《深度学习基础及应用》教案第3课构建神经网络（一）.docx

《《深度学习基础及应用》教案第3课构建神经网络（一）.docx》由会员分享，可在线阅读，更多相关《《深度学习基础及应用》教案第3课构建神经网络（一）.docx（7页珍藏版）》请在第壹文秘上搜索。

1、课题构建神经网络(一)课时2课时(90min)教学目标知识技能目标：(1)了解人工神经元模型的来源(2)掌握M-P神经元模型、单层解口器模型和多层感知器模型的结构(3)掌握常用激活函数的定义及应用素质目标：(1)提高分析问题和解决问题的能力和自信心(2)帮助学生树立履行时代使命的责任担当，激起学生报效祖国的理想情怀教学重难点教学重点：M-P神经元模型、单层感知器模型和多层感知器模型的结构教学难点：常用激活函数的定义及应用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课前任务【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A

2、PP或其他学习软件，完成课前任务，请大家提前预习本节课要讲的知识【学生】完成课前任务考勤【教师】使用APP迸行签到【学生】班干部报请假人员及原因问题导入【教师】提出以下问题：生物神经元的结构是怎样的？【学生】举手回答传授新知【教师】通过学生的回答引入要讲的知识，介绍神经元与感知器，以及激活函数的相关知识3.1 神经元与感知器3.1.1 生物神经元与神经元模型1 .生物神经元*【教师】通过多媒体展示“生物神经元结构”图片(详见教材)，并介绍相关知识生物神经元是生物神经网络结构和功能的基本单位，由细胞体和细胞突起组成。细胞体是神经元的核心，由细胞核和细胞质等组成。细胞突起由树突和轴突组成，树突是神

3、经元的输入，可以接收刺激并将兴奋传递给细胞体；轴突是神经元的输出，可以将自身的兴奋状态从细胞体传送到另一个神经元或其他组织。神经元之间通过树突和轴突的连接点(即突触)连接。通过突触，神经元可以接收其他神经元的刺激，并且发送信号给其他神经元。生物神经元有抑制和兴奋两种状态。当神经元处于抑制状态时，轴突并不向外输出信号，当树突中输入的刺激累计达到一定程度，超过某个阈值时，神经元就会由抑制状态转为兴奋状态，同时，通过轴突向其他神经元发送信号.人们通过对生物神经网络进行研究，提出了人工神经元模型.2 .MP神经元模型【教师】通过多媒体展示“M-P神经元模型”图片(详见教材)，并介绍相关知识1943年，

4、神经生理学家沃伦麦卡洛克和数学家沃尔特皮兹提出了M-P神经元模型,模拟实现了一个多输入单输出的信息处理单元.对于M-P神经元模型，它可能同时接收许多个输入信号，用七表示，用于模拟生物神经元的树突，接收来自其他神经元的信号，这些信号的来源不同，对神经元的影响也不同，因此给它们分配了不同的权重计算单元模拟生物神经元中的细胞核，对接收到的输入信号加权求和后,与产生神经兴奋的阈值相比减，得到中间值z,通过激活函数f（激活函数采用阶跃函数）模拟神经兴奋。例如，当Z的值小于O时，神经元处于抑制状态，输出为O；当Z的值大于等于O时，神经元被激活，处于兴奋状态，输出为L输出y模拟生物神经元中的轴突,将神经元的

5、输出信号传递给其他神经元。M-P神经元模型可用如下公式表示。y=f（z）=fwii-0M-P神经元模型模拟了生物神经网络，但是权重值再无法自动学习和更新,不具备学习的能力。3.1.2感知器1 .单层感知器模型感知器，也称为感知机,是由弗兰克罗森布拉特于1957年提出的。它是最简单的人工神经网络,是一种广泛使用的线性分类器。【教师】通过多媒体展示“单层感知器模型”图片（详见教材），并介绍相关知识感知器接收多个输入信号，输出一个信号，如图所示。其中，*X，当-I为输入信号，y为输出信号，叫叫，吗T为权重j为偏置。当输入信号司被送往神经元时，分别乘以各自的权重后求和，加上偏置b,再由激活函数f（）处

6、理得到输出y,用如下公式表示。-i、y=fvvI=O）与M-P神经元模型需要人为确定参数不同,解口器能够通过训练自动确定参数。其训练方式为有监督学习，即需要设定训练样本和期望输出，然后调整实际输出和期望输出的差距。2 .多层感知器模型【教师】通过多媒体展示“多层感知器模型”图片（详见教材），并介绍相关知识多层感知器模型（multilayerperceptron.MLP）,是在输入层和输出层之间加入了若干隐藏层，以形成能够将样本正确分类的凸域，使得神经网络对非线性情况的拟合程度大大增强，一个具有两个隐藏层的多层感知器模型的拓扑结构，最左边一列称为输入层，最右边一列称为输出层，中间两列称为隐藏层。

7、需要说明的是，在统计神经网络的层数时，输入层一般是不计入层数的。通常，将去除输入层之后的神经网络从左至右依次计数得到的总层数，称为神经网络的最终层数。因此，在图中，把输入层记为第0层，隐藏层记为第1层和第2层，输出层记为第3层，即是一个3层神经网络。多层感知器是一种前馈神经网络。前馈神经网络是一种单向多层的网络结构，数据从输入层开始，逐层向一个方向传递，直到输出层结束，各层之间没有反馈。所谓前馈”是指输入数据的传播方向为前向，在此过程中，并不调整各层的权重和偏置参数，而反向传播时，将误差逐层向后传递，从而实现使用权重和偏置参数对特征的记忆，即通过反向传播算法来计算各层网络中神经元之间的权重，反

8、向传播算法具有非线性映射能力,理论上可逼近任意连续函数，从而实现对模型的学习。前馈神经网络是应用最广泛、发展最迅速的人工神经网络之一。3 .全连接神经网络【教师】通过多媒体展示“全连接神经网络示例”图片（详见教材），并介绍相关知识与一般神经网络相比，全连接神经网络是一种特殊的神经网络。全连接指的是前一层与后一层中的结点之间全部连接起来。隐藏层中的全部结点都同时与前一层和后一层的全部结点相连接，从而形成全连接神经网络.图所示的神经网络中，每一层的每个结点与后一层的所有结点相连接，而图所示的神经网络中，有些结点是与后一层的部分结点相连接，因此，图既是前馈神经网络也是全连接神经网络，而图是前馈神经网

9、络，却不是全连接神经网络.3.2激活函数激活函数是一个非线性函数.在M-P神经元模型中，激活函数以阈值为界,一旦输入超过阈值，就激活输出，这样的函数称为“阶跃函数。因此，可以说M-P神经元模型使用了阶跃函数作为激活函数。激活函数的作用是去线性化.多层神经网络结点的计算是加权求和，再加上偏置项，是一个线性模型，将这个计算结果传给下一层的结点还是同样的线性模型。只通过线性变换，所有隐藏层的结点就无存在的意义。加入激活函数，就提供了一个非线性的变换方式，大大提升了模型的表达能力。常用的激活函数有Sigmoid函数、Tanh函数、ReLU函数和SoftmaX函数等。3.2.1 Sigmoid函数Sig

10、moid函数的定义如下。Sigmoid(x)=-1+e在TenSOrFk)W中,函数tf.nn.sigmoid(x,name=None)实现了Sigmoid函数。【例3-1绘制Sigmoid函数的图形。【参考代码】import tensorflow as tf import numpy as npimport matplotlib.pyplot as pit plt.title(f(x)=sigmoid(x)r)k.xlabel(,x,)plt.ylabel(,sigmoid(x),)x=np.arange(-l 0,10,0.1)#导入所需库僦置图形的礴暇置X轴标题#设置y轴标题峻置X的值#

11、调用住nn.sigmoid。函数求Sigmoid函数值y=tfnn.sigmoid(x)plt.plot(x,y)#绘制图形plt.show()#显示图形【运彳推果】潘运彳播果如图标.f(x)=sigmoid(x)【高手点拨】在TensorRow中，Sigmoid函数除了可以调用tf.nn.sigmoid()函数来实现外，还可以调用if.math.sigmoid。和lf.sigmoid()函数来实现。Sigmoid激活函数在神经网络发展初期使用很多，但近几年,使用Sigmoid函数作为激活函数的神经网络已经很少了。原因是神经网络在更新参数时，需要从输出层到输入层逐层进行链式求导,而Sigmoi

12、d函数的导数输出是0025的小数，链式求导需要多层导数连续相乘，这就会出现多个0的连续相乘，结果将趋于0,产生梯度消失，使得参数无法继续更新。另外，Sigmoid函数存在幕运算，计算复杂度高，训练时间长。3.2.2Tanh函数Tanh函数的定义如下。l-e2xTanh(x)=-W1+e在TenSorFIOW中，函数f.nn.ianh(x,name=None)实现了Tanh函数。【例3-2】绘制Tanh函数的图形。【参考代码】import tensorflow as tf import numpy as npimport matplotlib.pyplot as pit plt.tit!e(,f

13、(x)=Tanh(x),)plt.xlabel(x,)plt.ylabel(,Tanh(x),)x=np.arange(-10,10,0.1)#导入所需库#设置图形的标题峻置X轴标题 机婕y轴木獭#设置X的值#调用Hnn.ianh()函数求Tanh函数值 y=tf.nn.tanh(x) plt.plot(x,y)plt.show()#绘制图形#显示图形【运行结果】 程序运行结果如图所示。与Sigmoid函数一样，Tanh函数也是在神经网络中较早得到应用的激活函数。【高手点拨】在TensorFlow中，Tanh函数除了可以调用M.nn.anh()函数来实现外，还可以调用f.math.ianh()

14、和比Ianh()函数来实现.3.2.3ReLU函数ReLU函数是近几年才得到应用的激活函数.相较于Sigmoid函数和Tanh函数，ReLU函数被证明可以提供更好的结果。ReLU函数的定义如下。ReLU(x)=max(x，0)=X,x.0,0,XVo在TenSorFlOW中,函数f.nn.relu(x,name=None)实现了ReLU函数。【例3-3】绘制ReLU函数的图形。【参考代码】importtensorowas(fimportnumpyasnpimportmatplollib.pyplotaspitplt.title(f(x)=ReLU(x),)plt.xlabel(,x,)plt.

15、ylabel(,ReLU(x),)x=np.arange(-10,10,0.1)#调用HnnieIuO函数求ReLU函数值#导入所需库#设置图形的标题峻置X轴标题#设置y轴标题#设置X的值y=(f.nn.relu(x)plt.plot(x,y)plt.show()【运行结果】#绘制图形#显示图形程序运行结果如图所示。f(x)=ReLU(x)1310-8-O-10.0-7.5-5.0-2.50.02.55.07.510.0x3.2.4Softmax函数Softmax函数适用于多元分类问题，它的定义如下。X.QrSoftmax(.)=-ext其中，炉为第i个结点的输出值,C为输出结点的个数，即分类的类别个数。通过Softmax函数可以将多分类的输出值转换为范围在IOj1,且和为1的概率分布。在TensorFIow中，函数Ifmnsofimax(Iogiisexis=Nonaname=None)实现了Soft