人工智能應(yīng)用基礎(chǔ)項目式教程 教案 任務(wù)5.2 文生圖

《任務(wù)5.2文生圖》教案課程名稱人工智能應(yīng)用基礎(chǔ)課題任務(wù)5.2文生圖班級：授課時間2025.3.1授課時數(shù)2地點：教材分析內(nèi)容分析本節(jié)內(nèi)容主要圍繞文生圖技術(shù)展開，詳細講解了文生圖提示詞的設(shè)計、Transformer模型的工作原理、大模型的應(yīng)用以及AIGC（人工智能生成內(nèi)容）的實際意義。首先介紹了文生圖的基本概念和應(yīng)用場景，包括藝術(shù)創(chuàng)作、廣告設(shè)計、游戲開發(fā)等。隨后深入探討了Transformer架構(gòu)的特點及其在文生圖中的應(yīng)用，并結(jié)合具體案例展示了大模型的強大能力。最后討論了AIGC對未來內(nèi)容生產(chǎn)方式的影響。學情分析學生已具備一定的編程基礎(chǔ)和對機器學習的初步認識，對自然語言處理和圖像生成技術(shù)表現(xiàn)出濃厚興趣。然而，部分學生可能對復雜的深度學習模型理解存在困難，因此需要通過直觀的案例和動手實踐來加深理解。同時，學生的自主學習能力和團隊協(xié)作能力較強，可以通過小組討論和合作探究的方式提高學習效果。課時教學目標知識目標1.掌握文生圖的基本概念和應(yīng)用場景。

2.理解Transformer模型的工作原理及其實現(xiàn)文生圖的核心機制。

3.學習大模型的特點及其在AIGC中的作用。能力目標1.能夠設(shè)計簡單的文生圖提示詞并進行實驗驗證。

2.提高學生分析問題和解決問題的能力，培養(yǎng)其創(chuàng)新思維。

3.培養(yǎng)學生團隊協(xié)作和自主學習的能力。素質(zhì)目標1.培養(yǎng)學生嚴謹?shù)目茖W態(tài)度和實事求是的精神。

2.激發(fā)學生對人工智能技術(shù)的興趣，增強其社會責任感。

3.提升學生的溝通表達能力和團隊合作意識。思政目標1.引導學生關(guān)注國家科技發(fā)展動態(tài)，樹立科技報國的理想信念。

2.通過實際案例展示人工智能技術(shù)在社會生活中的應(yīng)用價值，增強學生的社會責任感。

3.培養(yǎng)學生的創(chuàng)新意識和實踐能力，為未來投身科技創(chuàng)新奠定基礎(chǔ)。教學重點、難點教學重點1.文生圖的基本概念和應(yīng)用場景。

2.Transformer模型的工作原理及其實現(xiàn)文生圖的核心機制。

3.大模型的特點及其在AIGC中的作用。教學難點1.如何將復雜的技術(shù)理論轉(zhuǎn)化為易于理解的實際操作。

2.如何正確理解和應(yīng)用Transformer模型的相關(guān)概念。

3.如何有效利用大模型進行文生圖實驗。教學策略設(shè)計思路1.采用議題式教學法，以“如何利用人工智能技術(shù)實現(xiàn)文生圖”為核心議題，引導學生思考并解決問題。

2.結(jié)合實際案例進行講授，通過圖示和動畫等形式直觀展示文生圖的操作過程。

3.設(shè)計小組合作探究活動，讓學生親自動手實踐，體驗文生圖的操作。

4.利用信息化手段如在線資源平臺提供豐富的學習資源，支持學生的自主學習。

5.在教學過程中注重即時評價反饋，及時調(diào)整教學策略以適應(yīng)學生的學習需求。

6.鼓勵學生主動學習，通過翻轉(zhuǎn)課堂等方式激發(fā)其學習興趣。教學過程設(shè)計教學環(huán)節(jié)教師活動學生活動設(shè)計意圖教學與信息化手段課前導入新課1.回顧上節(jié)課內(nèi)容。

2.提出本節(jié)課主題：利用人工智能技術(shù)實現(xiàn)文生圖。

3.展示實際應(yīng)用場景圖片，激發(fā)學生興趣。

4.布置預習任務(wù)：閱讀教材相關(guān)內(nèi)容。

5.提供學習資源鏈接。

6.提醒學生準備好實驗環(huán)境。1.復習舊知。

2.記錄本節(jié)課主題。

3.觀察圖片，思考問題。

4.完成預習任務(wù)。

5.訪問學習資源鏈接。

6.準備實驗環(huán)境。通過情境創(chuàng)設(shè)引起學生注意，明確學習目標，為后續(xù)學習做好鋪墊。多媒體課件、學習資源鏈接。課中理論講解1.講解文生圖的基本概念和應(yīng)用場景。

2.詳細介紹Transformer模型的工作原理及其實現(xiàn)文生圖的核心機制。

3.對比不同模型的特點。

4.使用圖示和動畫展示相關(guān)概念。

5.解答學生疑問。1.認真聽講。

2.做好筆記。

3.積極參與互動。

4.提出自己的疑問。

5.觀看圖示和動畫。

6.思考并回答問題。幫助學生建立系統(tǒng)的知識框架，理解關(guān)鍵概念，為實踐操作打下理論基礎(chǔ)。多媒體課件、圖示動畫。案例分析1.分析實際文生圖案例。

2.展示實驗結(jié)果。

3.引導學生思考案例中的關(guān)鍵點。

4.組織小組討論。

5.總結(jié)討論結(jié)果。

6.強調(diào)注意事項。1.觀察案例。

2.分析實驗結(jié)果。

3.參與小組討論。

4.發(fā)表個人觀點。

5.記錄討論結(jié)果。

6.注意事項。通過具體案例加深學生對理論知識的理解，培養(yǎng)其分析問題的能力。多媒體課件、實驗結(jié)果截圖。實踐操作1.布置實踐任務(wù)。

2.提供數(shù)據(jù)集和項目代碼。

3.指導學生完成實驗。

4.巡視并解答問題。

5.收集學生反饋。

6.總結(jié)常見問題。1.閱讀實踐任務(wù)。

2.下載數(shù)據(jù)集和項目代碼。

3.動手完成實驗。

4.遇到問題及時提問。

5.反饋實驗結(jié)果。

6.總結(jié)收獲。通過實踐操作鞏固理論知識，提高學生的動手能力和解決問題的能力。在線實驗平臺?？偨Y(jié)反思1.回顧本節(jié)課主要內(nèi)容。

2.強調(diào)重點和難點。

3.提出思考題。

4.布置課后作業(yè)。

5.鼓勵學生繼續(xù)探索。

6.總結(jié)學生表現(xiàn)。1.跟隨教師回顧。

2.記錄重點和難點。

3.思考提出的問題。

4.記錄課后作業(yè)。

5.表達繼續(xù)學習的愿望。

6.自我評價。幫助學生梳理知識脈絡(luò)，強化記憶，激發(fā)進一步學習的動力。多媒體課件。課后布置作業(yè)1.完成課后練習題。

2.撰寫實驗報告。

3.探索更多實際應(yīng)用案例。

4.提交作業(yè)。

5.參與線上討論。

6.總結(jié)學習心得。1.認真完成作業(yè)。

2.撰寫實驗報告。

3.查閱資料。

4.按時提交。

5.積極參與討論。

6.總結(jié)心得。通過課后作業(yè)鞏固所學知識，拓展視野，培養(yǎng)自主學習能力。在線作業(yè)系統(tǒng)、論壇討論區(qū)。板書設(shè)計一、文生圖提示詞一般公式圖5.15文生圖提示詞一般公式(1)主體描述?：清晰準確地描述主體，包括主體的位置、細節(jié)、服飾、顏色、材料和紋路等。例如，“一個可愛的6歲中國小女孩，穿著黃色皮夾克”。(2)?環(huán)境描述?：描述主體的環(huán)境，包括背景、室內(nèi)室外、季節(jié)、光線、色系和氛圍等。例如，“她來到了一片綠色的森林，映入眼簾的是一片濃郁的綠色，從淺綠到深綠，層層疊疊”。(3)?風格描述?：選擇適合的風格，如藝術(shù)家、流派、設(shè)計風格等。例如，“宮崎駿風格”、“迪士尼風格”、“寫實風格”等。(4)?視覺描述?：描述拍攝風格和運鏡方式，如廣角、景深、俯視、全身照、特寫、平移、傾斜、推鏡、拉鏡、變焦等。(5)?精度描述?：描述圖像的尺寸比例、分辨率、光照和材質(zhì)等。例如，“2K4K8K”、“高品質(zhì)”、“高分辨率”等。示例?初級：一個可愛的6歲中國小女孩，穿著黃色皮夾克，今天她來到了一片綠色的森林，映入眼簾的是一片濃郁的綠色，從淺綠到深綠，層層疊疊，陽光透過樹梢，灑下斑駁的光影?。中級1?：在基礎(chǔ)公式中加入“bestquality”、“ultra-detailed”等標準化提示詞，以獲得更高質(zhì)量的圖像。中級2?：使用“|”分隔多個關(guān)鍵詞，實現(xiàn)混合效果。例如，“1girl,red|bluehair,longhair”。高級1?：使用“(權(quán)重數(shù)值)”或“((提示詞)))”來增強或減弱關(guān)鍵詞的影響。例如，“(loli:1.21)”、“((loli))”?3。高級2?：使用“[關(guān)鍵詞1:關(guān)鍵詞2:數(shù)字]”來實現(xiàn)漸變效果。

二、核心技術(shù)

Transformer模型是一個基于Self.Attention機制的Seq2Seq（SequencetoSequence）模型，模型采用Encoder.Decoder結(jié)構(gòu)，摒棄了傳統(tǒng)的CNN和RNN，僅使用Self.Attention機制來挖掘詞語間的關(guān)系，兼顧并行計算能力的同時，極大地提升了長距離特征的捕獲能力。

首先用中英文翻譯案例，體會一下Transformer使用時的大致流程（見圖5.34）。圖5.34用于中英文翻譯的Transformer架構(gòu)可以看到Transformer由Encoder和Decoder兩個部分組成，Encoder和Decoder都包含6個block。Transformer的工作流程大體如下：第1步：獲取輸入句子的每一個單詞的表示向量

X，X由單詞的Embedding和單詞位置的Embedding相加得到，如圖5.35所示。圖5.35Transformer輸入的表示第2步：將得到的單詞表示向量矩陣（如圖4.32所示，每一行是一個單詞的表示

x）傳入Encoder中，經(jīng)過6個Encoderblock后可以得到句子所有單詞的編碼信息矩陣

C，如圖5.36所示。單詞向量矩陣用

X(n×d)表示，n是句子中單詞個數(shù)，d是表示向量的維度(一般假設(shè)d=512)。每一個Encoderblock輸出的矩陣維度與輸入完全一致。圖5.36TransformerEncoder編碼句子信息第3步：將Encoder輸出的編碼信息矩陣

C傳遞到Decoder中，Decoder依次會根據(jù)當前翻譯過的單詞1~i翻譯下一個單詞i+1，如圖5.37所示。在使用的過程中，翻譯到單詞i+1的時候需要通過

Mask(掩蓋)

操作遮蓋住i+1之后的單詞。圖5.37TransformerDecoder預測Decoder接收了Encoder的編碼矩陣

C，然后首先輸入一個翻譯開始符"<Begin>"，預測第一個單詞"I"；然后輸入翻譯開始符"<Begin>"和單詞"I"，預測單詞"have"，以此類推。圖5.38Transformer模型結(jié)構(gòu)圖5.38是Transformer的內(nèi)部結(jié)構(gòu)圖，左側(cè)為Encoderblock，右側(cè)為Decoderblock。圈中的部分為

Multi.HeadAttention，是由多個

Self.Attention組成的，可以看到Encoderblock包含一個Multi.HeadAttention，而Decoderblock包含兩個Multi.HeadAttention(其中有一個用到Masked)。Multi.HeadAttention上方還包括一個Add&Norm層，Add表示殘差連接(ResidualConnection)用于防止網(wǎng)絡(luò)退化，Norm表示LayerNormalization，用于對每一層的激活值進行歸一化。Self.Attention是Transformer的重點。

三、大模型特點

在ChatGPT之前，被公眾關(guān)注的AI模型是用于單一任務(wù)的，比如眾所周知的“阿爾法狗”（AlphaGo）可以基于全球圍棋棋譜的計算，打贏所有的人類圍棋大師。這種專注于某個具體任務(wù)建立的AI數(shù)據(jù)模型叫“小模型”。ChatGPT與“小模型”不同，CharGPT更像人類的大腦，可以在海量通用數(shù)據(jù)上進行預先訓練，能大幅提升AI的泛化性、通用性、實用性。大模型讓機器有常識，大模型最本質(zhì)的特征不在于“大”（大參數(shù)、大計算、大數(shù)據(jù)），這只是一個表象，大模型本質(zhì)是“涌現(xiàn)”“出乎意料”“創(chuàng)造”。1、大模型的定義大模型本質(zhì)上是一個使用海量數(shù)據(jù)訓練而成的深度神經(jīng)網(wǎng)絡(luò)模型，其巨大的數(shù)據(jù)和參數(shù)規(guī)模，實現(xiàn)了智能的涌現(xiàn)，展現(xiàn)出類似人類的智能。那么，大模型和小模型有什么區(qū)別？小模型通常指參數(shù)較少、層數(shù)較淺的模型，它們具有輕量級、高效率、易于部署等優(yōu)點，適用于數(shù)據(jù)量較小、計算資源有限的場景，例如移動端應(yīng)用、嵌入式設(shè)備、物聯(lián)網(wǎng)等。而當模型的訓練數(shù)據(jù)和參數(shù)不斷擴大，直到達到一定的臨界規(guī)模后，其表現(xiàn)出了一些未能預測的、更復雜的能力和特性，模型能夠從原始訓練數(shù)據(jù)中自動學習并發(fā)現(xiàn)新的、更高層次的特征和模式，這種能力被稱為“涌現(xiàn)能力”。大模型的設(shè)計目的是為了提高模型的表達能力和預測性能，能夠處理更加復雜的任務(wù)和數(shù)據(jù)。大模型在各種領(lǐng)域都有廣泛的應(yīng)用，包括自然語言處理、計算機視覺、語音識別和推薦系統(tǒng)等。大模型通過訓練海量數(shù)據(jù)來學習復雜的模式和特征，具有更強大的泛化能力，可以對未見過的數(shù)據(jù)做出準確的預測。大模型、機器學習、深度學習、人工智能、自然語言處理之間關(guān)系如圖5.29所示。圖5.29大模型、機器學習、深度學習、人工智能、自然語言處理之間關(guān)系如果你不懂大模型，相當于人家坐著高鐵，你騎著牛，這就是這個時代的差別。大模型具有以下特點：1）巨大的規(guī)模:大模型包含數(shù)十億個參數(shù)，模型大小可以達到數(shù)百GB甚至更大。巨大的模型規(guī)模使大模型具有強大的表達能力和學習能力。2）涌現(xiàn)能力：涌現(xiàn)能力指的是當模型的訓練數(shù)據(jù)突破一定規(guī)模，模型突然涌現(xiàn)出之前小模型所沒有的、意料之外的、能夠綜合分析和解決更深層次問題的復雜能力和特性。3）預訓練：大模型可以通過在大規(guī)模數(shù)據(jù)上進行預訓練，然后在特定任務(wù)上進行微調(diào)，從而提高模型在新任務(wù)上的性能。4）自監(jiān)督學習：大模型可以通過自監(jiān)督學習在大規(guī)模未標記數(shù)據(jù)上進行訓練，從而減少對標記數(shù)據(jù)的依賴，提高模型的效能。5）微調(diào)：使用任務(wù)相關(guān)的數(shù)據(jù)進行訓練，以提高在該任務(wù)上的性能和效果。2、大模型的分類按照輸入數(shù)據(jù)類型的不同，大模型主要可以分為以下三大類（見圖5.30）：圖5.30大模型分類1）語言大模型：是指在自然語言處理（NaturalLanguageProcessing，NLP）領(lǐng)域中的一類大模型，通常用于處理文本數(shù)據(jù)和理解自然語言。這類大模型的主要特點是它們在大規(guī)模語料庫上進行了訓練，以學習自然語言的各種語法、語義和語境規(guī)則。例如，GPT系列（OpenAI）、Bard（Google）、文心一言（百度）。2）視覺大模型：是指在計算機視覺（ComputerVision，CV）領(lǐng)域中使用的大模型，通常用于圖像處理和分析。這類模型通過在大規(guī)模圖像數(shù)據(jù)上進行訓練，可以實現(xiàn)各種視覺任務(wù)，如圖像分類、目標檢測、圖像分割、姿態(tài)估計、人臉識別等。例如，VIT系列（Google）、文心UFO、華為盤古CV、INTERN（商湯）。3）多模態(tài)大模型：是指能夠處理多種不同類型數(shù)據(jù)的大模型，例如文本、圖像、音頻等多模態(tài)數(shù)據(jù)。這類模型結(jié)合了NLP和CV的能力，以實現(xiàn)對多模態(tài)信息的綜合理解和分析，從而能夠更全面地理解和處理復雜的數(shù)據(jù)。例如，DingoDB多模向量數(shù)據(jù)庫（九章云極DataCanvas）、DALL.E(OpenAI)、悟空畫畫（華為）、midjourney。按照應(yīng)用領(lǐng)域的不同，大模型主要可以分為L0、L1、L2三個層級：1）通用大模型L0：是指可以在多個領(lǐng)域和任務(wù)上通用的大模型。它們利用大算力、使用海量的開放數(shù)據(jù)與具有巨量參數(shù)的深度學習算法，在大規(guī)模無標注數(shù)據(jù)上進行訓練，以尋找特征并發(fā)現(xiàn)規(guī)律，進而形成可“舉一反三”的強大泛化能力，可在不進行微調(diào)或少量微調(diào)的情況下完成多場景任務(wù)，相當于AI完成了“通識教育”。2）行業(yè)大模型L1：是指那些針對特定行業(yè)或領(lǐng)域的大模型。它們通常使用行業(yè)相關(guān)的數(shù)據(jù)進行預訓練或微調(diào)，以提高在該領(lǐng)域的性能和準確度，相當于AI成為“行業(yè)專家”。3）垂直大模型L2：是指那些針對特定任務(wù)或場景的大模型。它們通常使用任務(wù)相關(guān)的數(shù)據(jù)進行預訓練或微調(diào)，以提高在該任務(wù)上的性能和效果。

四、AIGC意義

隨著以ChatGPT為代表的開創(chuàng)性生成式智能應(yīng)用的迅速普及，大語言模型技術(shù)正在變革我們與機器的交互手段，推動新一輪內(nèi)容創(chuàng)新和內(nèi)容生成產(chǎn)業(yè)演進。1）AIGC與大模型之間的關(guān)系①AIGC是建立在深度學習技術(shù)基礎(chǔ)之上的。深度學習是一種人工智能技術(shù)，它通過模擬人腦神經(jīng)元的工作方式，對大量數(shù)據(jù)進行學習，從而實現(xiàn)對復雜任務(wù)的自適應(yīng)處理。大模型作為深度學習的一種重要形式，為AIGC提供了強大的技術(shù)支持。②AIGC與大模型在內(nèi)容創(chuàng)作方面有著密切的聯(lián)系。大模型具有處理自然語言的能力，可以對文本進行理解和生成。而AIGC正是利用這種能力，通過深度學習技術(shù)，實現(xiàn)對內(nèi)容的自動生成。大模型為AIGC提供了強大的自然語言處理能力，使得AIGC在內(nèi)容創(chuàng)作方面具有更高的效率和準確性。③AIGC與大模型在應(yīng)用領(lǐng)域上有著廣泛的重合。無論是自然語言處理，還是計算機視覺，大模型都取得