《深度學(xué)習(xí)》教學(xué)大綱課程概要課程名稱深度學(xué)習(xí)課程代碼課程學(xué)分3課程學(xué)時共32學(xué)時課程類別通識教育：￡基礎(chǔ)課程￡核心課程￡一般課程￡拓展專業(yè)課程專業(yè)教育：￡基礎(chǔ)課程R核心課程￡拓展課程課程性質(zhì)R必修R選修適用專業(yè)電子信息類、計算機(jī)類相關(guān)專業(yè)先修課程機(jī)器學(xué)習(xí)后續(xù)課程綜合實訓(xùn)頂崗實習(xí)開設(shè)學(xué)期?？茖I(yè)建議第三、四學(xué)期；本科專業(yè)建議第四、五學(xué)期教學(xué)方式R面授R實驗R綜合實訓(xùn)R慕課R測試￡其他___________課程定位深度學(xué)習(xí)是人工智能的重要核心技術(shù)，目前在很多領(lǐng)域得到了廣泛的應(yīng)用，支撐人工智能新的發(fā)展。深度學(xué)習(xí)技術(shù)的內(nèi)容非常多，且有一定的難度。本課程是在卷積神經(jīng)網(wǎng)絡(luò)、循環(huán)神經(jīng)網(wǎng)絡(luò)基本算法等學(xué)習(xí)的基礎(chǔ)上，進(jìn)一步討論目標(biāo)檢測、生成對抗網(wǎng)絡(luò)、注意力機(jī)制、大模型基礎(chǔ)、深度強(qiáng)化學(xué)習(xí)基礎(chǔ)等比較高級的內(nèi)容。通過本課程的學(xué)習(xí)，學(xué)員可以重點(diǎn)掌握目標(biāo)檢測、生成對抗網(wǎng)絡(luò)、注意力機(jī)制、深度強(qiáng)化學(xué)習(xí)的典型算法，并通過實驗和案例深入理解這些算法在實際典型場景的應(yīng)用。教學(xué)目標(biāo)知識目標(biāo)1.卷積神經(jīng)網(wǎng)絡(luò)基礎(chǔ)1.1卷積的概念和特征1.2感受野1.3池化1.4通道1.5反卷積1.6LeNet-5卷積神經(jīng)網(wǎng)絡(luò)2.典型卷積神經(jīng)網(wǎng)絡(luò) 2.1VGG算法2.2GoogLeNet算法2.3ResNet算法2.4DenseNet算法2.5MobileNet算法2.6ShuffleNet算法2.7圖像分類3循環(huán)神經(jīng)網(wǎng)絡(luò) 3.1RNN網(wǎng)絡(luò)基礎(chǔ)3.2LSTM算法3.3GRU算法3.4情感分析4.目標(biāo)檢測4.1目標(biāo)檢測基礎(chǔ)4.2FasterR-CNN算法4.3YOLOv3-V5系列算法4.4MaskRCNN算法4.5FCN算法和Unet算法4.6DeepLab算法4.7車道線檢測5.生成對抗網(wǎng)絡(luò)5.1GAN基礎(chǔ) 5.2StyleGAN模型5.3DCGAN模型5.4CycleGAN模型5.5圖像風(fēng)格轉(zhuǎn)移實驗6.自注意力機(jī)制6.1Seq2Seq模型6.2Transformer模型6.3FlashTransformer模型6.4BERT模型7大語言模型 7.1大語言模型的構(gòu)建過程7.2提示工程Prompt7.3RAG檢索增強(qiáng)7.4大語言模型微調(diào)7.5大語言模型架構(gòu)7.6多模態(tài)大模型8綜合實驗 能力目標(biāo)理解卷積和反卷積的基本概念理解典型的卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)和應(yīng)用理解循環(huán)神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)和應(yīng)用理解YoloV3-V5等算法的原理及其應(yīng)用理解Unet、DeepLab基本原理及其應(yīng)用理解生成對抗網(wǎng)絡(luò)算法原理及其應(yīng)用理解CycleGAN、DCGAN、StyleGAN算法原理及其應(yīng)用理解自注意力機(jī)制和Transformer的原理及其應(yīng)用理解大語言模型的基本原理和應(yīng)用素質(zhì)目標(biāo)培養(yǎng)學(xué)生對深度學(xué)習(xí)典型算法的理解能力；培養(yǎng)學(xué)生團(tuán)隊意識、協(xié)作意識、表達(dá)能力和文檔能力；培養(yǎng)學(xué)生認(rèn)真負(fù)責(zé)、嚴(yán)謹(jǐn)細(xì)致的工作態(tài)度和工作作風(fēng)；培養(yǎng)學(xué)生動手實踐能力。課程設(shè)計本課程結(jié)合典型案例，介紹深度學(xué)習(xí)理論，理解卷積神經(jīng)網(wǎng)絡(luò)的基本概念和典型算法；循環(huán)神經(jīng)網(wǎng)絡(luò)基本概念和典型算法；目標(biāo)檢測的基本概念、基本原理以及典型的目標(biāo)檢測算法，能用這些算法于典型的應(yīng)用場景；生成對抗網(wǎng)絡(luò)的結(jié)構(gòu)、訓(xùn)練方法以及典型場景的應(yīng)用；大語言模型基礎(chǔ)以及應(yīng)用；深度強(qiáng)化學(xué)習(xí)基礎(chǔ)和典型算法應(yīng)用。輔以實驗操作，提升學(xué)生的動手能力。教學(xué)內(nèi)容安排理論（32學(xué)時）實驗（16學(xué)時）預(yù)期學(xué)習(xí)效果序號知識單元知識點(diǎn)（PPT名稱）重點(diǎn)難點(diǎn)學(xué)時實驗實驗類型學(xué)時1卷積神經(jīng)網(wǎng)絡(luò)基礎(chǔ)卷積的概念和特征1驗證型2理解卷積的概念理解池化、通道等概念理解反卷積的概念理解簡單的卷積神經(jīng)網(wǎng)絡(luò)組成感受野0.5池化0.5通道0.5反卷積√√1LeNet-5卷積神經(jīng)網(wǎng)絡(luò)1手寫體識別2典型卷積神經(jīng)網(wǎng)絡(luò)算法VGG算法0.5驗證型2（1）理解VGG算法的結(jié)構(gòu)（2）理解GoogLeNet算法的結(jié)構(gòu)（3）理解ResNet算法的結(jié)構(gòu)及其應(yīng)用（4）理解DenseNet算法的結(jié)構(gòu)（5）理解MobileNet算法的結(jié)構(gòu)（6）理解ShuffleNet算法的結(jié)構(gòu)GoogLeNet算法0.5ResNet算法0.5圖像分類DenseNet算法√0.5MobileNet算法0.5ShuffleNet算法0.53循環(huán)神經(jīng)網(wǎng)絡(luò)RNN算法0.5驗證型2（1）理解RNN算法（2）理解LSTM算法和應(yīng)用（3）理解GRU算法LSTM算法√√1情感分析GRU算法0.54目標(biāo)檢測和語義分割目標(biāo)檢測基礎(chǔ)0.5驗證型223（1）了解目標(biāo)檢測的基本概念和過程（2）理解Yolov3-v5目標(biāo)檢測算法（3）理解語義分割概述（4）理解Unet和FCN算法及其應(yīng)用（5）理解DeePLab算法FasterR-CNN算法1Yolov3-v5算法3電動車頭盔佩戴檢測實驗驗證型MaskRCNN算法√√1FCN算法和Unet算法√1車道線檢測DeepLab算法√15生成對抗網(wǎng)絡(luò)生成對抗網(wǎng)絡(luò)基本原理1驗證型2222（1）了解生成對抗網(wǎng)絡(luò)基本原理（2）理解Encoder-Decoder模型（3）理解生成對抗網(wǎng)絡(luò)算法DCGAN（4）理解CycleGAN算法StyleGAN算法√√1DCGAN算法√√1超分辨率圖像重建實驗CycleGAN算法√1畫風(fēng)轉(zhuǎn)移實驗6自注意力機(jī)制Seq2Seq模型0.5情感分類（1）理解自注意力的原理（2）理解Transformer及其應(yīng)用（3）理解FlashTransformer算法（4）理解BERT模型算法及其應(yīng)用Transfomer算法√√2FlashTransformer算法√0.5BERT算法√√17大語言模型基礎(chǔ)大語言模型的構(gòu)建過程√0.5問答系統(tǒng)驗證型1理解大語言模型的構(gòu)建過程理解提示工程的使用方法理解RAG過程理解大模型的微調(diào)方法理解大模型的結(jié)構(gòu)提示工程Prompt√0.5RAG檢索增強(qiáng)√0.5大語言模型微調(diào)0.5大語言模型架構(gòu)0.5多模態(tài)大模型0.5、考核方式本課程采用形成性考核方式，注重對學(xué)生目標(biāo)檢測或生成對抗網(wǎng)絡(luò)相關(guān)算法的考查。各部分考核比重如下：課堂學(xué)習(xí)占50%（包括平時成績和實驗操作），其中：出勤、平時課堂表現(xiàn)：10%課后理論測試：15%實驗操作：25%期末理論測試占20%，主要