20250903 【听课】郭虓赫/2207/神经网络基础
课程：人工智能技术
时间：2025年9月3日，下午第2节
地点：信息技术中心8号机房
教师：郭虓赫
班级：2207
上课题目：神经网络基础
听课人：徐自远，糜凌飞
14:47 多层神经网络
14:56 httpss://playground.tensorflow.org/ 因为是英文网页。 这个环节可以提前跟学生讲一下这个网页是怎么使用的。或者教学生在网页端自动英文翻译中文的办法。
问题与建议：
没有时间做总结和作业布置了。时间掌控要精准
教案描述问题：原文描述：神经元计算公式 f(x) = g(Σwixi)
这个公式缺少了偏置项（bias）b。虽然在紧接着的“案例分析”部分，公式 g(w1×1+w2×2+w3×3+b) 中补上了 b，但会造成前后不一致。偏置项在神经网络中至关重要，它增加了模型的灵活性。
修改建议：建议在第一次出现公式时就引入偏置项。改为：f(x) = g(Σwixi + b)。可以简单地向学生解释：“w 决定了每个输入信息的重要性，而 b 则像一个基础的决策倾向或阈值，它俩都是模型需要学习的参数。”
8号机房还是WIN7的系统。请糜凌飞主任建议信息中心将可以省级的电脑转为安装win10系统。
老师讲来理解神经网络的过程学生比较难理解，建议可以做一些小组活动，或者利用html5做一些工具。让学生理解。
例如：tensorflow playground ： httpss://playground.tensorflow.org/
【建议】：损失函数作为难点可以通过网上的动画来展示，例如：
<iframe src=“//player.bilibili.com/player.html?isOutside=true&aid=114860813716583&bvid=BV1n2uxzJEYP&cid=31070817251&p=1” scrolling=“no” border=“0” frameborder=“no” framespacing=“0” allowfullscreen=“true”></iframe>
不要为了教学而教学。可以对教材做对应处理。
针对神经网络内容抽象、公式劝退的问题，我们可以从“故事化封装”、“具象化类比”、“可视化交互”和“低门槛实践”四个层面进行教学设计优化，让学生在“无痛”甚至有趣的过程中，直观地理解核心概念。
策略一：故事化与游戏化封装，变“听课”为“闯关”
将整个课程包装成一个学生亲身参与的故事或游戏，用一个有趣的“壳”把枯燥的“核”包起来。
实施建议：
- 设定一个“终极任务”：例如，“我们的任务：训练一个‘猫狗分类器’AI”。这比“学习神经网络”听起来有趣得多。或者，结合专业背景，比如“为学校设计一个能自动识别合格/不合格零件的质检AI”。
- 角色扮演：让学生扮演“AI训练师”。他们的使命就是通过调整参数（权重w和偏置b），让这个“笨笨的AI”变得越来越聪明。
- 赋予概念“人格”：
- 神经元：把它比作一个“决策小兵”。
- 权重 w：是小兵对不同情报（输入x）的“重视程度”。
- 偏置 b：是小兵天生的“乐观或悲观偏向”。
- 损失函数：是“魔鬼教官”，AI每次预测错，教官就会惩罚它（损失值变大），迫使它去修正自己的“重视程度”（权重）。
策略二：具象化类比，拆解“老大难”的计算公式
学生害怕的不是计算本身，而是无法理解公式中每个符号的现实意义。我们需要用生活中极其常见的事物来做类比。
实施建议：用“奶茶配方”类比神经元公式 y = g(Σw*x + b)
- 目标 (y)：制作一杯顾客满意的“招牌奶茶”。
- 输入 (x)：各种原料，如
x1=糖的份量, x2=珍珠的份量, x3=牛奶的浓度。
- 权重 (w)：配方中各原料的“重要性系数”。比如，这杯奶茶主打甜味，那么糖的权重
w1 就很高（比如0.7）；珍珠只是点缀，权重 w2 就较低（比如0.2）。
- Σw*x：这就是“加权求和”，相当于把所有原料按配方重要性混合在一起，得到一个“基础口感分”。
- 偏置 (b)：可以比作奶茶师的“秘制调料”或“心情指数”。不管原料如何，他最后都会加上一点这个调料，让奶茶有一个基础的风味。
- 激活函数 (g)：最终的“出杯标准”。比如，只有“基础口感分 + 秘制调料”的总分超过80分，才算是一杯合格的“招牌奶茶”（输出为1），否则就是不合格（输出为0）。
用这个类比，带领学生亲手计算一杯奶茶的“得分”，公式立刻就从抽象符号变成了生动的制作过程。
策略三：善用可视化交互工具，“玩”懂神经网络
“百闻不如一见，百见不如一玩”。利用现成的在线工具，让学生亲手操作，直观感受参数变化带来的结果差异。
推荐工具：
- A Neural Network Playground：一个更简洁的工具，可以非常清晰地展示单个神经元内部的计算过程。（最后才拿出来）
- 在网页上拖拽添加神经元和网络层。
- 手动调整权重：让学生拖动滑块，实时看到背景的“决策边界”（分类结果）像水波一样变化。他们会立刻明白权重的作用。
- 观察损失函数：点击“运行”按钮，看着右上角的损失（Loss）曲线一路下降，学生能直观感受到“AI在学习和进步”。
httpss://playground.tensorflow.org/
策略四：引入“人体神经网络”活动，让知识“动”起来
对于职业院校的学生，动手和参与的教学效果远超单纯的听讲。
实施建议：
- 分组：每 5-6 人一组，扮演一个简单的神经网络。
- 角色分配：
- 2个同学当“输入层”，每人手上拿一个数字卡片（比如0或1）。
- 2个同学当“权重”，也拿一个数字卡片。
- 1个同学当“计算核心”，负责把“输入”和“权重”相乘，再加起来，最后加上自己的“偏置”数。
- 1个同学当“激活函数”，根据计算核心报出的结果，判断是否“激活”（比如，大于某个数就举起手）。
- 执行：老师给出输入，看“人体网络”能否正确输出结果。这个过程充满乐趣，学生在笑声中就理解了数据在网络中是如何“前向传播”的。
总结：
要让枯燥的内容变得有趣，核心思路是转变教师的角色，从一个“知识的灌输者”变成一个“学习体验的设计者”。通过设计引人入胜的故事线、使用通俗易懂的类比、提供亲手操作的工具和组织身体参与的活动，学生会自然而然地建立起对神经网络的直观理解，此时再回头看公式，它便不再是拦路虎，而是一个对自己所见所玩现象的简单总结。
苏公网安备 32021402001397号