进行重点知识的讲解（1）为什么需要RNN——序列数据的特点序列数据的本质：前后信息相互关联，不能孤立理解。"我今天去银行___存钱"——空白处可能是"办理"或"取钱"或"存钱"，但从"存钱"可以推断是"存钱"（这里体现为前后文的关联依赖）。传统网络的问题：MLP和CNN假设输入之间独立，无法捕捉"前一个词影响后一个词"的时序依赖。（2）RNN的核心机制——"记忆"与"循环"核心思想：每个时刻不仅接收当前输入，还接收上一时刻的"记忆"（隐藏状态h_t-1）——h_t=f(W·x_t+U·h_t-1+b)。这样，网络就"记住"了之前看到的内容。"文本填空"实例推导——以"我→今天→去→银行→存钱"逐步计算RNN在每个时刻的隐藏状态变化，让学生直观感受信息如何在时序中累积。RNN的问题：长序列时，早期的信息经过多次乘法运算逐渐"衰减消失"——这就是"梯度消失"问题。比如"我___年前去过___"，中间隔了50个词，RNN很难关联"我"和"去过"。（3）LSTM——"长短期记忆"解决长依赖LSTM引入三个"门"（Gate）：①遗忘门——决定丢弃哪些旧信息；②输入门——决定存储哪些新信息；③输出门——决定输出哪些信息。类比：就像记笔记——遗忘门=擦掉不重要的内容，输入门=写上新的关键信息，输出门=从笔记中提取回答问题所需的内容。（4）编码器-解码器与Seq2Seq架构：编码器（Encoder）将整个输入序列压缩为一个"上下文向量"→解码器（Decoder）从这个向量中逐个生成输出。经典应用：机器翻译——"Iloveyou"→编码器→上下文向量→解码器→"我爱你"。3.归纳总结，布置课后作业(1)课堂小结：序列数据特点→RNN循环记忆→文本填空推导→长依赖问题→LSTM三门控机制→Seq2Seq架构。(2)随堂练习：在"我→今天→去→银行→存钱"的文本填空任务中，请逐时刻写出RNN的输入和隐藏状态变化（使用教材中的公式）。(3)课后作业：阅读教材6.3节Transformer和6.4节迁移学习。第三课时（Transformer、迁移学习与国产框架）1.回顾上节课内容，明确本节课学习目标(1)快速回顾：RNN序列处理→LSTM三门控→Seq2Seq架构。(2)引出问题："RNN处理序列有先后顺序，无法并行计算——有没有更好的方法？"引出Transformer。2.进行重点知识的讲解（1）Transformer——"注意力就是一切"核心突破：抛弃RNN的"串行"处理方式，所有词的输入"同时"进入网络，通过自注意力机制让每个词关注句子中所有其他词。这带来了两个巨大优势：①可以并行计算，训练速度大幅提升；②无论词与词之间距离多远，都能直接建立关联，彻底解决了长依赖问题。自注意力（Self-Attention）直观理解：对于句子"Thecatsatonthemat"，计算"sat"的表示时，模型会自动给"cat"（谁坐的？）和"mat"（坐在