机器学习原理与应用电子教案 [5.10.4]深度学习[实践-卷积神经网络].docxVIP

备课日期：年月日

授课时间

课时（理论+实验）

周次

星期:节次:

授课课题

深度学习[实践-卷积神经网络]

教学目标

1.理解卷积神经网络基本原理。

2.掌握利用PyTorch框架实现卷积神经网络的基本方法。

教学重点

利用PyTorch框架实现卷积神经网络的基本方法。

教学准备

PPT、点名册等。

教学方法

指导阅读、案例法。

教学过程设计

备注

课题引入

【思考】人类观察与区分事物的特点？

【关键】（1）能快速把握事物的主要特征。（2）全局与局部观察（近看与远看）。

【时间】分钟。

教学步骤及主要内容

【主板书】§5.10.4卷积神经网络

---------------------------------------------------------------------------

一、基本原理

【主板书】基本原理

1.基本机制：卷积神经网络（ConvolutionalNeuralNetwork，CNN）是一种用于提取图像不同层次特征的多层神经网络。基本机制源于生物学上感受野，只有视网膜上的特定区域（感受野）才能激活视觉神经元。

2.主要应用：卷积神经网络主要应用于图像和视频分析任务中，比如图像分类、人脸识别、物体识别、图像分割等，其准确率远远超出了传统浅层神经网络。

3.基本结构：由输入层、卷积层、激活层、池化层、全连接层与输出层组成（即INPUT-CONV-RELU-POOL-FC）。

（1）输入层：可对灰度与RGB两类数字图像进行处理。

（2）卷积层：主要用来提取不同层次的特征。

【强化与拓展】（1）卷积：当前变量取值受相邻变量取值的影响，加权累积。（2）卷积核：用于卷积运算，与输入数据具有相同维度。

例1.图像二维3×4的矩阵，而卷积核是一个2×2的矩阵。假设按逐像素（每次移动一个像素）卷积规则。

【PPT】卷积示例。

【强化与拓展】3×4图像为什么变成2×3？

卷积核水平移动空间：4-3

卷积核水平移动次数：（4-3）/1+1

（1）卷积通过以上方式对图像特征进行提取，不同的卷积核能够提取不同的图像特征，卷积后的输出矩阵为“特征图像”。

（2）不同类型的卷积核对图像进行卷积后，可提取图像边缘、棱角、模糊、突出等图像特征的能力。

（3）图像填充:使特征图与原图像特征一致，同时保留边缘信息。

（4）卷积核移动步长：大步长可提高卷积效率，但可能损失有用信息；小步长可捕获细节特征，但计算量较大。

（5）不同层次卷积效果：底层卷积层偏向于提取图像底层、局部特征（如物体边缘），而高层卷积层则可提取包含更丰富语义信息的全局特征（如物体结构）。

（3）激活层：激活函数可以引入非线性因素，主要作用是提供神经网络的非线性建模能力。

【强化与拓展】常用激活函数：Sigmoid、Tanh与ReLU。

（4）池化层：即“下采样”，其目的在于对特征图进行压缩处理以降低计算复杂度或减小模型的规模、突出主要特征或提高特征的鲁棒性与在一定程度上控制过拟合。

【强化与拓展】常用池化操作：平均池化与最大池化。

【PPT】池化示例。

（5）全连接层：全连接层将最后的特征输出映射到线性可分的空间以完成分类或回归任务。即将获得的卷积（包括激活与池化等处理）结果转换为向量输入至分类器（如Softmax分类器）进行分类。

【时间】分钟。

【提问】。

二、编程实现

〖PPT〗演示：利用MNIST数据实现卷积神经网络。

1.导入库

importtorch

fromtorchimportnn,optim

fromtorch.autogradimportVariable

fromtorch.utils.dataimportDataLoader

fromtorchvisionimportdatasets,transforms

importtorch.nn.functionalasF

importmatplotlib.pyplotasplt

2.产生数据

train_dataset=datasets.MNIST(root=./data/,train=True,transform=transforms.ToTensor(),download=False)

test_dataset=datasets.MNIST(root=./data,train=False,transform=transforms.ToTensor())

train_loader=DataLoader(dataset=train_dataset,batch_size=batch_size,shuffle=True)

test_loader=