深度学习从入门到精通：基于Keras-教学大纲.docx

《深度学习从入门到精通：基于Keras-教学大纲.docx》由会员分享，可在线阅读，更多相关《深度学习从入门到精通：基于Keras-教学大纲.docx（6页珍藏版）》请在第一文库网上搜索。

1、深度学习从入门到精通：基于Keras教学大纲课程名称：深度学习从入门到精通：基于KeraS课程类别：必修适用专业：人工智能、数据科学、大数据开发类相关专业总学时：48学时（其中理论18学时，实验30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、自然语言处理还是语音识别，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。本课程基于当前最为流行的深度学习框架一一Keras,从新手的角度出发，着力于详细讲解深度学习技术。本课程理论与案例实践相结合，内

2、容由浅入深、语言通俗易懂，从基本原理到案例应用、从基础算法到复杂模型的剖析，尽最大可能地用通俗易懂的语言讲解深度学习各种模型的基本原理，在讲解KeraS实现深度学习的知识点时候，更注重方法和经验的传递，力求做到“授之以渔”。全书共分为9章，包括初识深度学习、深度学习的数据预处理技术、使用Keras开发深度学习模型、卷积神经网络及图像分类、循环神经网络、自编码器、生成式对抗网络、模型评估及模型优化、深度学习实验项目。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章初识深度学习212第2章深度学习的数据预处理技术223第3章使用Keras开发深度学习模型244第4章卷积神经网络及图像分类3

3、45第5章循环神经网络在文本序列中的应用346第6章自编码器237第7章生成式对抗网络238第8章模型评估及模型优化249第9章深度学习实验项目O5总计1830三、教学内容及学时安排1.理论教学序号章节名称主要内容教学目标学时1第1章初识深度学习1 .深度学习基础理论2 .主流深度学习框架介绍3 .深度学习开发环境搭建1. 了解深度学习主流框架2. 掌握深度学习基础理论知识：神经元、激活函数、网络拓扑结构3. Anaconda和TensorF1ow安装及入门22第2章深度学的数据预处理技术1 .结构化数据预处理技术2 .利用OPenCV进行图像预处理3 .利用TensorF1ow进行图像预处理

4、4 .利用Jieba进行文本预处理5 .利用KeraS进行文本预处理1 .了解结构化常用数据预处理技术2 .利用OpenCV进行图像预处理，包含图像读取、显示和保存，图像几何变换等3 .利用TensorF1ow进行图像预处理，包含图像缩放、裁剪、翻转等4 .利用Jieba进行中文文本分词，并掌握如何添加自定义词典5 .利用Keras进行文本预处理，重点掌握填充序列Pac1SeqUenCeS的使用23第3章使用Keras开发深度学习模型1 .KeraS模型生命周期2 .模型可视化3 .回调函数Ca1IbaCkS4,模型保存及加载1.掌握KeraS深度学习模型操作流程：定义、编译、训练、评估及预测

5、2,掌握最常用的两种KeraS模型：顺序型及函数式AP1模型3 .掌握TensorBoard可视化4 .掌握回调函数的用法5 .掌握使用SaveMode1格式保存模型及加载6 .了解使用JSON格式保存Keras模型24第4章卷积神经网络及图像分类1 .卷积神经网络原理及实现2 .迁移学习3 .深度强化学习1 .卷积层的原理及TensorF1ow实现2 .池化层的原理及TenSorFIoW实现3 .构建卷积神经网络进行图像分类4 .迁移学习的KerasApp1ications实现5 .迁移学习的TensorF1owHub实现6 .深度强化学习的DQN算法实现35第5章循环神经网络在文本序列中的

6、应用I.循环神经网络2 .序列到序列Seq2Seq模型3 .Transformer模型1 .简单循环神经网络原理及KeraS实现2 .长短期记忆网络原理及Keras实现3 .门控循环单元原理及Keras实现4 .序列到序列Seq2Seq2原理及Keras实现5 .Transformer原理及KerasN1P实现36第6章自编码器1 .简单自编码器2 .稀疏自编码器3 .堆栈自编码器4 .卷积自编码器5 .降噪自编码器6 .循环自编码器1 .自编码器的基本网络架构2 .简单自编码器、稀疏自编码器、堆栈自编码器、卷积自编码器、降噪自编码器以及循环自编码器的原理及Keras实现27第7章生成式对抗网

7、络1 .生成式对抗网络基本架构2 .生成式对抗网络常见类型3 .GAN和DCGAN的Keras实现1234了解生成式对抗网络基本架构了解生成式对抗网络常见类型掌握如何构建GAN的生成器和判别器网络，并生成图像掌握如何构建DCGAN的生成器和判别器网络，并生成图像28第8章模型评估及模型优化1 .模型评估方法2 .模型优化方法3 .在tf.Keras中使用Scikit-1eam优化模型4 .使用KerasTuner进行超参数调节123456数值预测（回归模型）常用评估方法及Scikit-1eam实现概率预测（分类模型）常用评估方法及Scikit-1eam实现基于梯度下降和自适应学习率算法的模型优

8、化及Keras实现基于网格搜索的模型优化及Scikit-1eam实现在tf.keras中使用Scikit-1earn优化模型使用KerasTuner进行超参数调节2学时合计182.实验教学序号章节名称实验项目名称实验要求学时1第1章初识深度学习通过深度学习案例的学习，能够编写简单的入门代码1 .会搭建深度学习KeraS开发环境2 .会搭建及运行简单的深度学习模型3 .独立完成【课后习题】12第2章深度学的数据预处理技术对图像及文本数据进行预处理1. 会运用OPenCV和TensorF1ow进行图像数据预处理2. 会运用Jieba和Keras进行图像数据预处理3. 熟悉案例实训：对业务员工作日报

9、进行文本处理4,独立完成【课后习题】23第3章使用Keras开发深度学习模型熟悉KeraS模型流程、模型可视化、网调函数以及模型保存及加载1 .会调用TensorBoard2 .会运用回调函数进行模型调优3 .会进行模型保存及加载4 .熟悉案例实训：使用Keras预测泰坦尼克号旅客是否生存5 .独立完成【课后习题】44第4章卷积神经网络及图像分类搭建卷积神经网络、迁移学习及深度强化学习1 .会使用迁移学习实现花卉图像分类器2 .使用Keras-R12的DQN算法实现CartPo1e游戏3 .熟悉案例实训：对CIFAR-IO数据集进行图像识别4 .独立完成【课后习题】45第5章循环神经网络在文本

10、序列中的应用搭建循环神经网络、Seq2Seq及TranSformer模型1 .会使用词嵌入2 .会搭建简单循环网络、1STM.GRU模型3 .会利用TensorFIowAddons实现Seq2Seq24 .熟悉案例实训：中文文本分类5 .独立完成【课后习题】46第6章自编码器搭建各种自编码网络1 .会使用各种自编码器对图像数字进行重构2 .熟悉案例实训：使用自编码器建立推荐系统3 .独立完成【课后习题】37第7章生成式对抗网络搭建GAN及GCGAN网络1 .会使用KeraS实现GAN及DCGAN网络2 .熟悉案例实训：使用GAN和DCGAN模型生成数字5图像3 .独立完成【课后习题】38第8章

11、模型评估及模型优化掌握在tf.Keras中进行模型优化1 .会使用模型评估及优化技术2 .会使用Scikit-1eam优化CIFAR-IO分类模型3 .会使用KerasTuner优化CIFAR-IO分类模型4 .独立完成【课后习题】49第9章深度学习实验项目掌握TensorF1owDatasetstf.data,图像增强及CNN模型1 .会使用TensorF1owDatasets2 .会使用tf.data定义高效的输入流水线3 .会在tf.Keras中使用Scikit-1earn优化波士顿房价预测模型4 .会使用ImageDataGenerator类图像增强5 .会使用CNN模型对手写数字识别的CSV数据集进行数字识别6 .会使用CNN模型驾驶员睡意检测5学时合计30四、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，理论试题应包括深度学习的相关概念；KeraS的模型搭建、卷积神经网络、循环神经网络、自编码器、生成式对抗网络、模型评估及优化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。