资源简介

中小学教育资源及组卷应用平台
教学设计
课程基本信息
课题 微项目2：神经元与加权计算
年级 八年级 单元主题 神经网络与深度学习
教学目标
1.理解人工神经元作为神经网络基本单元的三项核心工作：接收输入、加权计算、激活输出。 2.掌握权重在神经元决策中的意义，能够解释权重代表特征重要性的原理。 3.能够通过模拟工具和简单编程，体验并描述神经元对输入信号进行加权求和并与阈值比较以产生输出的完整过程。 4.引发对人工智能决策机制中“数据驱动”与“人为设定”权重所涉及的公平性、合理性问题的初步思考。
教学内容
教学重点： 1.人工神经元模型的工作原理，包括输入、权重、求和、激活（阈值判断）和输出。 2.权重作为特征重要性系数的实际意义，以及阈值在决策中的作用。 3.使用可视化模拟工具和Python代码实现简单的神经元决策逻辑。 教学难点： 1.理解加权求和的计算过程及其在模拟决策中的抽象意义。 2.区分权重学习（来自数据）与权重设定（来自经验）的不同路径及其背后的伦理考量。
教学过程
一、 情境导入：从神经网络到基本单元 同学们，上节课我们认识了神经网络这个强大的“智能工厂”，它能够像多层放大镜一样自动提取特征。大家有没有想过，这个复杂的工厂是由什么最基本的“零件”构成的呢？就像高楼大厦由砖块砌成，人体由细胞组成，神经网络的基础单元是什么呢？带着这个问题，请大家观看视频（播放视频） 大家一起说，神经网络的基础单元就是——（生答：神经元）。今天，我们就化整为零，深入这个最基础的智能单元，看看它是如何做出“判断”的。 二、 新知讲解：揭秘神经元的工作机制 为了方便同学们今天的探究任务，老师给大家准备了一个学习助手（介绍学习助手的使用）希望大家积极参与到今天的探究中来，为自己、也为小组争得荣誉（介绍小组积分表） 下面，请同学们自主探究任务一，并完成学习助手任务一的测试。 任务一：初识神经元 一个神经元是神经网络中最小的处理单元。可以看作一个微型的“决策器”。它主要做三件事： 1．接收输入：它从外部（比如传感器）或其他神经元接收多个信号。 2．加权计算：这是决策的核心。神经元会为每一个输入信号分配一个“重要性”分数，这就是权重。权重越大，意味着这个特征对最终判断的贡献越大。比如，识别松树时，“针状叶”比“树冠形状”更重要，所以它的权重就更高。 3．产生输出：神经元将所有输入信号乘以其对应的权重，然后相加，得到一个加权和。接着，这个加权和会经过一个激活函数（我们今天先理解为与一个阈值比较）。如果加权和大于阈值，神经元就被“激活”或“兴奋”，输出一个信号（比如，判断为“是松树”）；否则，就保持“抑制”，不输出或输出否定信号。 哪个同学来介绍一下神经元的工作原理？（生答、积分加分） 哪个同学能用生活中的例子类比一下神经元的工作原理？（生答、积分加分） 通过同学们的例子，大家可以看到，在神经元工作过程中，哪个部分起着至关重要的作用？（权重） 我们接下来训练一个神经元来识别校园里的松树，体验一下神经元的工作原理。 输入：我们选取两个特征。x1= 1.0（针状叶明显程度）， x2= 0.4（树冠蓬松塔形明显程度）。 权重：w1 = 0.7， w2 = 0.3。这告诉我们，算法认为针状叶特征对于识别松树贡献更大。 计算加权和 = (1.0 × 0.7) + (0.4 × 0.3) = 0.82。 我们设定一个简单的阈值为0.5。因为0.82 > 0.5，所以这个神经元兴奋了，它的输出就是：“这是一棵松树”。 核心理解：在这个过程中，权重决定了不同特征的发言权。正是通过调整成千上万个神经元的权重，整个神经网络才学会了复杂的判断。 现在，让我们通过两个活动，亲手“触摸”神经元的决策过程。 三、探究二：操作模拟工具，观察输入与输出 请大家打开 “神经元信息处理模拟工具”。我们可以看到输入控制面板。 尝试增减输入节点，调整各节点输入的信号值与权重。 观察“加权总和”是如何实时变化的。 调整“神经元阈值”的滑块。 点击“计算神经元输出”，观察神经元的可视化状态（兴奋还是抑制）和计算结果。 打开学习任务单，在任务一的表格“神经元信息处理记录表”中，记录下至少三种不同的参数设置（不同的信号值、权重、阈值），并记下对应的加权总和与输出结果。小组讨论：神经元在什么条件下会兴奋？权重和阈值分别扮演了什么角色？ 次数节点1节点2节点3加权总和及其计算过程阈值结果值权重值权重值权重123
四、探究三：设计并编程实现一个“梧桐树识别神经元” 接下来，我们要扮演AI设计者，为一个识别梧桐树的神经元设定规则。打开学习任务单的任务二，我们将从以下步骤完成“梧桐树识别神经元”的构建。 第一步：梧桐树的特点是叶片大（掌状裂）和树皮斑驳。 输入(x )：叶片大且呈掌状裂的特征明显程度(取值范围0到1) 输入(x )：树皮斑驳的特征明显程度(取值范围0到1) 第二步：设计权重。你认为哪个特征对识别更重要？请为这两个特征分配权重，并确保它们的和为1。 w =______（叶片特征权重）w =______（树皮特征权重） 第三步：手动计算。假设观测到一棵树，其叶片特征明显程度 x1=0.9，树皮特征明显程度 x2=0.6。使用你设定的权重并假设阈值为0.6，计算加权和，并判断它是不是梧桐树。将计算过程和结果填入下面的横线。 进行判断：现有一棵树，x =0.9,x =0.6。设定阈值为0.6。 加权和=(______×______)+(______×______)=______ 判断结果：根据阈值与加权和的比较，判断这______（是/不是）一棵梧桐树。 第四步：编程验证。 如图，我们将运行资源包里提供的Python程序。这个程序已经预设了权重（w1=0.7， w2=0.3）和阈值（t=0.6）。当运行程序时，它会提示输入两个特征值。请输入你刚才计算时使用的x1=0.9和x2=0.6，看看程序的判断结果是否与你手算一致。再尝试输入其他几组数值并尝试改变权重和阈值，观察结果变化。 五、思辨 今天我们深入剖析了神经网络的基石——人工神经元。我们知道了它通过接收输入、加权计算、激活输出来工作。其中，权重是特征重要性的量化体现，而阈值是做出决策的临界点。我们既通过模拟工具直观感受了这一过程，也通过设计权重和运行代码，实践了简单的神经元决策逻辑。 然而，一个关键的问题随之而来：神经元中这些至关重要的权重，应该从哪里来？是通过分析海量数据自动学习得到，还是由我们根据经验人工设定？这两种方式，哪一种更公平？更合理？ 如果完全由数据学习，数据中隐藏的社会偏见是否会被算法放大？ 如果由人类经验设定，又如何保证这种经验的客观与全面？ 在效率与公平、数据规律与人类价值之间，我们该如何取舍与平衡？ 下面，我们进行一场临时的小型辩论会，正方辩题：权重应由数据自动学习更公正。反方辩题：权重应由人为设定更合理。我们抽签定主题，给同学们5分钟准备时间，每个辩题的同学聚到一起，针对你们的辩题，选出4名辩手。等会我们让豆包主持同学们的辩论过程。 时间到，请各位辩手下台，我们请豆包为我们主持辩论活动 （辩论活动） 总结： 六、课堂总结 七、课堂评价 请大家打开学习助手，切换到课堂评价页面，针对本节课的表现，从五个维度对自己和小组成员进行自评和他评。 （学生评价）师呈现学生评价结果 八、课后任务 课后请大家完成实践作业上面的内容。主题是：我是规则设计师——设计一个简易决策模型，从场景A（学习计划决策）、场景B（户外活动）中任选一个场景进行设计。 作业要求：请将你选择的场景、设计的规则（输入、权重、阈值）、模拟计算的过程和最终决策结果，用表格或流程图的形式清晰地展示出来。并简单写一句：用这种方式模拟决策，和凭直觉直接决定，感觉有什么不同？ 下一节课，我们将走进“深度学习”，体验复杂神经网络的“大数据处理能力”。 感谢同学们的热情参与，我们下节课再见。
21世纪教育网 www.21cnjy.com 精品试卷·第 2 页 （共 2 页）
21世纪教育网(www.21cnjy.com)

展开更多......

收起↑