课程中英文名称 神经网络与深度学习
Neural Networks and Deep Learning
课程代码 18020105025
培养层次 大学本科
适用专业 语言学
课程属性 专业必修课
开设学期 5
学分数 3
(一)实验性质
神经网络与深度学习实验是技术型实验
(二)实验目的
实验目的是让学生在对神经网络与深度学习理论内容进行充分理解的基础上,能够根据相应的算法原理,设计仿真实验,最终完成实验任务。同时,实验课也是理论知识实践化的方式,利于学生更好的吸收,领悟模式识别的原理与应用,培养学生的动手编程实践的能力。
(三)基本要求
实验课的要求是首先理解神经网络与深度学习的基本概念和算法原理,其次掌握各种深度网络算法和应用系统设计的流程,了解不同网络结构的优缺点,最后能使用相应的深度神经网络,根据实际问题处理相应的数据。
序号 | 实验项目 | 关键步骤 | 内容提要 | 学时 | 实验 类型 |
1 | 张量表示与基本计算 | 掌握张量的基本运算 | 1、了解Pytorch架构的基本特点; 2、掌握张量表示方法; 3、掌握张量的基本运算。 | 2 | 基础实验 |
2 | 线性回归模型 | 应用线性回归模型分析数据 | 1、理解线性回归模型基本原理; 2、掌握线性回归模型常用准则函数; 3、应用线性回归模型分析数据。 | 2 | 基础实验 |
3 | Logistic回归和Softmax模型用于分类 | 掌握基于Sigmoid 和Softmax的两分类和多分类应用 | 1、理解逻辑回归模型基本原理; 2、理解逻辑回归模型与 Sigmoid函数 和Softmax函数之间的推导关系; 3、掌握基于Sigmoid 和Softmax的两分类和多分类应用。 | 2 | 基础实验 |
4 | 前馈神经网络 | 掌握前馈神经网络的学习方法和参数调整 | 1、理解前馈神经网络的基本原理; 2、掌握前馈神经网络的拓扑结构类型; 3、掌握前馈神经网络的学习方法和参数调整。 | 2 | 基础实验 |
5 | 卷积神经网络 | 应用卷积神经网络完成图像建模和分类任务 | 1、理解卷积神经网络的基本原理; 2、掌握卷积神经网络的拓扑结构特点; 3、应用卷积神经网络完成图像建模和分类任务。 | 4 | 设计实验 |
6 | 残差神经网络 | 应用残差神经网络进行图像分类,并对比传统卷积神经网络 | 1、理解残差神经网络的基本原理; 2、了解残差神经网络与卷积神经网络之间关系; 3、应用残差神经网络进行图像分类,并对比传统卷积神经网络。 | 4 | 设计实验 |
7 | 循环神经网络 | 应用循环神经网络对时间序列数据进行建模分析 | 1、理解循环神经网络基本原理; 2、了解循环神经网络的基本变型; 3、应用循环神经网络对时间序列数据进行建模分析。 | 4 | 设计实验 |
8 | 深度神经网络优化与正则化 | 掌握常见的三种正则化方法 | 1、了解深度网络优化的主要方法,掌握两种常见的优化策略; 2、理解神经网络正则化的基本思想,掌握常见的三种正则化方法。 | 4 | 设计实验 |
9 | 注意力机制神经网络 | 应用注意力机制神经网络进行机器翻译实验 | 1、了解注意力机制神经网络的基本原理; 2、应用注意力机制神经网络进行机器翻译实验。 | 4 | 设计实验 |
10 | 生成对抗网络 | 应用生成对抗网络进行图像生成 | 1、了解生成对抗网络基本原理; 2、应用生成对抗网络进行图像生成。 | 4 | 设计实验 |
11 | 综合性实验设计一 | 运用所学过的网络结构完成图像识别任务 | 运用所学过的网络结构完成图像识别任务,并对比三种不同网络的识别性能。 | 2 | 综合实验 |
12 | 综合性实验设计二 | 采用所学网络完成图像生成、机器翻译和音频识别等任务 | 自拟实验任务,采用所学网络完成图像生成、机器翻译和音频识别等任务。 | 2 | 综合实验 |
实验成绩满分为100分,包括实验考勤成绩10%、实验预习20%、实验操作40%和实验报告30%。
邱锡鹏 神经网络与深度学习,机械工业出版社,2020年第一版
阿斯顿张,李沐等 动手学深度学习 人民邮电出版社 2019年第一版
撰写人:马勇 审核人: