深度教学PPT课件
合集下载
深度学习数学案例(课堂PPT)
31
“有理数”单元学习主题的确定：
• 有理数知识的学习对学生学习数学知识的影响是什么？ • 在其中产生影响最大的知识是什么？怎么解决这个问题？ • 学生升入初中的第一个月都在学习有理数这一章，我们
到底要教学生什么？ • 学完这一章后对学生学习下一章内容有什么帮助？ • 学生的学习热情、兴趣能不能有所提升？
8
“深度学习”实施策略
达成反馈：学生是否 达成学习目标？
中心任务： 学生应该学习什么内容
学习过程：学生应该 怎样参与学习？
活动预期：学生在 学习中应得到什么？
9
一、单元学习主题——学什么
“单元学习主题”回答学生要学什么才能获得深度 学习能力的问题，是指围绕学科核心内容组织起来的、 对现实生活有意义的、促进学生持续探究的单元学习活 动主题。
32
（1）整体：“数与代数”的主要内容有：数的认识，数的表示， 数的大小，数的运算，数量的估计；字母表示数，代数式及其运 算；方程、方程组、不等式、函数等。
1 2
23
2
22
1
1
2 2 22
lo g 2 3 sin
3
数
数的认识 数的表示 数的大小 数的运算 数量估计
代数
常量与变量 字母表示数 式的大小关系
式的运算
函数 方程
不等式
33
• 第一学段（1-3年级）
学生认知分析
经历从日常生活中抽象出数的过程，理解万以内数的意义，初步认
识分数和小数；理解常见的量；体会四则运算的意义，掌握必要的运 算技能，能准确进行运算；在具体情境中，能选择适当的单位，进行 简单的估算。
• 第二学段（4-6年级）
体验从具体情境中抽象出数的过程，认识万以上的数；理解分数、小 数、百分数的意义，了解负数的意义；掌握必要的运算技能；理解估 算的意义；
“有理数”单元学习主题的确定：
• 有理数知识的学习对学生学习数学知识的影响是什么？ • 在其中产生影响最大的知识是什么？怎么解决这个问题？ • 学生升入初中的第一个月都在学习有理数这一章，我们
到底要教学生什么？ • 学完这一章后对学生学习下一章内容有什么帮助？ • 学生的学习热情、兴趣能不能有所提升？
8
“深度学习”实施策略
达成反馈：学生是否 达成学习目标？
中心任务： 学生应该学习什么内容
学习过程：学生应该 怎样参与学习？
活动预期：学生在 学习中应得到什么？
9
一、单元学习主题——学什么
“单元学习主题”回答学生要学什么才能获得深度 学习能力的问题，是指围绕学科核心内容组织起来的、 对现实生活有意义的、促进学生持续探究的单元学习活 动主题。
32
（1）整体：“数与代数”的主要内容有：数的认识，数的表示， 数的大小，数的运算，数量的估计；字母表示数，代数式及其运 算；方程、方程组、不等式、函数等。
1 2
23
2
22
1
1
2 2 22
lo g 2 3 sin
3
数
数的认识 数的表示 数的大小 数的运算 数量估计
代数
常量与变量 字母表示数 式的大小关系
式的运算
函数 方程
不等式
33
• 第一学段（1-3年级）
学生认知分析
经历从日常生活中抽象出数的过程，理解万以内数的意义，初步认
识分数和小数；理解常见的量；体会四则运算的意义，掌握必要的运 算技能，能准确进行运算；在具体情境中，能选择适当的单位，进行 简单的估算。
• 第二学段（4-6年级）
体验从具体情境中抽象出数的过程，认识万以上的数；理解分数、小 数、百分数的意义，了解负数的意义；掌握必要的运算技能；理解估 算的意义；
深度教学
3.只有教学建立在“充分的知识广度”“充 分的知识深度”和“充分的知识关联度”基础 上，才能让学生真正获得知识的发展价值。 4.“知识之后（beyond knowledge）”是指 对符号知识的超越和追问，是对知识所隐含的 思想、意义、思维方式的深层追问。
5.学生学习知识的过程从根本上说是知识作 为“精神种子” 发育成为个体的思想、智慧 和美德的过程。 6.以知识为话题和中介的师生对话与交往、 理解与探究、体验和反思，其实是知识作为 “精神种子”在学生身上展开精神发育过程的 土壤。
深度教学
--教育学立场下的知识观----作为“精神种子”的知识，即知识是一粒有待 发育的“精神种子”。
“深度教学”真实发生--郭元祥
1.“深度教学”和“深度学习”都离不开知 识这一核心载体，并且要促进知识向核心素养 转化。 2.“深度教学”是对知识的追问、对学习的 追问以及对当下课堂教学乱象的反思提出的。
7.从学习过程的角度说，学科思想是一系列 学科信息，输入人的大脑后， 经历包括采集、 整理、汇总、分析、判断等细节得出一个成型 结论的复杂过程，形成的一种可以用来指导人 的行为的认识体系。
8.从理论上来看，学科思想的形成离不开学 科知识。学生学习学科知识的同时，伴随着 形成了关于认识学科研究对象的学科思想。 9.转识成知、转知成智，化知识为美德。通 过知识教学，学生究竟获得了知识的什么， 知识转化成了哪些终身必备的素养和品质， 这些的确值得深思。
15.倡导发展性教学引发学生“深度学习”的 宗旨，即不以学生占有了多少书本知识、会做 多少道题目为根本目的，而是追求知识习得后 学生的学科能力、学科思想、学科经验以及核 心素质得到改变，产生积极的学习方式改变、 价值观念改变、行为方式乃至整个生活方式的 改变。
深度学习技术介绍PPT课件
根据Marr(1982)年理论，理解一个信息处理系统，具有三个被称为分析层面的内容： 计算理论(computational theory)对应计算目标和任务的抽象定义。 表示和算法(representation and algorithm)是关于输人和输出如何表示和从输入到输
出变换的算法说明。 硬件实现(hardware implementation)是系统的实物物理实现。
29
29
M40 GPU加速特性
30
GPU与CPU连接
通过PCIe与CPU连接, 最大理论带宽8GB/s(gen2.0)、16GB/s(gen3.0) CPU称为主机(host), 显卡(GPU)称为设备(device)
31
31
最优连接数量：4
32
32
目前的GPU使用方案
33
33
CPU困境
34
机器学习还可以进行压缩(compression)。用规则拟合数据，我们能得到比数据更简 单的解释，需要的存储空间更少，处理所需要的计算更少，例如，一旦你掌握了加法 规则，你就不必记忆每对可能数字的和是多少。
机器学习的另一种用途是离群点检测(outlier detection)，即发现那些不遵守规则的 例外实例。在这种情况下，学习规则之后，我们感兴趣的不是规则，而是规则未能覆 盖的例外，他们可能暗示出我们需要注意的异常，如诈骗等。
具体应用-人脸识别
对于人脸识别(face recognition)。输入是人脸 图像，类是需要识别的人，并且学习程序应当 学习人脸图像与身份之间的关联性。人脸会有 更多的类，输入图像也更大一些，并且人脸是 三维的，不同的姿势和光线等都会导致图像的 显著变化。另外，对于特定人脸的输人也会出 现问题，比如说眼镜可能会把眼睛和眉毛遮住 ，胡子可能会把下巴盖住等。
出变换的算法说明。 硬件实现(hardware implementation)是系统的实物物理实现。
29
29
M40 GPU加速特性
30
GPU与CPU连接
通过PCIe与CPU连接, 最大理论带宽8GB/s(gen2.0)、16GB/s(gen3.0) CPU称为主机(host), 显卡(GPU)称为设备(device)
31
31
最优连接数量：4
32
32
目前的GPU使用方案
33
33
CPU困境
34
机器学习还可以进行压缩(compression)。用规则拟合数据，我们能得到比数据更简 单的解释，需要的存储空间更少，处理所需要的计算更少，例如，一旦你掌握了加法 规则，你就不必记忆每对可能数字的和是多少。
机器学习的另一种用途是离群点检测(outlier detection)，即发现那些不遵守规则的 例外实例。在这种情况下，学习规则之后，我们感兴趣的不是规则，而是规则未能覆 盖的例外，他们可能暗示出我们需要注意的异常，如诈骗等。
具体应用-人脸识别
对于人脸识别(face recognition)。输入是人脸 图像，类是需要识别的人，并且学习程序应当 学习人脸图像与身份之间的关联性。人脸会有 更多的类，输入图像也更大一些，并且人脸是 三维的，不同的姿势和光线等都会导致图像的 显著变化。另外，对于特定人脸的输人也会出 现问题，比如说眼镜可能会把眼睛和眉毛遮住 ，胡子可能会把下巴盖住等。
深度学习-备课PPT课件
• 通常情况下，集合是分两步构建的。 首先，生成许多基础学习器， 这些基础学习器可以以并行样式或序列样式生成，序列样式即基础学 习器的生成影响后续学习器的生成。 然后，将基础学习器结合使用， 其中最流行的组合方案是用于分类的多数投票和用于回归的加权平均。
-
22 为什么集合优于单个
• 第一个原因是，训练数据可能无法提供足够的信息来选择单一的最佳学习器。例如， 可能有许多学习器在训练数据集上的表现同样出色。因此，结合这些学习器可能是更好 的选择。
-
28 12.DROPOUT
• 深度学习领域大神Hinton，在2012年文献：《Improving neural networks by preventing co-adaptation of feature detectors》提出了，在 每次训练的时候，让一部分的特征检测器停止工作，这样可以提高网 络的泛化能力，Hinton又把它称之为dropout。
• ——Dietterich
-
23
模型平均如何奏效：不同模型不会在测试集上产生完全相同的误差。
•
-
24 BAGGING（装袋）方法
• Bagging是一种允许重复多次使用同一种模型、训练算法和目 标函数的方法。
• ① 根据均匀概率分布从数据中重复抽样（有放回）每个抽样 生成的自助样本集上，训练一个基分类器；对训练过的分类 器进行投票，将测试样本指派到得票最高的类中。
-
35
-
36 MODEL DESCRIPTION
-
37
没有Dropout的神经网络
有Dropout的神经网络
上面公式中Bernoulli函数，是为了以概率p，随机生成一个0、1的向量。
-
-
22 为什么集合优于单个
• 第一个原因是，训练数据可能无法提供足够的信息来选择单一的最佳学习器。例如， 可能有许多学习器在训练数据集上的表现同样出色。因此，结合这些学习器可能是更好 的选择。
-
28 12.DROPOUT
• 深度学习领域大神Hinton，在2012年文献：《Improving neural networks by preventing co-adaptation of feature detectors》提出了，在 每次训练的时候，让一部分的特征检测器停止工作，这样可以提高网 络的泛化能力，Hinton又把它称之为dropout。
• ——Dietterich
-
23
模型平均如何奏效：不同模型不会在测试集上产生完全相同的误差。
•
-
24 BAGGING（装袋）方法
• Bagging是一种允许重复多次使用同一种模型、训练算法和目 标函数的方法。
• ① 根据均匀概率分布从数据中重复抽样（有放回）每个抽样 生成的自助样本集上，训练一个基分类器；对训练过的分类 器进行投票，将测试样本指派到得票最高的类中。
-
35
-
36 MODEL DESCRIPTION
-
37
没有Dropout的神经网络
有Dropout的神经网络
上面公式中Bernoulli函数，是为了以概率p，随机生成一个0、1的向量。
-
深度学习PPT之PPT教程
提炼
加工
视觉化
Vs
1：狼的眼睛有些吊眼梢，就是倾斜角度较大。 2：眼神及眼色。哈士奇的眼睛大部分都是蓝色。看起来比较易接近。 狼的眼色很杂，主要是发黄（琥珀色），看起来就很凶残。 3：狼的脸部比哈士奇瘦长。 4：好像狼的体色都是灰色偏多，一大片一大片的。带纯白色的少。 哈士奇好像身上带纯白色的最常见了。 5：哈士奇再怎么像狼它也是狗，尾巴会竖起来摇。狼可懒得讨好你， 都是尾巴下垂
学习永远不晚。 JinTai College
新建空白PPT，按演讲思路排好每页内容。思路
what 是什么 摆出中心论点
why 为什么 为什么是这样
how怎么样 阐释如何达到
前期准备
风格2统一
整体把握
细节出彩
整体设计统一
母版中选定色系（＜3种），设 置字体（＜3种）、字号，确定 标题、logo位置等。
提炼
加工
狼和哈士奇怎么区分
视觉化
素材来至微博搞笑排行榜
提炼
加工
狼和哈士奇怎么区分
视觉化
提炼
加工
狼和哈士奇怎么区分
视觉化
提炼
加工
狼和哈士奇怎么区分
视觉化
提炼
加工
狼和哈士奇怎么区分
视觉化
提炼
加工
狼和哈士奇怎么区分
视觉化
你确定要看 狼与哈士奇 真正差异吗？
警告！
YES
NO
提炼
加工
视觉化
狼和哈士奇真正的区别…
提炼
加工
视觉化
明白要 点了吗?
当然这种举例不适合严肃的场合！
如果你的主题已经明确， 那很好！
5 Rule
重新认仪识态 PowerPoint
深度教学核心素养时代教学变革的方向ppt课件
（三）进行“情感教学”，激发学生的积极情 感体验。
带着情感去学习，不仅可以增进学生对知 识的理解，而且能够让知识深入学生的内 心，进而达到改造思想，形成信念的目的。
第一，以情激情，引发师生的情感共鸣。 第二，以境激情，使学生与文本产生情感
共鸣。
12
（四）提供“全景立场”，让学生形成自己的理性 从学生在教学中的思维层次来看，深度教学应该是批判性
5
（四）关注教学目的的时代性 不同时代的核心素养不一样。 而同一时代的不同国家所提出的核心素养
又具有某些共性。 重视“团队合作、信息技术、语言能力、数
学素养、自主发展（独立自主、自我创新、 学会学习）、问题解决与实践探索等核心 素养”
6
二、教学变革：核心素养落地的重 要方式
从教学的角度，可以将核心素养视为教学目的的新设想。 （一）必须实现核心素养的教学转化 核心素养是关于学生发展结果的大梦想，需要一系列小步
实施深度教学是课堂教学改革的根本基础和方向。
9
（一）进行“有限教导”，让学生充分参与教学 一方面教师要“少讲”，以便给学生足够的学习时间；另一
方面教师要“隐身”，以便让学生全身心地投入学习。有限 教导目的是让学生的心智通过学习得到充分锻炼。 间接教导三种基本方式：一是激发学生学习兴趣，让其进 行尝试性探索；二是给予适当的点拨、提示，让其根据引 导去探索；三是给予方法上的指导，让其自主探索。 只有经历了“还原与下沉、经验与探索、反思与上浮的过 程”，参与才是充分的。
3
（二）重视教学目的的基础性 核心素养上在基础教育领域，且针对基础
教育提出的，它必须具有基础性。核心素 养应该是基础中的基础。 将核心素养分为“高级素养”与“低级素养”的 做法是不科学的。不是所有的基础素养都 是核心素养，但不能否认核心素养的基础 性。不同时代的核心素养不一样。
深度学习基础理论ppt课件
13
AutoEncoder自动编码器
2）通过编码器产生特征，然后训练下一层。这样逐层训 练：
将第一层输出的code当成第二层的输入信号，同样最小化重构误差，就会 得到第二层的参数，并且得到第二层输出的code，也就是原输入信息的第 二个表达了。其他层就用同样的方法炮制。
14
AutoEncoder自动编码器
3）有监督微调： 到这里，这个AutoEncoder还不能用来分类数据，可
以在AutoEncoder的最顶的编码层添加一个分类器，然后 通过标准的多层神经网络的监督训练方法（梯度下降法） 去训练。
微调分为两种，一个是只调整分类器（黑色部分）：
15
AutoEncoder自动编码器
另一种：通过有标签样本，微调整个系统：
在研究中可以发现，如果在原有的特征中加入这些自动学习得到的特 征可以大大提高精确度，甚至在分类问题中比目前最好的分类算法效果还 要好！
16
AutoEncoder自动编码器
AutoEncoder存在的一些变体：
a）Sparse AutoEncoder稀疏自动编码器 b）Denoising AutoEncoders降噪自动编码器
20
Sparse Coding稀疏编码
2）Coding阶段：
给定一个新的图片x，由上面得到的字典，通过解一 个LASSO问题得到稀疏向量a。这个稀疏向量就是这个输入 向量x的一个稀疏表达了。
21
深度学习的常用模型
3、Restricted Boltzmann Machine (RBM)限 制波尔兹曼机
18
Sparse Coding稀疏编码
19
Sparse Coding稀疏编码
Sparse coding分为两个部分：
AutoEncoder自动编码器
2）通过编码器产生特征，然后训练下一层。这样逐层训 练：
将第一层输出的code当成第二层的输入信号，同样最小化重构误差，就会 得到第二层的参数，并且得到第二层输出的code，也就是原输入信息的第 二个表达了。其他层就用同样的方法炮制。
14
AutoEncoder自动编码器
3）有监督微调： 到这里，这个AutoEncoder还不能用来分类数据，可
以在AutoEncoder的最顶的编码层添加一个分类器，然后 通过标准的多层神经网络的监督训练方法（梯度下降法） 去训练。
微调分为两种，一个是只调整分类器（黑色部分）：
15
AutoEncoder自动编码器
另一种：通过有标签样本，微调整个系统：
在研究中可以发现，如果在原有的特征中加入这些自动学习得到的特 征可以大大提高精确度，甚至在分类问题中比目前最好的分类算法效果还 要好！
16
AutoEncoder自动编码器
AutoEncoder存在的一些变体：
a）Sparse AutoEncoder稀疏自动编码器 b）Denoising AutoEncoders降噪自动编码器
20
Sparse Coding稀疏编码
2）Coding阶段：
给定一个新的图片x，由上面得到的字典，通过解一 个LASSO问题得到稀疏向量a。这个稀疏向量就是这个输入 向量x的一个稀疏表达了。
21
深度学习的常用模型
3、Restricted Boltzmann Machine (RBM)限 制波尔兹曼机
18
Sparse Coding稀疏编码
19
Sparse Coding稀疏编码
Sparse coding分为两个部分：
一天搞懂深度学习演示教学ppt课件
= Multi-class Classifier
Softmax
1-2 基本思想
Neural Network
1-2 基本思想
……
……
……
……
……
……
y1
y2
y10
Cross Entropy
“1”
……
1
0
0
……
target
Softmax
……
Given a set of parameters
目标识别
目标分析
图像捕获 图像压缩 图像存储
图像预处理 图像分割
特征提取 目标分类 判断匹配
模型建立 行为识别
2-1 机器视觉
关键技术与应用
A)生物特征识别技术——安全领域应用广泛 生物特征识别技术是一种通过对生物特征识别和检测,对身伤实行鉴定的技术。从 统计意义上讲人类的指纹、虹膜等生理特征存在唯一性，可以作为鉴另用户身份 的依据。目前，生物特征识别技术主要用于身份识别，包括语音、指纹、人脸、 静脉，虹膜识别等。
1958: Perceptron (linear model) 1969: Perceptron has limitation 1980s: Multi-layer perceptron Do not have significant difference from DNN today 1986: Backpropagation Usually more than 3 hidden layers is not helpful 1989: 1 hidden layer is “good enough”, why deep? 2006: RBM initialization 2009: GPU 2011: Start to be popular in speech recognition 2012: win ILSVRC image competition 2015.2: Image recognition surpassing human-level performance 2016.3: Alpha GO beats Lee Sedol 2016.10: Speech recognition system as good as humans
Softmax
1-2 基本思想
Neural Network
1-2 基本思想
……
……
……
……
……
……
y1
y2
y10
Cross Entropy
“1”
……
1
0
0
……
target
Softmax
……
Given a set of parameters
目标识别
目标分析
图像捕获 图像压缩 图像存储
图像预处理 图像分割
特征提取 目标分类 判断匹配
模型建立 行为识别
2-1 机器视觉
关键技术与应用
A)生物特征识别技术——安全领域应用广泛 生物特征识别技术是一种通过对生物特征识别和检测,对身伤实行鉴定的技术。从 统计意义上讲人类的指纹、虹膜等生理特征存在唯一性，可以作为鉴另用户身份 的依据。目前，生物特征识别技术主要用于身份识别，包括语音、指纹、人脸、 静脉，虹膜识别等。
1958: Perceptron (linear model) 1969: Perceptron has limitation 1980s: Multi-layer perceptron Do not have significant difference from DNN today 1986: Backpropagation Usually more than 3 hidden layers is not helpful 1989: 1 hidden layer is “good enough”, why deep? 2006: RBM initialization 2009: GPU 2011: Start to be popular in speech recognition 2012: win ILSVRC image competition 2015.2: Image recognition surpassing human-level performance 2016.3: Alpha GO beats Lee Sedol 2016.10: Speech recognition system as good as humans
深度课堂PPT课件
--- 郭元祥
2021/3/7
CHENLI
6
二 什么是深度学习
今天的中国教育有两个热词正在流行，一个就是大家都在讲的“核 心素养”; 再一个就是“深度学习或深度教学”。这两个词同时在中国 基础教育界流行还是有它的必然联系的。我们可以将它描述为一枚硬 币的两个面。可以说核心素养是我们最终的目标，而深度学习\深度教 学就是我们实现这个目标的路径。
云南省教育厅厅长罗崇敏很关心他们毕业后的现状。可令他 吃惊的是， 这些“状元”们在各自的事业上几乎都没有什么大的建树，与当初人们对状 元的预期相差甚远。除此之外，罗崇敏还查阅了1977年到 2009年32年来 全国的124名高考状元，“他们一个都没有成为所从事职业领域的领军人 物。”
2021/3/7
CHENLI
5
将这二个事件联系起来看，我们能发现什么深层的问题呢？
缺少了对思想的追寻，忽视了思想启迪，丧失了价值引领，我们的课 堂能够教给学生什么？答案只有一个，那就是一堆仅仅依靠背诵而积累的 考试过后中便远离学生人生的无意义、无思想、无涵养的符号 ...
无论是数学、还是语文，抑或其它学科的教学，务必是走向思想的教学， 方法的教学，逻辑的教学，意义的教学！这种教学就是深度教学。
2021/3/7
CHENLI
7
1 深度学习的概念
2016年，AlphaGo在与李世石比赛中表现展现了超强的大局观以及对围棋 的全新理解的“深度学习”能力。它能把不同数据库内存储的信息连接 成“网络”，在遇到未知的信息时，利用“网络”中不同性质的信息作 出进阶运算、综合分析及推测，最终做出最优化的判断。
V4的整个目标（如判定为一张人脸），以及到更高层的PFC（前额叶皮层） 进行分类判断等。这是一个伟大的发现,其意义是“高层的特征是低层特征 的组合，从低层到高层的特征表达越来越抽象化和概念化”。
2021/3/7
CHENLI
6
二 什么是深度学习
今天的中国教育有两个热词正在流行，一个就是大家都在讲的“核 心素养”; 再一个就是“深度学习或深度教学”。这两个词同时在中国 基础教育界流行还是有它的必然联系的。我们可以将它描述为一枚硬 币的两个面。可以说核心素养是我们最终的目标，而深度学习\深度教 学就是我们实现这个目标的路径。
云南省教育厅厅长罗崇敏很关心他们毕业后的现状。可令他 吃惊的是， 这些“状元”们在各自的事业上几乎都没有什么大的建树，与当初人们对状 元的预期相差甚远。除此之外，罗崇敏还查阅了1977年到 2009年32年来 全国的124名高考状元，“他们一个都没有成为所从事职业领域的领军人 物。”
2021/3/7
CHENLI
5
将这二个事件联系起来看，我们能发现什么深层的问题呢？
缺少了对思想的追寻，忽视了思想启迪，丧失了价值引领，我们的课 堂能够教给学生什么？答案只有一个，那就是一堆仅仅依靠背诵而积累的 考试过后中便远离学生人生的无意义、无思想、无涵养的符号 ...
无论是数学、还是语文，抑或其它学科的教学，务必是走向思想的教学， 方法的教学，逻辑的教学，意义的教学！这种教学就是深度教学。
2021/3/7
CHENLI
7
1 深度学习的概念
2016年，AlphaGo在与李世石比赛中表现展现了超强的大局观以及对围棋 的全新理解的“深度学习”能力。它能把不同数据库内存储的信息连接 成“网络”，在遇到未知的信息时，利用“网络”中不同性质的信息作 出进阶运算、综合分析及推测，最终做出最优化的判断。
V4的整个目标（如判定为一张人脸），以及到更高层的PFC（前额叶皮层） 进行分类判断等。这是一个伟大的发现,其意义是“高层的特征是低层特征 的组合，从低层到高层的特征表达越来越抽象化和概念化”。
《深度工作》PPT教学课件完整版
不要不断分心，而要不断专注
许多人认为自己可以随心所欲地从分心状态切换到专注状态，但是这种想法过于乐观：一旦你适应 了分心，你就会迷恋于此。 策略是预先计划好使用网络的时间，井严格执行，通过减少自己向分心屈服的次数，提升专注力。
即使工作需要大量使用网 络和快速回复电子邮件， 这个策略也适用。
不论怎么计划使用网络的 时段，都必须保证在这些 时段外彻底屏蔽网络。
DEEP WORK
主讲人： 时间：20XX年/X月X日
Your logo
现代信息社会，深度工作已经变成了一种稀缺能力
电脑、网络、手机和即时通讯的普及，已经让我们的工作变成了 “一直在线”的状态，而且这种状态正在日益加剧，但我们实际的 工作成效又如何呢？
ห้องสมุดไป่ตู้
没完没了的邮件
你的工作平均每天会收发多 少邮件？你用在回邮件的时 间上有多少？
改变。
我将活出专注的人生， 因为这是最好的选择。
——比尔·盖茨
THANK YOU FOR WATCHING AND LISTENING
主讲人：XXX
时间：20XX年/1月1日
Your logo
回不完的消息
你有多少下班后的时间仍在 通过即时通讯软件（QQ、 微信、钉钉）回复工作？
大大小小的会议
会议在你的工作时间中的占 比有多少？
你的专注力如何？
网络时代爆炸的信息量，各种网络平台与软件对用户使用时间的争夺，使得他们用尽一切 手段迎合我们大脑对短暂关注和即时奖励的喜爱。 一旦沉迷于这种“刷手机”的愉悦感中，大脑专注的能力将在日复一日的“训练”中被破坏殆 尽。
度量的黑洞
由于知识工作者的工作复杂 性比体力劳动者高，所以从 客观上难以衡量个体具体行 为的贡献度。 因此破坏深度工作的行为对 成果的影响也很难被察觉。
深度学习介绍ppt课件
28
3.1 卷积神经网络（CNN）
全连接层：连接所有的特征，将输出值送给分类器（如softmax分类器）， 最终得出识别结果。
29
3.2 常见网络模型
LeNet
30
3.2 常见网络模型
AlexNet
31
3.2 常见网络模型
VGG16
32
3.2 常见网络模型
GoogleNet （InceptionV4）
要了解，它有以下几个影响： 1 如何能更好的求解目标函数的极值！——高等数学中求解函数极值的知识！ 可微，单调！ 2 如何提升训练效率，让梯度的优化方法更稳定； 3 权值的初始值，不影响训练结果！
17
3.1 卷积神经网络（CNN）
卷积神经网络（Convolutional Neural Networks / CNNs / ConvNets）与 普通神经网络非常相似，它们都由具有可学习的权重和偏置常量(biases)的神 经元组成。每个神经元都接收一些输入，并做一些点积计算，输出是每个分 类的分数，普通神经网络里的一些计算技巧到这里依旧适用。
全连接层（ Fully-Connected layer）, 把所有局部特征结合变成全局特征， 用来计算最后每一类的得分。
22
3.1 卷积神经网络（CNN）
23
3.1 卷积神经网络（CNN）
在图像处理中，往往把图像表示为像素的向量，比如一个1000×1000的图像， 可以表示为一个1000000的向量。在上一节中提到的神经网络中，如果隐含 层数目与输入层一样，即也是1000000时，那么输入层到隐含层的参数数据 为1000000×1000000=10^12，这样就太多了，基本没法训练。所以图像 处理要想练成神经网络大法，必先减少参数加快速度。就跟辟邪剑谱似的， 普通人练得很挫，一旦自宫后内力变强剑法变快，就变的很牛了。
3.1 卷积神经网络（CNN）
全连接层：连接所有的特征，将输出值送给分类器（如softmax分类器）， 最终得出识别结果。
29
3.2 常见网络模型
LeNet
30
3.2 常见网络模型
AlexNet
31
3.2 常见网络模型
VGG16
32
3.2 常见网络模型
GoogleNet （InceptionV4）
要了解，它有以下几个影响： 1 如何能更好的求解目标函数的极值！——高等数学中求解函数极值的知识！ 可微，单调！ 2 如何提升训练效率，让梯度的优化方法更稳定； 3 权值的初始值，不影响训练结果！
17
3.1 卷积神经网络（CNN）
卷积神经网络（Convolutional Neural Networks / CNNs / ConvNets）与 普通神经网络非常相似，它们都由具有可学习的权重和偏置常量(biases)的神 经元组成。每个神经元都接收一些输入，并做一些点积计算，输出是每个分 类的分数，普通神经网络里的一些计算技巧到这里依旧适用。
全连接层（ Fully-Connected layer）, 把所有局部特征结合变成全局特征， 用来计算最后每一类的得分。
22
3.1 卷积神经网络（CNN）
23
3.1 卷积神经网络（CNN）
在图像处理中，往往把图像表示为像素的向量，比如一个1000×1000的图像， 可以表示为一个1000000的向量。在上一节中提到的神经网络中，如果隐含 层数目与输入层一样，即也是1000000时，那么输入层到隐含层的参数数据 为1000000×1000000=10^12，这样就太多了，基本没法训练。所以图像 处理要想练成神经网络大法，必先减少参数加快速度。就跟辟邪剑谱似的， 普通人练得很挫，一旦自宫后内力变强剑法变快，就变的很牛了。
深度教学ppt
谢谢
2019.1.16
11.大多的教学模式和课堂教学改革策略停留 于师生教学程序简单翻转和师生教学时间粗暴 分配的层次上。 “深度学习”的发生离不开教学的组织与引导， 旨在克服教学过程中表面、表层、表演的局限， 引导学生深层、深刻、深度学习。
12.“深度学习”即指主动的、探究式的、理 解性的学习，要求学习者主动地建构知识意义、 将知识转化为技能并迁移应用到真实情景中来 解决复杂问题，进而促进学习者元认识能力、 问题解决能力、批判性思维、创造性思维等高 阶能力的发展。
6.以知识为话题和中介的师生对话与交往、 理解与探究、体验和反思，其实是知识作为 “精神种子”在学生身上展开精神发育过程的 土壤。
7.从学习过程的角度说，学科思想是一系列 学科信息，输入人的大脑后， 经历包括采集、 整理、汇总、分析、判断等细节得出一个成型 结论的复杂过程，形成的一种可以用来指导人 的行为的认识体系。
深度教学
--教育学立场下的知识观-----
作为“精神种子”的知识，即Hale Waihona Puke 识是一粒有待 发育的“精神种子”。
“深度教学”真实发生--郭元祥
1.“深度教学”和“深度学习”都离不开知 识这一核心载体，并且要促进知识向核心素养 转化。
2.“深度教学”是对知识的追问、对学习的 追问以及对当下课堂教学乱象的反思提出的。
3.只有教学建立在“充分的知识广度”“充 分的知识深度”和“充分的知识关联度”基础 上，才能让学生真正获得知识的发展价值。
4.“知识之后（beyond knowledge）”是指 对符号知识的超越和追问，是对知识所隐含的 思想、意义、思维方式的深层追问。
5.学生学习知识的过程从根本上说是知识作 为“精神种子” 发育成为个体的思想、智慧 和美德的过程。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
.
6
8.从理论上来看，学科思想的形成离不开学 科知识。学生学习学科知识的同时，伴随着 形成了关于认识学科研究对象的学科思想。
9.转识成知、转知成智，化知识为美德。通 过知识教学，学生究竟获得了知识的什么， 知识转化成了哪些终身必备的素养和品质， 这些的确值得深思。
.
7
10.“深度教学”要提升学生学习的境界，丰 富学生学习的层次。要从学习符号、学习解 题，真正走向学习思想、学习思考，直至自 我的文化觉醒。差的教学是教符号、教知识、 教解题，卓越的教学是教思想、教思考、教 文化。
.
12
谢谢
2019.1.16
.
13
.
8
11.大多的教学模式和课堂教学改革策略停留 于师生教学程序简单翻转和师生教学时间粗暴 分配的层次上。 “深度学习”的发生离不开教学的组织与引导， 旨在克服教学过程中表面、表层、表演的局限， 引导学生深层、深刻、深度学习。
.
9
12.“深度学习”即指主动的、探究式的、理 解性的学习，要求学习者主动地建构知识意义、 将知识转化为技能并迁移应用到真实情景中来 解决复杂问题，进而促进学习者元认识能力、 问题解决能力、批判性思维、创造性思维等高 阶能力的发展。
.
10
13.“深度学习”即事实性知识、概念性知识、
程序性知识、元认知知识，与之对应的学习方
式是接受记忆、理解与探究、操作与体验、
反思与感悟等。
14.无论是哪种学习方式，只要能引起学生在
认知、情感、技能等方面发生系统的变化，学
科核心素养和关键能力得到整体提升，就能称
之为深度学习。
.
11
15.倡导发展性教学引发学生“深度学习”的 宗旨，即不以学生占有了多少书本知识、会做 多少道题目为根本目的，而是追求知识习得后 学生的学科能力、学科思想、学科经验以及核 心素质得到改变，产生积极的学习方式改变、 价值观念改变、行为方式乃至整个生活方式的 改变。
.
3
3.只有教学建立在“充分的知识广度”“充 分的知识深度”和“充分的知识关联度”基础 上，才能让学生真正获得知识的发展价值。
4.“知识之后（beyond knowledge）”是指 对符号知识的超越和追问，是对知识所隐含的 思想、意义、思维方式的深层追问。
.
4
5.学生学习知识的过程从根本上说是知识作 为“精神种子” 发育成为个体的思想、智慧 和美德的过程。
深度教学
.
1
深度教学--教育学立场下的知识观-----
作为“精神种子”的知识，即知识是一粒有待 发育的“精神种子”。
“深度教学”真实发生--郭元祥
.
2
1.“深度教学”和“深度学习”都离不开知 识这一核心载体，并且要促进知识向核心素养 转化。
2.“深度教学”是对知识的追问、对学习的追 问以及对当下课堂教学乱象的反思提出的。
6.以知识为话题和中介的师生对话与交往、理 解与探究、体验和反思，其实是知识作为“精 神种子”在学生身上展开精神发育过程的土壤。
.
5
7.从学习过程的角度说，学科思想是一系列 学科信息，输入人的大脑后， 经历包括采集、 整理、汇总、分析、判断等细节得出一个成型 结论的复杂过程，形成的一种可以用来指导人 的行为的认识体系。