（1）作者来自复旦大学，在国内具有一定的影响力，常举办相关的培训和讲座。
（2）难度适中、系统性强，内容基本覆盖了主流深度学习平台的主要特点和深度学习的实战难点。深入浅出，适合初学者。
（3）教材配套资料齐全，包括PPT课件、思考题、分析数据、Python程序、源代码和讲解视频等，还有实验平台和头歌在线教学平台。
（4）实践指导性强。利用主流的深度学习开源平台，通过15个实战案例知识，结合多家知名企业的实战合作项目实践，详细地分析了深度学习算法在典型领域的应用。
（5）重量一流本科课程“深度学习及其应用”的配套教材。

深度学习已经广泛地应用于各行各业，并推动了人工智能的发展。本书结合项目实践，介绍了主流深度学习平台的主要特点和深度学习的实战难点。在此基础上利用主流的深度学习开源平台，通过15个实战案例，详细地分析了卷积神经网络、循环神经网络、生成对抗网络、自注意力机制等深度学习算法在金融、零售、交通等典型领域的应用。 本书精心选择数据和应用问题，设计项目的实验指导，以基于实际应用的项目作为案例，突出深度学习算法应用过程中常遇到的问题，使学生不仅能理解主流深度学习平台的原理，还能针对实际问题设计思路，具有较强的实战性。

第  1章 低代码开发和加速平台  1
1.1  深度学习实战项目需求  1
1.2  ModelScope简介  2
1.3  OpenVINO简介  4
思考题  8
第  2章 太阳黑子智能分类  9
2.1  背景分析  9
2.2  数据准备  9
2.3  数据预处理  10
2.3.1  图像融合  11
2.3.2  数据增强  12
2.3.3  数据集划分  13
2.4  深度卷积网络分类模型  16
2.4.1基础网络  16
2.4.2  网络输出层设计  17
2.4.3  学习率衰减  17
2.4.4  模型训练  18
2.4.5  实验评估  19
2.5  基于Conformer的图片分类模型  20
2.5.1  Conformer模型介绍  20
2.5.2  模型构建  21
2.5.3  训练过程  22
2.5.4  模型优化  24
2.5.5  模型评估  26
思考题  28
第3章  气象预测  29
3.1数据准备  29
3.2数据可视化  31
3.3数据预处理  31
3.4使用卷积神经网络进行预测  32
3.4.1  搭建inception网络  33
3.4.2  训练过程  34
3.5基于孪生卷积网络的预测  36
3.5.1  搭建孪生inception网络  37
3.5.2  训练过程  38
3.6使用循环神经网络进行预测  39
3.6.1  搭建循环神经网络模块  39
3.6.2  训练过程  40
3.7结合循环神经网络与卷积神经网络的方法训练  41
3.7.1  搭建Inception-LSTM网络  42
3.7.2  训练过程  43
思考题  44
第4章  食物咀嚼声音分类  45
4.1数据预处理  45
4.1.1音频加载  45
4.1.2对低层特征的提取  45
4.1.3  MFCC和Mel频谱特征提取  46
4.1.4心理声学特征tonnetz和chroma提取  46
4.2  VGG网络训练  47
4.3  VGG模型的改进  50
4.3.1数据集的清理  50
4.3.2清理数据集的构建  51
思考题  52
第5章  智能厨房  53
5.1数据采集与预处理  53
5.2  迁移学习准备  57
5.3  YOLOv5模型配置  57
5.4  YOLOv5模型训练  60
5.5  使用OpenVINO加速YOLOv5模型  62
思考题  66
第6章  智能冰箱食材识别  67
6.1问题分析  67
6.2数据预处理  67
6.2.1数据探索  68
6.2.2  数据集转换  68
6.2.3数据集分割  69
6.2.4数据增强  70
6.3  YOLOX模型训练和优化  70
6.3.1  模型选择  71
6.3.2模型训练  71
6.3.3模型转换  72
6.4使用OpenVINO进行优化和推理  73
6.4.1  OpenVINO模型优化  73
6.4.2  OpenVINO推理  73
6.4.3性能对比  74
6.4.4存取动作判断  75
思考题  76
第7章  集体照人脸识别  77
7.1  数据集的准备  77
7.2数据预处理  78
7.2.1数据划分  78
7.2.2数据集格式转换  79
7.2.3创建ModelScope数据集  80
7.3  DamoFD模型训练  81
7.3.1模型微调  81
7.3.2创建ModelScope模型  82
7.3.3集体照人脸识别  83
7.4模型ModelScope创空间发布  85
思考题  88
第8章  遛狗牵绳智能检测  89
8.1  数据准备  89
8.2  数据预处理  92
8.3  DAMO-YOLO模型训练  93
8.4  DAMO-YOLO模型的推理应用  95
思考题  97
第9章  智能药品识别  98
9.1  数据收集  98
9.2  数据预处理  98
9.3  数据集统计  102
9.4  YOLOv5算法训练和优化  102
9.5  模型转换和推理  104
9.6  新增药品管理  106
思考题  108
第  10章 道路裂纹检测  109
10.1数据准备  109
10.2  数据预处理  110
10.3  Cascade-Mask-RCNN-Swin网络训练和优化  112
10.4  Cascade-Mask-RCNN-Swin推理  116
思考题  118
第  11章 课堂学生行为检测  119
11.1  数据准备  119
11.1.1  数据获取  119
11.1.2  数据标注  120
11.1.3  数据预处理  122
11.2  DAMO-YOLO模型训练  125
11.3  DAMO-YOLOs模型推理  126
思考题  127
第  12章 水边垂钓行为检测  128
12.1  数据采集与预处理  128
12.1.1  数据划分和标注  129
12.1.2  标注数据的格式转换  130
12.1.3标签文件重新生成  133
12.1.4数据增强  133
12.2  数据预处理  134
12.3  默认训练参数  135
12.4  模型训练与参数优化  135
12.4.1数据增强实验  137
12.4.2  模型精调与性能优化  139
12.4.3  训练策略调整  139
12.5  模型测试  140
12.6  总结  142
思考题  142
第  13章 主副驾驶安全带检测  143
13.1数据集的准备  143
13.2  数据增强  146
13.3模型训练  147
13.4  使用ModelScope框架实现模型  149
13.5  在Openvino平台加速模型  150
13.6  结论  153
思考题  153