《深度学习技术基础》课程教学大纲.docxVIP

《深度学习技术基础》课程教学大纲 课程代码： 课程英文名称：Deep Learning Technology Foundation 课程总学时：32讲课：32实验：0上机：0 适用专业：人工智能、测控技术与仪器专业等 一、大纲使用说明 （-）课程的地位及教学目标 深度学习技术基础是测控技术与仪器专业开设的一门专业课。随着近几年人工智能技术的 高速发展，深度学习已成为大数据时代的算法利器，属于研究热点。学术界和产业界对深度学 习展开了大量的研究和实践工作。本课程基于简单、高效的PyTorch框架，实现深度学习网络 模型，既有理论知识，又有丰富的实例，包含了逻辑回归与线性回归、全连接神经网络、卷积 神经网络、循环神经网络等的设计与实现，以及网络训练过程中的数据处理与超参数设置方 法。通过本课程学习使学生掌握深度学习技术基础，同时能够应用该技术解决基本实际问题。 通退本课程的学习，学生将这到以下要求： 了解深度学习的概念及主要应用领域。 理解分类与回归，CNN, RNN的应用场景与算法思路。 具有一定的代码编写能力，能够应用PyTorch进行简单的模型训练与测试等。 （-）知识、能力及技能方面的基本要求 1 .基本知识：了解深度学习的应用领域。 基本理论和方法：掌握深度学习的几种问题模型，能够进行简单的模型搭建。 基本技能:具有一定代码书写能力，能够应用PyTorch进行基本的深度学习编程。 （三） 实施说明 教学方法：课堂讲授中要重点对深度学习中的基本概念、基本操作、典型处理算法进行 讲解；采用启发式教学，引导和鼓励学生通过实践和自学获取知识，培养学生的自学能力；对 于基本概念和基本原理不要求死记硬背，培养学生在理解深度学习基本模型的基础上，将实际 问题转化为深度学习模型，并进行训练、测试、优化损失函数等。 教学手段：在教学中采用电子教案、PPT课件及多媒体教学系统等先进教学手段，以确 保在有限的学时内，全面、高质量地完成课程教学任务。 计算机辅助设计：要求学生能够应用PyTorch仿真软件编写简单程序，完成分类与回归 等操作，并作出适当分析。 （四） 对先修课的要求 本课程之前先修课程可有计算机基础、C语言程序设计、计算方法等课程。 （五） 对习题课、实践环节的要求 本课程主要强调对常用深度学习算法的理解并在理解的基础上进行应用，教学中可以适当 安排实验实践或习题课进行总结、演示、讲解。 （六） 课程考核方式 考核方式：考查课；可以选择开卷或是闭卷方式、课后小作业以及结课大作业等式，具 体情况由授课教师根据学生的学习情况进行安排。 考核目标：学生对深度学习经典模型的理解以及应用对应算法解决实际问题的能力。 成绩构成：本课程的总成绩主要由平肘成绩（出勤、随堂考试、课后作业等）与结课成 绩构成（试卷成绩或是大作业成绩）。 （七）参考书目 《深度学习实践教程》，吴微编著，电子工业出版社，2020 二、中文摘要 本课程主要目的是培养学生掌握深度学习理论知识，加强学生对机器学习等原理的认识。 和传统的机器学习算法相比，深度学习技术有着两方面的优势。一是深度学习技术可随着数据 规模增加不断提升性能，而传统机器学习算法难以利用海量数据持续提升其性能。二是深度学 习技术可以从数据中直接提取特征，削减了对每一个问题设计特征提取器的工作，而传统机器 学习算法需要人工提取特征。因此，深度学习已成为大数据时代的热点技术。本课程通过经典 模型算法的讲授，使学生理解深度学习模型的训练过程，并掌握设计简单的深度学习模型的能 力。本课程将为后续课程的学习以及相关课程设计、毕业设计等奠定重要基础。 三、课程学时分配表 序号 教学内容 学时 讲课 实验 上机 1 深度学习基础 2 2 0 0 2 PyTorch框架安装 2 2 0 0 3 PyTorch 基础 4 4 0 0 4 线性回归和逻辑回归 8 8 0 0 5 多层全连接神经网络 4 4 0 0 6 卷积神经网络 6 6 0 0 7 循环神经网络 4 4 0 0 8 生成式对抗网络 2 2 0 0 合计 32 32 0 0 四、教学内容及基本要求 第1部分深度学习基础 总学时（单位：学时）：2讲课:2实验:0上机:0 具体内容： 1） 理解人工智能、机器学习与深度学习基本概念及相互关系 2） 理解深度学习的三大核心要素 3） 理解神经元与深度神经网络 4） 掌握神经网络中常用的激励函数 5） 理解深度学习强大的原因 6） 了解常见的深度学习框架 重 点： 掌握神经网络中常用的激励函数 难 点： 理解神经元与深度神经网络的美系; 第2部分PyTorch框架安装 总学肘（单位：学时）：2讲课:2实验:0上机:0 具体内容： 1） 了解 PyTorch 特点 2） 掌握Windows下PyTorch深度学习环