《深度学习与应用》教学大纲.docx

深度学习与应用教学大纲适用范困：2O2X版本科人才培养方案涕程代码：22140241课程性质：专业必修i果学分：3学分学时：48学时（理论40学时，实验8学时先修课程：人工智能导论、人工钟能程序设计、数据结构与算法分析、机器学习后修课程：人工智能淙合创新适用专业：人工智熊专业开课单位：智能工程学院一、课程说明深度学习与应用X是人工智能专业中的一门专业必修课程,该课程以深度学习框架为舰础，介绍了机器学习的葩础知识与常用方法，以实例的方式学习机器学AJ操作的原理及其在深度学习框架下的实践步，主要内容包括深度学习祇础知识、深度学习框架及其对比、机器学习基础知识、深度学习框架（以PyTCeh为例）基础、IQgiStiC【可归、多层感知器、卷枳神经网络与计算机视觉、神经网络与自然语音处理.并通过8个深度学习实例的学习.帮助学生更好的掌握深度学习知识.做到理论与实践相结合,方法与应用相结合.本课程除要求学生常握以上深度学习知识，更垂要的是要求学生掌握理论与实践结合的学习方式，为更深入地学习打下良好的魏础。二、课程目标辿过本课程的学习,使学生达到如下目标：课程目标1：能够理解深度学习的基本原理及组成结构、基本概念、特征、及主要功能：掌握常用算法：学樨深度学习软件的基本操作和基本配丸.课程目标2:能州运用深度学习的基本原理、控制管理方法和实现机制，熟练使用深度学习软件，能助解决一些筒单的应用问SS。了解深慢学习匏法设计技巧，并分析深度学习算法的双杂性，优选深度学习北杂工程问胭的解决方案，培养学生科学、严谨的创造性思维和研窕性思维.邨程目标3：能够基于科学原理.遹过文就研咒等方法系统分析人工智能及相关应用领城红杂工程何麴,明确研咒对象的基本特征和关进环节，并选择合适研浣路线：培养学生积极思考、严谨创新的科学态度和解决实际问电的能力，塑造学生刻苦钻研的使命塔和受国情怀，培养科学探索的工程素养。三、课程目标与毕业要求深度学习与应用3课程教学目标对人工智能专业毕业要求的支掠见表1,表T课段t学目标与毕业要求关JK毕业要求指标点课程目标支撑1.工S知识1.2系统掌押人工智能及相关应用领域的工程基础和专业知识,包括算法、硬件,软件平台及系统等，了解解决工程问他的基本方法.课程目标1：能够理解深度学习的基本原理及祖成结构、基本概急、特征'及主要功能：掌握常用算法：掌握深度学习软件的基本操作和菸木配置，H3.设计/开发解决方案3.1掌握人工智能及相关应用领域的系统集成、算法优化、软件设计的基本设计理论和设计方法，能蛤根捌需求确定设计目标研究、确定技术方案。课程目标2:能够运用深山学习的基本原理、控制管理方法和实现机制,熟练使用深度学习软件.能垓解决一些简单的应用问遨.了解深度学习算法设计技巧,并分析深度学习算法的复杂性，优选深度学习复杂工程问璃的解决方案，培养学生科学、严建的创造性刖维和研究性思维.H4.研先4.1健鲂基于科学原理,通过文献研究等方法系统分析人工智能及相关应用额域复杂工程问题，明确研究对象的基本特征和关键环节,并选择合适研究路线.课程目标3能够基干科学原理.通过文献研究等方法系统分析人工智能及相关应用额城红杂工程问SS,明确研究对象的基本特征和关键环节，并选标合适研究跖践:培养学生积极思考、严谦创新的科学态度和解决实际问题的能力,塑造学生刻苦钻研的使命感和爱国情怀，培格科学探索的工程素养.H注：表中“H（高）、M（中）”表示课程与相关毕业要求的关联度。四、教学内容,基本要求与学时分配1 .理论部分理论部分的教学内容、基本要求与学时分配见表2。表2教学内容、基本要求与学时分配教学内容教学要求，教学点球点理论学时学时对应的谭程目标1 .深度学习简介1.1.现代深度学习和卷积神经网络的艰础知识1.2强化学习的概念、算法和应用.敦学要求，/解计算机视觉的定义、基本任务和传统方法：了解仿生学与深度学习的关联;了解现代深度学习和卷积神经网络的基础知识：了解11然语言处理的基本问题和发展趋势:了解在自然语言处理中传统方法与神经河络方法的比较：r解强41.2思政1：中国人工智能发展历程化学习的概念、算法和应用。魔点:现代深度学习和卷积神经网络的基础知识,强化学习律法和应用2.深学习根柒及其对比度2.1 深度学习框架2.2Caffe、TensorFIow1.PyTorch的特点和用途思政2：李晓挺深度学习领域的领军人物教学襄求IJ'解目前流行的深度学习把梨Caffe、TensorF1.ow.PyTOrCh:了解Carfe的用途、特点和层及网络的概念：了解数据流图：了解TenSorFI8的用途、特点和计算形式。了解PyTorch的用途、特点和相对于其他框架的优势；了解Caff（STensorF1.ow.PyTOrCh三者的比较.MArCaffe,TensorP1.ow,PyTOrCh的用途和特点充点：Caffe、TensorF1.ow,PyTorch的用途和特点401.33. PyTOrCh深度学习三tt3.1 NumPy的IHbrray对象和Tensor对象3.2PyTorch的ReduCtion操作3.3PyTorch的RcduCtion操作3.4PyTorch的自动微分Autograd阳政3：王海峰-中国AI领军人物教学要求：了解NumPy的ndarray对象和TenSor对软：掌握TenSOr对象的创建及其运算方式：以握TenSor的索弓I、切片、变换、拼接和拆分：了解PyTorch的RedUCtion操作：了解PyTCrCh的自动微分AIKograd。点TenSOr对象的创建及其运舞方式：TenSor的索引、切片、变换、拼接和拆分魔点；TenSor对软的创建及其运算方式：TenSor的索引、切片、变换、拼接和拆分822,34.回归模型1.I回归模型简介4.2 线性回归模型和平均平方误差函数4.3 1.ogistic回归模型4.4 PyTOrCh实现1.ogistic回归思政虱中国人工智能发展历程皴学要求：J.好同白和回归模型：了解线性回归的概念：了解线性回归模型和平均平方误差函数：了解1.ORiStiC回归模鞭；掌握用PyTorch实现1.ogistic回归的方式,包括使用Mu1.tivariateNoraa1.构造多元高斯分布、诩用1.inear实现线性模型、Sigmoid激活函数、BCE1.oss损失函数和使用。Ptim包构建优化器等相关知识；掌握将1.ogistic回归模型可视化的方法。点:PyTOrCh实现1.OgiStiCI11I白的方式、1.ogistic回归模型可视化的方法。难点tPyTOrCh实现1.ogiStiC回归的方式、IQgiStiC回归模型可视化的方法.821.35.多层感知叁5.1 多层海知器5.2 BP神经网络及BP（后向传播）神经网络思政5：华为界腾910全球十大AI芯片教学要求，了解神经元、输入、连接权位向量、信置、激活函数、输出、神经网络、输入层、输出层、隐藏层、训练监督训练、作整督训练的概念；了解博知器的概念，包括单层感知涔和多层尊知潇：了解BP后向传播神经网络、梯度下降算法和421.2,3后向传播除法：了斛Dropout正则化技术：了解批标准化的实现方式和使用方法.4点.BP后向传播）神经网络、DropouI正则化技术难点：BP（后向传播）神经网络、DroPoUt正则化技术。6.卷积神短网络和计Iw1.视觉6.1 卷枳神经网络6.2 经典网络结构教学要求，/解稔枳神经忖络的基本思想，包括全局连接、局部连接、参数共享：了解卷积操作,包括卷枳、表积层和卷枳核的基本概念：了解卷枳中使用多个卷枳核、多通道卷枳和边界埴充等操作：解池化和常见的池化类型:r解卷积神经网络：了解VGG、InCePtiOnNe1、ResNeI等经典网络结构：了解使用PyTUrCh进行手写数字识别的过程.窟点：经典卷枳神经网络结构魔点：势典卷积神经网络结构401.2.37.神短网络与自然语言处理7.1 基于多层感知牌的架构7.2 自然谱*处理基于卷枳神经网络的架构思政6：深度学习前沿技术教学要求：了解语言建模的夔本形式；了解自然语言处理基于多层感知器的架构：了解自然谓有处理基于循环神经网络的架构,包括循环附元、通过时间后向传播、带有门限的循环单元、御环神经网络语言模型和神经机器翻洋的相关知识；T解自然语言处理基于卷枳神经惮络的架构:了解自然诏吉处理基于TranSformer的架构.包括多头注意力、非卷位次编码、编码器单元与解码器单元的相关知识：了解表示学习与预训练技术.难点，基于多层必知涕的架构、自然语言处理基于卷积神经同络的架构821.2.34082 .实验部分实睑部分的教学内容、基本要求与学时分配见表3。表3实验项目、实殴内容与学时实验项目实验内容和要求实收学时对应的僵程目标1.配置PyTorch开发环境实Sft内容；利用pythotuPyChann、anacondaWJupytcr实现PyTorCh语言编程环境的配置.实”要求：掌握PyTorch编程的配理；能弊利用pycha11,anaconda和Jupytcr21,2实现PyTorch语言编程环境的配置，2.PyTorch实现1.orIsticHfi实验内容：编程实现用PyTorch实现1.ogistic回归的方式,包括使用Mu1.tivariaCeNorma1.构造多元海斯分布、调用1.i1.Iear实现线性模型、SiWnOid激活函数、BCE1.oss损失函数和使用optin包构建优化；实验要求：掌捏基于PyTOreh的1.x>gistiC回归。21.23.Pytorch实现BP雨馈神经网络及BP后向传播神经网络实验内容：J'解感知器的概念,包括埴层想知器和笠层感知器；掌握于Pyiorch深度学习框架编程实现输入层、输出层、隐微层.BP前馈神经网络和P后向传播神经网络：了耨BP（后向传播）神经网络、梯度下降算法和后向传播算法：.实验要求：理解并编程实现基PPytorch深度学习框架的BP前馈神经网络及BP后向传播神经网络.21,31.基于TranSfOrBer的架构实现自然语古处理汇中包括多头注意力、非舂位附编码、编码器单元与解码器单元.实验内容：/解关示学习与预训练技术：了解自然语言处理地于卷枳神经网络的架构；编程实现自然语言处理基于TranSFonner的架构,包括多头注意力、非参位跟纸码、编码器单元与解码器雎元的相关知识实Ift要求，基于TranSfOrHer架构的F1.然语言处理准确率不低于80%.21.2.38五、教学方法及手段课程教学采用理实一体化教学方式通过设定教学任务和教学目标.让师生双方边教.边学、边做，全程构建素质和技能培养框架,丰富课堂教学和实践教学环节,提高教学质量.结合理论讲授、课堂讨论、实脸、作业，配合多媒体课件、翳课、学习通等资源等共同课完成堂授课内容，采用E-mai1.、钉打、修信等交流工具，加强和学生之间的交流和沟通，在实验前学生应兔习和掌握与本实验有关的教学内容、认真阅读实验指导书.了解实验原理：在实聆中要严格遵守实验纪律,按盘作规程使用仪器.需要学生记录实验数据和版图实脸运行