✦
教学大纲
✦
01
课程基本信息
02
课程简介
《PyTorch计算机视觉与深度学习》是计算机科学与技术、人工智能等相关专业的核心课程之一，旨在培养学生掌握计算机视觉领域的深度学习技术及其应用。课程以PyTorch框架为工具，结合基础理论与实际应用案例，帮助学生深入理解深度学习在计算机视觉中的核心概念和技术，掌握模型构建、训练和优化的实战技巧。通过本课程的学习，学生不仅能够提升编程能力和算法实现能力，还能为未来从事人工智能领域的研究与开发工作奠定坚实的基础。
03
课程的教学目标
课程目标1：使学生掌握深度学习与计算机视觉的基础理论知识，包括神经网络、卷积神经网络、生成对抗网络等核心概念及其数学原理。
课程目标2：通过本课程学习，学生能够熟练使用PyTorch框架进行模型构建、训练和优化，掌握深度学习模型在计算机视觉任务中的应用方法，如图像分类、目标检测、图像生成等。
课程目标3：培养学生解决实际问题的能力，通过实战项目，让学生学会运用所学知识和技能，针对计算机视觉领域的实际问题设计并实现解决方案，提升分析问题和解决问题的能力。
课程目标4：提升学生的代码编写能力和文档撰写能力，要求学生能够编写清晰、高效的代码，并能够撰写完整的项目报告，记录算法设计、模型实现和实验结果的全过程。
课程思政目标：结合课程内容，引导学生树立科技强国的意识，培养学生的社会责任感和使命感。通过案例分析和实践操作，强调深度学习技术在社会、经济和科技发展中的重要作用，激发学生的学习热情和创新精神，培养具有创新能力和家国情怀的高素质人才。
04
课程目标与毕业要求的支撑关系
本课程的课程目标与毕业要求达成的关系如表1所示。
■ 表1 课程目标及其对毕业要求观测点支撑
05
课程目标与教学内容、教学要求
（一）教学内容与学时分配
本课程的教学内容、学时分配以及与课程目标的对应关系如表2所示。
■表2 教学内容和学时分配与课程目标对应关系
（二）教学方法与手段
理论教学：采用课堂讲授、多媒体演示等方式，系统讲解深度学习与计算机视觉的基础理论知识，帮助学生建立扎实的理论基础。
实践教学：通过案例分析、项目实践、实验操作等形式，让学生在实践中掌握PyTorch框架的使用方法和深度学习模型的构建与优化技巧，强化学生的动手能力和解决实际问题的能力。
课程思政：结合课程内容，引入思政元素，如科技强国、社会责任等，通过案例分析和讨论，引导学生树立正确的价值观和责任感。
小组讨论与合作学习：鼓励学生分组讨论和合作完成项目任务，培养学生的团队协作能力和沟通能力。
在线教学资源：利用在线教学平台，提供课程视频、实验代码、参考资料等，方便学生自主学习和复习。
06
考核评价方法及基本要求
（一）课程考核方式
1. 终结性考核（占比70%）：期末考试，根据试卷评分规则考核。
2. 过程性考核（占比30%）：由平时成绩10%、上机成绩20%组成。
平时成绩主要包括考勤和章节作业，百分制扣分如下：请假扣3分，迟到扣5分，旷课扣10分，一次作业不完成扣10分，平时表现优秀适当加分。
课程成绩核算方法和对应课程目标关系
■ 表3 考核方式及其成绩占比与课程目标的对应关系
（三）课程评价标准
■ 表4 课程考核方式及评分标准
07
课程教学实施建议
在课程教学实施过程中，将充分利用数字化和智慧化等新一代信息技术，注重教学环节与方法、教学手段与平台、教学评估与考核等方面的创新与融合。利用学习通等平台进行在线资源共享、互动讨论和作业提交，同时结合人工智能教学平台进行AI应用项目的设计和反馈，确保学生能够及时掌握知识要点并进行实践操作。通过多样化的教学手段与评估方式，提升教学效果和学生的学习体验。
08
主要教学参考资源
✦
参考书籍
✦
PyTorch计算机视觉与深度学习
提供源码、视频、课件、大纲、教案、期末试卷等资源，理实并重、案例丰富、实操性强
作者：任毅龙 刘衍琦 陈敬龙 主编 代丰 贾泽豪 谢丹木 王乐宁 高超 董雪 副主编
丛书名：大数据与人工智能技术丛书
定价：59.90元
印次：1-1
出版日期：2025.05.01
在人工智能蓬勃发展的今天，深度学习已成为推动技术变革的重要力量，尤其在计算机视觉领域，深度学习技术引领着一波又一波的创新浪潮。从图像分类到目标检测，从图像分割到风格迁移，深度学习让计算机具备了前所未有的视觉理解能力。而在众多深度学习框架中，PyTorch以其灵活性和易用性，成为广大研究者和开发者的首选工具。
本书主要内容
本书旨在为读者提供一条从基础到实战的学习路径，帮助读者深入理解计算机视觉中的核心概念和技术，掌握使用PyTorch构建和优化深度学习模型的实战技巧。本书内容结构清晰，案例丰富，既适合初学者入门，也适合有一定基础的读者进一步提升技能。
全书共分为两部分，共12章。
第1部分基础篇，主要介绍了深度学习理论知识，包括第1～4章。
第1章人工智能基础，包括人工智能概述、计算机视觉基础、深度学习在实际中的应用；
第2章深度学习的基本原理，包括神经网络的实现方法、梯度与自动微分、参数优化与更新策略；
第3章卷积神经网络的基本构建，包括卷积层的多种操作、可变形卷积技术、反卷积与目标分割、池化层的多重特性、全连接层的作用与影响、数据标准化和正则化；
第4章PyTorch的基本应用，包括PyTorch简介与环境搭建、PyTorch基本语法与操作、PyTorch中的自动微分、模型的保存与加载、跨设备模型加载、权重的修改与调整。
第2部分应用篇，主要列举了部分深度学习项目的实践案例，包括第5～12章。
第6章目标检测技术与应用，包括应用背景、目标检测的候选框生成策略、神经网络在目标检测中的应用、主干神经网络的选择与应用、单阶段目标检测模型、双阶段目标检测模型；
第7章基于视觉大数据检索的图搜图应用，包括应用背景、视觉特征提取、视觉特征索引、视觉搜索引擎、集成应用开发；
第9章基于生成式对抗网络的图像生成应用，包括应用背景、生成式对抗网络模型、集成应用开发；
本书特色
(1) 问题驱动，由浅入深。
在解决实际问题的过程中，逐步深入探究深度学习和计算机视觉的核心概念和原理，帮助读者建立系统的知识体系。
(2) 突出重点，强化理解。
通过精选的重点内容和深入分析，帮助读者深刻理解关键技术，并在应用中加深对知识的掌握。
(3) 注重理论，联系实际。
以PyTorch为工具，结合典型案例对理论进行讲解和演示，提升读者的动手能力和实践经验。
(4) 风格简洁，使用方便。
本书采用简洁明快的风格，提供实用的代码示例和丰富的项目案例，便于读者理解和实践操作。
配套资源
为便于教与学，本书配有 微课视频、源代码、数据集、教学课件、教学大纲、教案、教学日历、教学进度表、案例素材、软件安装包、期末试卷及答案。
读者对象
本书主要针对广泛的读者群体，面向从事图像处理、人工智能、深度学习、计算机视觉等领域的专业人士，深度学习学科专任教师，人工智能、图像处理等专业的高校在读学生及相关领域的研究人员。返回搜狐，查看更多
