《深度学习基础及应用》教案 第12课 交通标志识别.pdf

课题交通标志识别

课时2课时（90min）

知识技能目标：

（1）掌握深度学习的通用流程

（2）进一步理解卷积神经网络结构和核心网络层的工作原理

（3）进一步理解卷积神经网络核心网络层的工作原理

（4）能够使用Keras的ImageDataGenerator模块进行数据增强，并构建卷积神经网络模型

教学目标

（5）能够保存训练好的网络模型，并能将保存的网络模型实例化

（6）会配置训练网络模型过程中的各种参数

素质目标：

（1）养成刻苦、勤奋、独立思考和细心检查的学习习惯

（2）能与组员精诚合作，能正确面对他人的成功或失败

教学重点：卷积神经网络结构和核心网络层的工作原理

教学重难点

教学难点：保存训练好的网络模型，并能将保存的网络模型实例化

教学方法案例分析法、问答法、讨论法、讲授法

教学用具电脑、投影仪、多媒体课件、教材

教学过程主要教学内容及步骤

【教师】布置课前任务，和学生负责人取得联系，让其提醒同学通过APP或其他学习软件，完成课

课前任务前任务，请大家提前预习本节课要讲的知识

【学生】完成课前任务

【教师】使用APP进行签到

考勤

【学生】班干部报请假人员及原因

【教师】组织学生扫码观看“tarfile模块”和“ImageDataGenerator模块”视频（详见教材），

然后讨论下列问题：

互动导入（1）如何使用Python语句将“./traffic.tar”文件解压到当前文件夹？

（2）ImageDataGenerator模块主要的功能是什么？

【学生】聆听、思考、讨论、回答

【教师】介绍交通标志识别网络模型的构建、编译、训练及应用的大致步骤

按照项目要求，将交通标志识别网络模型的构建、编译、训练及应用步骤分解如下。

第1步：解压和显示数据。解压文件并显示部分测试图像。

第2步：数据预处理。对训练集做数据归一化及增强处理，对验证集做数据归一化处理。

第3步：构建网络模型。使用Keras的顺序模型构建卷积神经网络模型，包括4个卷积层、4个池化

项目分析

层、6个Dropout层、一个拉伸层、一个全连接层和一个输出层。

第4步：编译、训练和保存网络模型。

第5步：可视化训练的结果。绘制训练集和验证集的损失函数值和准确率的变化曲线。

第6步：应用网络模型。读取测试图像并进行预处理，然后执行预测并显示图像及预测结果。

【学生】聆听、思考、理解、记录

1

【教师】安排学生扫描微课二维码依次观看视频“解压和显示数据”“数据预处理”“构建网络模

课堂实践型”、“编译、训练和保存网络模型”“可视化训练的结果”“应用网络模型”(详见教材），并进行

讲解和演示

深度学习的通用流程包括数据加载、数据预处理、构建网络模型、编译网络模型、训练网络模型、

评估网络模型和模型的保存与应用等步骤

1．解压和显示数据

步骤1导入本项目所需要的模块与包。