以下是针对人工智能编程第六课教案的专业设计框架，结合理论教学与实战演练，适用于高校或职业培训场景。
课程名称：人工智能编程进阶——神经网络实战
课时：90分钟
教学目标：
1. 理论模块（30分钟）
• 前向传播的矩阵运算推导
• 损失函数（交叉熵/MSE）的选择依据
• 激活函数对比：Sigmoid vs ReLU vs Softmax
| 激活函数 | 公式 | 适用场景 |
|---|---|---|
| Sigmoid | 1/(1+e^{-x}) | 二分类输出层 |
| ReLU | max(0,x) | 隐藏层默认选择 |
| Softmax | e^{x_i}/Σe^{x_j} | 多分类输出层 |
2. 代码实战（45分钟）
使用Python实现MNIST手写数字识别：
• 数据集加载与预处理（归一化/one-hot编码）
• 网络架构构建：输入层(784) → 隐藏层(128) → 输出层(10)
• 超参数设置：学习率=0.001，epochs=20，batch_size=32
阶梯式任务链：
1. 基础任务：完成单隐藏层网络搭建（准确率＞85%）
2. 进阶任务：添加Dropout层防止过拟合
3. 扩展任务：尝试卷积神经网络（CNN）对比效果
| 考核项 | 权重 | 评估标准 |
|---|---|---|
| 代码完成度 | 40% | 模型能正常训练并输出预测 |
| 性能优化 | 30% | 测试集准确率超过基准线 |
| 报告质量 | 30% | 包含损失/准确率曲线分析 |
常见问题解决方案：
• 梯度消失：改用ReLU激活函数
• 过拟合：增加L2正则化或Early Stopping
• 训练缓慢：尝试Adam优化器替代SGD
• 必读教材：《Deep Learning with Python》（François Chollet著）
• 在线工具：TensorFlow Playground（可视化网络训练）
• 数据集源：Kaggle MNIST CSV版本
注：本教案建议配套Jupyter Notebook交互式环境教学，实时展示代码运行结果与参数调整影响。
查看详情
查看详情
