下面是小编为大家整理的《keras深度学习与神经网络》教学大纲【完整版】,供大家参考。
《 《keras 深度学习与神经网络 》教学大纲 课程名称：keras 深度学习与神经网络 课程类别：必修 适用专业：人工智能、大数据开发类相关专业 总学时：48 学时（其中理论 20 学时，实验 28 学时）
总学分：2.0 学分 一、
课程的性质 随着科技的发展，人工智能又一次进入蓬勃发展的黄金时期。无论是计算机视觉、语音识别还是自然语言处理，人工智能技术在各个领域均取得重大的突破，一次又一次的给人们带来惊喜。特别是深度学习神经网络的发展，使得人工智能的发展拥有了里程碑式的变革。
本课程从人工智能导论入手，阐述人工智能的发展及现状，重点介绍机器学习和神经网络基础、反向传播原理、卷积神经网络和循环神经网络等内容。课程内容由浅入深、循序渐进，内容覆盖面广，知识体系完整，助力读者全方位掌握深度学习的相关知识。
全书分为 5 个部分。第 1 部分，即第 1、2 章，主要介绍人工智能发展历程以及深度学习的发展和应用，讲解深度学习开发环境的安装与配置；第 2 部分即第 3 章，主要讲解机器学习的基本思想，算法分类，重点讲解回归和分类算法的原理，以及损失函数、梯度下降等机器学习中涉及的重要概念；第 3 部分，即第 4 章～第 7 章，主要介绍神经元、感知机、全连接神经网络，讲解从输入层到输出层的计算方法及激活函数的意义，剖析反向传播原理，利用神经网络在经典数据集上进行模型训练、预测以及评估；第 4 部分即第 8 章～第 9 章，主要介绍卷积神经网络，将卷积神经网络与全连接神经网络进行对比，并介绍几种典型的卷积神经网络；第 4 部分即 10 章，主要介绍循环神经网络，同时介绍其变体算法，并解决实际案例的分类问题。我们希望读者通过
书中丰富的案例和项目学习，可以快速掌握深度学习与神经网络的知识，并能够利用 keras 快速搭建神经网络模型，实现模型的预测。
二、
课程学时分配 序号 教学内容 理论学时 实验学时 其它 1 第 1 章 人工智能导论 2
2
2 第 2 章 keras 与环境配置 2
0
3 第 3 章 机器学习基础 2
0
4 第 4 章 神经网络基础 2 2
5 第 5 章 反向传播原理 2 4
6 第 6 章 深度神经网络手写体识别 2 4
7 第 7 章 神经网络优化 2
4
8 第 8 章 卷积神经网络 2
4
9 第 9 章 卷积神经网络经典结构 2
4
10 第 10 章 循环神经网络 2 4
总计 20 28
三、
教学内容及学时安排 1. 理论 教学 序号 号 章节名称 主要内容 教学目标 学时 时 1 第 1 章 人工智能导论 1.人工智能的起源及发展 2.人工智能、机器学习、深度学习之间的关系 3.深度学习的发展和应用 1.了解人工智能“三起两落”的发展历程 2.理解人工智能、机器学习、深度学习之间的关系 3.了解深度学习的发展和深度学习在各个领域的应用 2
2 第 2 章 keras 与环境配置 1.配置深度学习的 keras 开发环境 2.keras 的特点 3.利用 keras 搭建第一个顺序模型 1.掌握深度学习开发环境的配置 2.认识深度学习主流框架的特点 3.了解 Keras 的基本用法 2 3 第 3 章 机器学习基础 1.机器学习产生的原因、核心思想及算法分类 2.回归与分类的概念 3.损失函数的意义、种类以及典型的损失函数 4.梯度下降算法 5.机器学习的通用工作流程 1.了解机器学习的基本思想 2.理解回归与分类的概念 3.理解 Softmax 函数。
4.理解损失函数且重点掌握交叉熵损失函数。
5.掌握梯度下降算法 2 4 第 4 章 神经网络基础 1.生物神经元和人工神经元 2.多层感知机模型和全连接神经网络 3.使用 Python 实现感知机 4.激活函数 1.认识人工神经网络的组成 2.掌握人工神经元、感知机的结构 3.利用 Python 实现单层感知机 4.理解激活函数的意义
2 5 第 5 章 反向传播原理 1.计算神经网络的输出 2.反向传播算法 3.使用 Python 实现反向传播算法
1.理解人工神经网络如何计算输出 2.掌握反向传播原理 3.能够使用 Python 实现反向传播算法 2 6 第 6 章 深度神经网络手写体识别 1.使用 Keras 构建神经网络的模型 2.使用手写体识别数据集 MNIST训练神经网络模型 3.使用深度神经网络解决图像分类问题 1.掌握 Keras 构建神经网络的模型 2.了解经典数据集 MNIST 3.掌握加载读取数据集 MNIST的方法 4.使用深度神经网络与 Softmax激活函数识别手写体 5.掌握模型评估的方法 2 7 第 7 章 神经网络优化
1.模型评估 2.使用范数正则化避免过拟合 3.使用 Python 实现丢弃法 4.使用 Keras 丢弃法避免过拟合 5.改进的优化算法 1.理解欠拟合和过拟合 2.理解 L1、L2 正则化方法 3.会使用 Keras 调用丢弃法 4.了解深度学习优化算法的意义 5.理解小批量随机提到下降 6.理解小批量随机梯度下降算法的改进算法 2
8 第 8 章 卷积神经网络 1.学习卷积神经网络及卷积计算 2.使用 LeNet 实现图像分类
1.了解卷积神经网络 2.了解卷积网络与全连接网络的区别 3.掌握卷积核的形式 4.能够进行卷积计算 5.理解填充和步幅的意义 6.掌握池化层的计算方式 7.掌握多通道输入的卷积计算 8.了解 LeNet 架构，使用 LeNet完成图像分类任务 2 9 第 9 章 卷积神经网络经典结构 1.使用 Keras 实现图像增广 2.实现 AlexNet 3.使用 VGG16 预训练模型进行特征提取 4.认识其他典型的神经网络
1.了解卷积神经网络的发展演变 2.掌握 AlexNet 结构 3.掌握 VGG 基础构造块 4.了解 GoogLeNet Inception 块，5.理解 1×1 卷积核的作用 6.理解 ResNet 设计思想以及残差块的概念 7.理解批量标准化方法 8.理解 DenseNet 设计思想和结构 2 10 第 10 章 循环神经网络 1.学习时序建模 2.实现基于 LSTM 的 IMDb 电影评论情感分类 3.实现 GRU 与 LSTM 在 IMDb 数据集的对比 1.了解时序数据特点 2.了解将文本数据向量化方法 3.掌握循环神经网络 4.理解 LSTM 原理 5.了解 LSTM 的变体 GRU 2 学 时 合 计 20 2. 实验 教学 序号 实验项目名称 实验要求 学时 1 keras 开发环境配置与模型搭建 1. 会搭建 keras 开发环境 2. 会使用 keras 搭建顺序模型 2 2 使用 Python 实现感知机 1.会使用 Python 实现感知机 2 3 使用 Python 实现反向传播 1.会使用 Python 实现反向传播算法 4 4 深度神经网络手写1. 会使用 Keras 构建神经网络的顺序模型和函数模型 4
体识别 2. 会使用手写体识别数据集 MNIST 训练神经网络模型 3. 会使用深度神经网络解决图像分类 5 神经网络优化
1.会使用范数正则化避免过拟合 2.会使用 Python 实现丢弃法 3.会使用 Keras 丢弃法避免过拟合 4 6 卷积神经网络的使用 会使用 LeNet 实现图像分类 4 7 卷积神经网络经典结构的使用 1.会使用 Keras 实现图像增广 2.会利用 Python 实现 AlexNet 3.会使用 VGG16 预训练模型进行特征提取 4 8 循环神经网络的使用 1.学会基于 LSTM 实现 IMDb 电影评论情感分类 2.学会实现 GRU 与 LSTM 在 IMDb 数据集的对比 4 学 时 合 计 28 四、
考核方式 突出学生解决实际问题的能力，加强过程性考核。课程考核的成绩构成 = 平时作业（10%）+ 课堂参与（20%）+ 期末考核（70%），期末考试建议采用理论加上机形式，理论试题应包括机深度学习的相关概念；人工智能、机器学习、深度学习三者之间的关系；Keras的模型搭建、回归分类、感知机与多层神经网络、卷积神经网络、循环神经网络的基本原理和应用等。上机测试可考察学生独立分析问题和利用 Keras 搭建神经网络模型的能力。
五、
教材与参考资料 1. 教材 肖睿 程鸣萱．Keras 深度学习与神经网络．北京：人民邮电出版社．2021． 2. 参考 资料
