高中信息技术选择性必修《人工神经网络学习》教学设计

高中信息技术选择性必修《人工神经网络学习》教学设计一、教学背景分析本课选自浙教版（2019）高中信息技术选择性必修3《人工智能初步》第二章第七节“神经网络学习”。本节内容承接前面“感知机模型”“人工神经网络结构”等知识，是学生从“知道神经网络是什么”走向“理解神经网络如何学会”的关键一课。神经网络学习的本质，是通过训练数据不断调整网络中神经元之间的连接权重，使网络的输出逐步逼近期望结果。这一过程涉及误差计算、损失函数、梯度下降、反向传播等核心概念，既是本模块的理论高地，也是学生理解深度学习、大模型等前沿技术的认知基石。授课对象为高二年级学生。学生已在数学学科中学习过函数、导数的初步概念，在信息技术课程中掌握了Python基础语法，具备使用NumPy等库进行简单编程的能力。但学生对“机器如何学习”普遍存在朴素直觉，容易将学习理解为“记忆”或“查表”，对参数迭代优化的数学过程缺乏直观感受。部分学生对公式存在畏难情绪，需要在教学中做好数学直观与形式化表达之间的桥梁搭建。二、教学目标1.信息意识：认识到神经网络的“智能”来源于数据驱动的参数优化过程，能够从“误差—调整”的视角审视人工智能系统的行为。2.计算思维：能够将神经网络学习过程分解为前向传播、误差计算、反向传播、权重更新四个阶段，理解各阶段之间的逻辑关系，并能用伪代码或流程图描述训练循环。3.数字化学习与创新：能够借助Python编程环境搭建一个极简神经网络，完成对简单数据集（如逻辑与门、鸢尾花二分类）的训练任务，观察损失曲线的变化并解释其含义。4.信息社会责任：通过讨论训练数据偏差导致的模型偏差案例，认识“数据塑造智能”的事实，形成对人工智能系统局限性的批判性认识。三、教学重点与难点教学重点：理解神经网络学习的核心机制——基于误差的权重迭代调整；掌握梯度下降法的基本思想；能描述反向传播中误差从输出层向隐藏层逐层分配的过程。教学难点：链式法则在反向传播中的作用；学习率对训练过程的影响（过大导致震荡发散，过小导致收敛缓慢）；从单次权重更新公式推广到整体训练循环的理解。四、教学方法与策略采用“情境导入—类比建构—实验探究—抽象建模—迁移应用”的教学主线。以“闭眼投篮调整力度”的生活类比引入梯度下降思想，降低数学门槛；以可交互的可视化工具（TensorFlowPlayground）让学生先“看见”学习过程，再进入公式与代码层面；以小组协作完成编程实验，落实做中学；以真实案例讨论引发伦理思考。教学环境为配备多媒体一体机、安装Python3.x及NumPy、Matplotlib库的机房，学生两人一机。五、教学准备教师准备：神经网络训练过程动画课件、TensorFlowPlayground网址、预习任务单（含感知机复习题）、实验指导手册（含半成品代码）、鸢尾花数据集（仅取两类、两特征的简化版本）、评价量规。学生准备：完成预习任务单，复习感知机输出公式y=f(w₁x₁+w₂x₂+b)及阶跃激活函数的特性，安装并测试Python运行环境。六、教学过程（一）情境导入：机器也会“学习”吗（5分钟）教师展示两组图片：一组是人类婴儿学步的连拍照片，从跌撞到稳步行走；另一组是训练初期与训练后期的手写数字识别效果对比——初期识别错误频出，后期几乎全对。教师提问：婴儿学走路和神经网络学认字，有没有共同之处？学生自由发言后，教师提炼共同点：都不是一次性被告知“正确答案的全部规则”，而是反复尝试、获得反馈、修正行为。教师板书三个关键词：尝试—误差—调整，并指出本节课的核心问题：神经网络内部的“尝试与调整”究竟是怎样发生的？强调的是哪三个量之间的循环？此环节意在激活学生的经验图式，把抽象的“学习”具象化为可感知的反馈循环，为后续损失函数与梯度下降的引入埋下伏笔。（二）类比建构：从投篮到梯度下降（10分钟）教师讲述情境：蒙住眼睛投篮，第一次用力过猛球飞过篮筐，有人告诉你“远了”，你第二次收点力；这次近了，你再加上一点。如此往复，命中率越来越高。教师追问：在这个过程里，你依据什么调整？调整的方向和幅度由什么决定？学生讨论后，教师引导归纳：依据的是“当前结果”与“目标”之间的差距，即误差；调整方向是减小误差的方向；调整幅度与误差大小有关，误差大时步子大，接近目标时步子小。教师顺势给出神经网络中的对应关系：投篮力度对应权重w，球的落点对应网络输出ŷ，篮筐对应真实标签y，误差对应损失函数。以一个最简单的单样本线性关系为例，教师在黑板上写出均方误差损失函数L=½(y−ŷ)²，并说明取平方是为了让正负误差不互相抵消，系数二分之一是为了求导后形式简洁。教师画出损失函数关于某个权重w的抛物线示意图，指出图中纵轴为L，横轴为w，谷底即误差最小处。教师提问：如果我们看不见整条曲线，只能测出当前位置的“坡度”，该怎样走向谷底？学生回答：往坡的下方向走。教师给出权重更新公式：w←w−η·∂L/∂w并逐个解释符号含义：η为学习率，控制每一步的步长；∂L/∂w为损失函数对权重的偏导数，即曲线在当前点的斜率，指明下降方向；减号表示逆着坡度上升的方向走。教师强调：这条公式就是整节课的“心脏”，后面所有的内容都是对它的展开与应用。（三）可视化探究：先看见学习（12分钟）学生打开浏览器进入TensorFlowPlayground，界面默认是一个单隐藏层分类任务。教师布置三项递进任务：任务一：保持默认设置，点击运行按钮，观察左侧数据点的颜色分类区域如何随训练轮次变化，记录大约多少轮后分类边界趋于稳定。任务二：将学习率分别调到很小（如0.001）和很大（如3），各运行相同轮次，对比损失曲线的形态，回答为什么大学习率下曲线剧烈抖动。任务三：增加一个隐藏层、增加神经元数量，再运行，观察复杂数据（螺旋形分布）下网络表达能力的变化。学生两人一组操作并完成实验记录单。教师巡视，针对共性问题进行点拨：学习率过大时，权重更新一步跨过谷底，在新位置误差反而更大，如此反复形成震荡甚至发散，正如同蒙眼投篮时“矫枉过正”；学习率过小时，虽说方向正确，但走得太慢，在给定轮次内还未到达谷底。教师请两组学生汇报发现，随后小结：学习任务的本质是在高维权重空间中寻找损失函数的低点；超参数（学习率、网络结构、训练轮次）的选择直接影响学习效果，这正是人工智能工程师日常调参工作的核心内容。（四）抽象建模：单样本的权重更新推导（10分钟）教师带领学生完成一个最小规模的推导，让公式从动画落地为可以计算的数。设定情境：一个只有一个输入、一个权重、无偏置、无激活函数的极简神经元，输出ŷ=w·x。取训练样本x=2，期望输出y=1，初始权重w=0.5，学习率η=0.1。第一步，前向计算：ŷ=w·x=0.5×2=1。等等，教师请学生检查：误差为零，没有更新发生。教师随即更换初始权重为w=0.2，重新计算：ŷ=0.2×2=0.4。第二步，计算损失：L=½(y−ŷ)²=½×(1−0.4)²=0.18。第三步，求梯度。教师推导：因为L=½(y−wx)²，对w求偏导得∂L/∂w=−(y−ŷ)·x=−0.6×2=−1.2。第四步，权重更新：w←0.2−0.1×(−1.2)=0.32。教师引导学生验证：新输出ŷ=0.32×2=0.64，比更新前的0.4更接近1，误差确实减小了。教师板书训练循环的伪代码：重复执行以下步骤直至满足停止条件：①取一个样本做前向传播得到输出；②计算损失；③沿误差反方向逐层求梯度；④更新所有权重。教师点名第三个环节中的难点：当网络有多个层时，输出层的误差如何“传回”隐藏层的权重？答案依靠链式法则——误差对深层权重的影响，等于沿途各段导数的连乘。教师以两层的简单网络示意，说明误差正向接力、梯度反向传播的对称图景，指出“反向传播”之名的由来。此处不要求学生完整推导多层公式，只要求建立“误差像电话留言一样逐层传回、每个权重按自己的责任大小领受调整量”的图景。（五）编程实验：训练一个会分类的神经网络（15分钟）学生打开教师分发的半成品代码文件，程序框架已实现数据加载、前向传播、损失计算与结果可视化，唯独权重更新部分留有函数体空缺。任务要求：补全两个函数——一是计算输出层误差的函数delta_output，二是隐藏层到输出层权重的更新函数update_weights，要求严格实现w←w−η·∂L/∂w及其向量化形式。教师提示向量化的表达：权重矩阵更新量等于学习率乘以“前一层激活值的转置”与“当前层误差向量”的乘积，提醒学生用NumPy的矩阵乘法一次完成，避免写双重循环。学生完成代码后运行程序，终端逐轮打印损失值，Matplotlib窗口绘制损失随轮次下降的曲线以及最终学到的分类边界。教师巡视时重点关注三类典型错误：学习率与梯度相乘时符号写反导致损失上升；矩阵维度不匹配；忘记在每次迭代后重新计算输出。对学有余力的学生布置拓展任务：将步进式的全样本更新改为逐样本更新，观察损失曲线的抖动差异，初步体会批量训练与小批量训练的区别。实验结束后，教师让学生在自己的曲线图上标注三个现象：初期损失骤降、中后期趋于平缓、个别位置的小幅波动，并用自己的话解释每一段的成因，写入实验报告。（六）思辨讨论：数据与责任（8分钟）教师呈现两个案例。案例一：某招聘筛选模型因历史数据中男性录用比例偏高，学会了压低女性简历的评分。案例二：某人脸识别系统在深肤色人群上的错误率显著偏高，原因是训练集中该人群样本不足。教师抛出问题链：模型的“偏见”是程序员故意写进去的吗？如果不是，它从哪里来？学了今天的权重更新机制，你能解释为什么数据不平衡会导致这样的结果吗？学生结合本课机理作答：权重是被数据里的统计规律塑造的，数据长什么样，模型就学成什么样；训练集中的偏差会被梯度下降忠实地“学习”并放大为系统性的错误。教师总结：理解学习机制不仅是技术问题，更是判断人工智能系统可信度的前提；作为未来的技术使用者和创造者，同学们要学会追问“它用什么数据训练、为谁优化、伤及何人”。（七）课堂小结与作业（5分钟）师生共同回顾本课知识脉络：学习的本质是误差驱动的权重迭代调整；核心公式为w←w−η·∂L/∂w；流程为前向传播、算损失、反向传播、更新权重的循环往复；学习率与网络结构是关键超参数；数据决定模型品格。分层作业：基础层——完成三道梯度计算的手算题，巩固链式求导；提高层——修改实验代码中的学习率与隐藏层规模，提交一份不同配置下损失曲线的对比分析（300字以上）；挑战层——查阅资料了解随机梯度下降与动量法的改进思路，下次课用三分钟向同学讲解其中一种。七、板书设计主板书居中写核心公式w←w−η·∂L/∂w，其上方写三词主线“尝试—误差—调整”；左侧自上而下排列四步流程：前向传播→损失L=½(y−ŷ)²→反向传播（链式法则）→权重更新；右侧记录课堂生成的关键数值（示例权重更新过程）与学习率过大、过小的对比简笔画（震荡曲线与平缓曲线）。板书上留一块空白区，用于记录学生讨论中生成的观点，如“误差像留言逐层传回”“数据塑造模型”。八、教学评价设计采用过程性评价与表现性评价结合的方式。过程性评价依据实验记录单与巡视观察，关注学生能否正确操作可视化工具、能否解释曲线现象；表现性评价依据编程任务的完成度与实验报告的论证质量，量规设三个维度：概念理解（能否准确说出四步流程与公式含义）、代码实现（更新函数是否正确、曲线是否收敛）、反思表达（对损失曲线三段现象的解释是否合理）。课后通过分层作业进一步诊断迁移水平，为下一课“卷积神经网络初步”