1 课程目标和考核方案

1.1 课程输出目标

1.理解人工神经网络、卷积神经网络、对抗神经网络等深度学习基础知识，能够描述神经网络的结构以及训练全过程、卷积神经网络的基本运算操作，列举对抗神经网络的训练方式和应用；

2.能够列举MindSpore框架的特性与关键技术，描述MindSpore Lite特性，熟练使用API完成神经网络的基本训练流程；

3.能够描述动静态图各自的优势，熟练利用MindSpore进行网络迁移、分布式训练、端云侧推理部署；

4.能够识别和复述物体识别、图像分割、图像生成、目标检测等计算机视觉相关的基本概念和常用术语；能够解释和阐述计算机视觉的基本原理和实现方法，熟练完成基于MindSpore的计算机视觉基础应用实践任务。

1.2 课程考核方案

本课程考核平时成绩占40%、结课考试占60%，其中平时成绩包括采用随堂作业、实验/实践活动考核。

2 课堂教学内容和安排

本课程课内授课学时16学时，分为4个部分，各部分内容如下：

（1）神经网络基础（4学时）

内容说明： 神经网络的基础概念及训练过程，卷积神经网络简介与主流模型，循环神经网络应用及变种，对抗神经网络的训练方式及应用

（2）MindSpore简介与API详解（2学时）

内容说明： AI框架的发展历史、挑战及发展趋势，MindSpore架构、子系统、关键技术及特性，MindSpore Lite的特性

（3）MindSpore特性与应用（2学时）

内容说明： 动静态图的概念、优缺点及应用，网络迁移简介及流程，分布式训练简介及其不同模式，MindSpore并行训练的实现原理，端云侧部署的基本概念及应用

（4）图像处理原理与应用（8学时）

内容说明： 计算机视觉的基本任务及应用场景，数字图像处理基础，图像预处理技术及其在深度学习中的应用，图像分类迁移学习理论与实践，对抗示例生成和深度卷积对抗生成案例实践，基于全卷积网络U-Net的图像分割案例实践

3 实验/实践教学任务

本课程设置了16学时实验，均为必修内容，实验内容如下。

4 其他

学生修读完本课程，可以报名以下证书考试和学科竞赛