1 课程基本信息

2 课程简介

本课程定位为产业技术类课程，课程以华为昇腾MindSpore框架为基础，学习前馈神经网络、卷积神经网络等深度学习基础技术，以及物体识别、图像分割、图像生成、目标检测等计算机视觉的基础理论应用。结合企业应用案例，开展基于昇腾MindSpore框架的深度学习实践，以及基于计算机视觉产业应用视角的端到端训练与部署的多场景实践。完成课程学习后，学生可以掌握MindSpore的架构与特性相关知识，理解MindSpore网络迁移、分布式训练、端侧推理与部署等相关特性，具备使用MindSpore完成图像处理任务的能力，能够胜任初级的人工智能算法工程师、深度学习工程师、图像算法工程师等岗位。

3 先修课程要求和能力要求

先修课程：高等数学、线性代数、概率论与数理统计

能力要求：学生具备基本的Python编程能力

选课和遴选方式：自愿选课

4 课程目标和考核方案

  4.1 课程输出目标

PACVA-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和训练过程、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；

PACVA-2：能够列举MindSpore的架构、特性与关键技术，熟练使用MindSpore API完成神经网络的基本训练流程；

PACVA-3：能够描述动静态图各自的特点与优势，列举由PyTorch为主的其他机器学习框架将神经网络迁移到MindSpore的完整步骤，理解分布式训练的基本概念，掌握使用MindSpore Lite完成模型转换和端侧部署的流程；

PACVA-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。

课程思政目标：在培养学生在人工智能领域的创新和实践能力的同时，弘扬国产化精神，鼓励自主研发，引导学生了解和认识中国人工智能产业的发展现状和前景，培养学生的民族自豪感和爱国情怀，为中国人工智能产业的自主创新和发展做出贡献。

  4.2 课程考核方案

本课程考核平时成绩占40%、期末大作业占60%。其中平时成绩为实验考核。

5 课堂教学内容

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

（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，MindSpore Lite的特性及模型的端侧部署应用

（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，图像分类理论与实践，图像分割理论与实践，图像生成理论与实践，目标检测理论与实践

6 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：

7 其他需要说明的问题

学生修读完本课程，学生可以报名以下证书考试和学科竞赛。