高中信息技术选修四人工神经网络与深度学习教学设计

高中信息技术选修四人工神经网络与深度学习教学设计一、教材与学情分析本课选自教科版高中信息技术选择性必修四《人工智能初步》第三章第三节。前两节学生已经认识了机器学习的基本流程，理解了特征、标签、训练集与测试集等概念，并通过简单案例体验了线性分类与回归。本节课在此基础上深入一层，揭开"深度学习"的技术内核：人工神经网络的层级结构、神经元的工作机制、前向传播与反向训练的基本思想。本节内容是连接"感知人工智能"与"动手实现人工智能"的关键枢纽，也为后续计算机视觉、自然语言处理等应用模块奠定认知基础。授课对象为高中二年级选修该课程的学生。他们具备初中数学函数基础，正在学习向量与简单导数概念，逻辑思维能力较强，对人工智能产品（如人脸解锁、语音助手、图像识别）有丰富的生活体验，但普遍停留在"使用者"层面，对黑盒内部原理存在两种极端认知：要么认为深不可测、望而却步，要么认为不过是"调包调接口"，轻视原理。教学的关键在于用可感知的实例和可操作的工具，把抽象的网络结构与计算过程"翻译"成学生能动手、能讨论、能验证的具体活动。二、教学目标第一，知识与理解。学生能够描述人工神经元的数学模型，即输入加权求和再经激活函数输出；能够说明输入层、隐藏层、输出层的功能分工；能够用自己的语言讲述训练的本质是不断调整权重以缩小预测误差。第二，技能与操作。学生能借助在线可视化平台或简化Python代码，搭建一个两层全连接网络完成手写数字或二维数据分类任务，观察训练过程中损失曲线的变化，并能通过修改神经元数量、学习率等超参数对比实验结果。第三，思维与方法。学生在实验数据中体会"试错—反馈—修正"的迭代思想，理解复杂智能可以从简单单元的大规模连接中涌现，形成用计算思维拆解复杂系统的意识。第四，态度与责任。学生通过讨论深度学习的局限（依赖海量数据、不可解释性、能耗与偏见问题），初步建立理性看待人工智能的社会责任感。三、教学重难点教学重点是神经网络的层级结构与信息前向流动的过程，以及"损失函数引导权重调整"这一训练核心逻辑。教学难点是反向传播的思想。鉴于学生尚未系统学习偏导数，本课不展开梯度公式推导，而是借助走山路下山的生活类比和交互演示，让学生建立"沿着误差减小的方向小步调整每个权重"的直观认识，把数学严谨性留待大学深化，把思想准确性留在当下课堂。四、教学方法与资源准备采用"情境驱动+实验探究+类比讲解"的混合策略。硬件方面保证机房学生机可联网；软件方面准备三种工具：一是浏览器端的神经网络可视化演示页面（可逐层观察权重与激活值）；二是二维数据分类交互实验页，学生拖动超参数即时看到决策边界变化；三是基于简化代码框架的Jupyter环境，供学有余力的学生修改网络结构。课前将学生分为四人小组，组内设定操作员、记录员、汇报员与质疑员四个角色。五、教学过程（一）情境导入（约6分钟）课堂开始，教师投影两张照片：一张是鼻梁上架着眼镜的同学照片让手机人脸解锁，另一张是十年前老式手机用数字密码解锁的画面。教师提问：手机凭什么"认识"你？它既没有被写入"此人左眼间距多少毫米、鼻尖到下巴多少毫米"这样的死板规则，为什么换了个发型、戴上口罩之外的饰物依然认得出来？学生自由发言后，教师顺着学生的回答追问：如果识别规则不是我们手工写进去的，那是谁"写"的？引出本课核心命题——让机器自己从数据中学出规则，而承载这种"学习"的装置，就是人工神经网络。教师板书课题，并给出一句话定位：今天我们不求造出能识别人脸的系统，但要弄清楚它肚子里那几百万个"小开关"是如何协同工作的。（二）从生物神经元到人工神经元（约8分钟）教师展示人脑神经元示意图，突出树突接收信号、细胞体整合、轴突向外传递的结构，强调人脑约八百六十亿个神经元彼此连接，单个细胞并不聪明，聪明的是连接方式。随后切换到人工神经元结构图：若干输入各自乘以一个权重后相加，再加上偏置，整体送入一个函数，得到输出。教师用"投票表决"类比：班委决策时，每位同学的意见是输入，老师对不同同学意见的重视程度是权重，最后的决策规则是激活函数。权重可正可负可大可小，正权重是支持，负权重是反对，绝对值大说明这票分量重。此处出现一个公式需求，教师以板书方式呈现神经元计算的直观形式：输出等于激活函数作用于（每个输入乘以对应权重后的总和再加上偏置）。不引入希腊字母与不认识的符号堆砌，而是配一张带有具体数字的小例子图：输入为0.6和0.2，权重为3和负1，偏置为0.5，逐步算出中间结果，再让全班口算下一步，确保每个学生都亲自走完一次完整的神经元计算。这一步看似朴素，却是本课一切后续理解的锚点。（三）搭建网络：单层到多层（约8分钟）教师提出挑战：一个神经元只能画一条直线分开两类事物，现实中的问题边界弯弯曲曲怎么办？学生在二维分类实验页上先尝试单个神经元（一条直线），很快发现面对"环形包围"式的数据分布无能为力。教师顺势引导：把几个神经元并排，再把它们的输出作为下一层的输入，会发生什么？学生在实验页上把隐藏层神经元数量调到4至8个，点击训练，亲眼看到屏幕上的决策边界从直线逐渐弯折、合拢，最终把环形区域完美地圈了出来。教室里通常会出现惊讶的低语，这正是教学期待的时刻。教师在此提炼概念：接收原始数据的叫输入层，产出最终判断的叫输出层，中间进行层层抽象加工的叫隐藏层；"深度"之"深"，指的就是隐藏层的层数多。并举出逐级抽象的直觉解释：认脸的网络底层只认明暗边缘，中间层认出眼睛鼻子，高层才组合出"是谁"——每一层都在上一层的基础上加工出更抽象的特征，这是深度学习胜过手工设计规则的根本原因。（四）网络如何学习：从犯错的机器到纠错的机器（约12分钟）这是本课的核心环节，分三个台阶展开。第一个台阶：定义"错多少"。教师让网络对一张图给出预测，与真实答案对比，差距就是误差；把所有样本的误差汇总成一个总指标，就是损失。损失大，说明网络很笨；训练的目标就是把损失压小。第二个台阶：讲清"怎么改"。教师抛出类比：想象你蒙眼站在山坡上，要走到谷底，怎么办？学生自然答出：用脚探一探周围，往最低的方向挪一小步，反复走。教师点明这就是梯度下降的朴素版本——损失函数的地形由全部权重决定，每一步计算"沿哪个方向调权重损失下降最快"，然后把所有权重朝那个方向微调一点，学习率就是步子大小。学生在实验页上分别把学习率设成0.001和10，前者训练慢如蜗牛，后者损失数值上蹿下跳无法收敛，从失败中体会到超参数的意义。第三个台阶：理解误差如何回溯到每一个权重。教师以"班级合唱跑调追责"作比：指挥发现整体跑调（输出有误差），先定位哪个声部偏了（从输出层反向算起），声部再定位到具体哪位同学（逐层回溯到前面的权重），每个人按自己的责任大小调整。这就是反向传播的思想：误差从输出层逐层向回分摊，每个权重按贡献大小接受调整。教师明确告诉学生：其数学实现依靠链式法则，属于后续学习内容，今天只需要牢牢抓住"前向算预测，反向分责任，循环往复把损失磨小"这条主线。学生在交互页上开启逐层可视化，观察权重随训练轮次不断变化、损失曲线持续下行，把抽象叙述落到实处。（五）动手实践：训练一个真正的分类网络（约14分钟）各小组领取任务单，在Jupyter环境中运行教师预置的精简代码：加载一个手写数字子集数据集，搭建"输入层—隐藏层—输出层"三层网络，训练后输出准确率。代码中关键参数处留有明确注释，学生的任务不是从零写代码，而是完成三组对照实验并填写实验记录表。实验一：隐藏层神经元分别取4、32、128，比较准确率与训练耗时，回答"神经元越多越好吗"。实验二：学习率分别取0.001、0.1、1，观察损失曲线形态，回答"步子大小如何影响学习"。实验三：训练轮次取1、10、100，对比训练集准确率与测试集准确率的差距，教师借此引出"过拟合"概念——网络把训练数据背得滚瓜烂熟，遇到新数据反而露怯，就像只会做原题不懂变式的学生。教师巡视各组，针对共性问题集中点拨，对进度快的小组追加挑战：再加一层隐藏层，结果有何变化？实验结束后，每组汇报员用一分钟陈述本组数据与结论，质疑员可向其他组发问。教师在黑板上汇总各组数据，让"合理的网络规模、恰当的学习率、适度的训练轮次"这三个结论从学生的实验表格中自然生长出来，而非教师直接灌输。（六）辩证审视：深度学习不是万能钥匙（约5分钟）教师呈现三个真实情境供全班简短辩论：其一，某医学影像诊断网络准确率超过普通医生，但无法向病人解释判断依据；其二，某招聘筛选系统因在男性居多的历史数据上训练，系统性压低女性简历评分；其三，训练一个大模型的耗电量相当于数百个家庭一年的用电。学生讨论后教师收束：深度学习的威力来自数据，偏见与局限同样来自数据；一个合格的现代公民，既要会用人工智能，也要会追问它的边界、问责它的决策。这正是课程标准强调的信息社会责任在人工智能模块的落点。（七）课堂小结与作业（约2分钟）师生共同凝练本课知识主线：神经元加权求和经激活输出，多层堆叠实现逐层抽象，损失函数衡量错误，梯度下降指引方向，反向传播分摊责任，反复迭代逼近智能。作业分两档：基础档绘制本课思维导图；拓展档在可视化平台上复现一个螺旋线数据分类任务并提交决策边界截图与三行分析。六、板书设计主板书沿"一个神经元—一层网络—一次训练"三级台阶纵向展开，左侧为神经元结构示意与数字演算实例，中间为输入层、隐藏层、输出层框图，右侧为训练闭环：前向传播、计算损失、反向传播、更新权重，四个环节用箭头围成循环。副板书随时记录学生实验数据与精彩发言。七、教学评价评价贯穿全程：导入环节看学生原有认知暴露程度；实验环节依据记录表的完整性与结论合理性计分；辩论环节观察学生论证是否有证据支撑；课后作业评