1.本书填补了MindSpore教材的空白，为深度学习在MindSpore上实践的课程提供教材支撑。 2.本书作者来自浙江大学城市学院，书中的实践案例由华为MindSpore团队提供技术支持。 3.本书聚焦人工智能应用型人才培养的核心需求，以国产深度学习框架__华为昇思（MindSpore）为开发平台，通过案例引导与项目驱动相结合的教学模式，系统讲解深度学习技术在实际应用场景的落地实践

本书聚焦人工智能应用型人才培养的核心需求，以国产深度学习框架——华为昇思（MindSpore）为开发平台，通过案例引导与项目驱动相结合的教学模式，系统讲解深度学习技术在实际应用场景的落地实践。本书内容涵盖线性回归、卷积神经网络、循环神经网络及强化学习等典型算法和主流模型，共有10个实践案例贯穿其中，包括图像分类、医学影像分割、文本情感分析、游戏策略优化等。本书特别融入模型可视化、迁移学习、服务化部署等工程化技能，并提供完整的案例代码和实验数据供读者学习。本书主要面向应用型高等学校的工科专业学生（需要具备基础编程能力与数学知识），同时适合希望快速掌握人工智能落地能力的开发者，以及开设“人工智能十X”交叉课程的教师参考。明朝燕浙大城市学院计算机与计算科学学院副教授，浙江大学、浙江工业大学、浙大城市学院硕士研究生导师。博士毕业于新加坡国立大学，师从人工智能领域国际知名学者蔡达成(Chua Tat Seng)教授。长期从事领域知识库构建及领域大模型相关研究。主持或参与“十四五”国家重点研发计划专项课题、新加坡国家重点研究基金项目和浙江省自然科学基金项目等。在SIGIR、1JCAl、AAAI等会议IEEE Transactions on Knowledge and Data Engineering、ACM Transactions on Information System等期刊上发表代表性论文50余篇，获得国际、国内发明专利授权10余项，并完成多项转化。担任CCF大模型论坛执行委员、CCF自然语言处理专业委员会执行委员。金苍宏浙大城市学院计算机与计算科学学院教授、院长助理，人工智能专业负责人，浙江大学、浙江工业大学、浙大城市学院硕士生导师。博士毕业于浙江大学。担任大数据计算技术、人工智能概论、深度学习应用开发、智能软件基础与实践等课程主讲教师，担任华为、谷歌师资培训讲师。获得6项*产学合作项目支持。主要研究方向为城市数字治理、时空轨迹挖掘、智慧交通、生物耐药性等。主持或参与国家级和省级项目10余项，以第一作者身份发表论文20余篇，获得发明专利授权10余项。王军浙大城市学院计算机与计算科学学院副教授。博士毕业于浙江大学，并在上海交通大学从事博士后研究工作。曾在明峰医疗系统股份有限公司任职，具备丰富的从业经验。主要研究方向为医学图像处理与分析、医工交叉以及计算机视觉。担任计算机视觉、深度学习应用开发等课程的主讲教师。主持国家自然科学基金面上项目1项，中国博士后科学基金面上项目1项。在IEEE Transactions on Medical Imaging、Medical Physics、 npj Digital Medicine等期刊上发表多篇论文。获得多项发明专利授权。石龙翔浙大城市学院计算机与计算科学学院人工智能研究所讲师。博士毕业于浙江大学。主要研究方向为人工智能、强化学习。担任Python程序设计与实验、数据结构与算法等课程的主讲教师。主持省级项目2项，以第一作者身份在ACM Transactionson Knowledge Discovery from Data、ACM Transactions on Graphics等期刊和AAMAS等国际会议上发表多篇论文，获得多项专利授权。第 1章　人工智能概述　11.1　感受人工智能时代的到来　11.1.1　人机博弈　11.1.2　宇宙探索　21.1.3　人机对话　21.1.4　计算机视觉　21.1.5　自然语言处理和大语言模型　31.1.6　医疗人工智能　41.1.7　智能交通　51.1.8　机器人　51.2　人工智能发展概述　61.2.1　人工智能起源　61.2.2　人工智能与图灵测试　71.2.3　人工智能发展史　81.3　机器学习　91.3.1　人工智能、机器学习与深度学习　91.3.2　什么是机器学习　91.3.3　机器学习典型求解问题类型　101.4　深度学习　111.4.1　神经元　121.4.2　神经网络　141.4.3　深度神经网络　151.4.4　卷积神经网络　151.4.5　深度学习的发展历程　161.5　深度学习框架　171.5.1　MindSpore　181.5.2　PyTorch　191.5.3　TensorFlow　20练习与思考　20第 2章　MindSpore的安装与基础知识　212.1　MindSpore的安装　212.2　MindSpore基础——张量　232.2.1　张量的创建　232.2.2　张量的属性　242.2.3　张量的索引　252.2.4　张量的运算　252.2.5　张量与NumPy的转换　26练习与思考　26第3章　线性回归问题：MindSpore开发基础　273.1　单变量线性回归案例　273.2　监督学习的基本术语　283.2.1　特征和标签　283.2.2　样本和模型　283.2.3　训练（学习）　283.2.4　损失　283.3　监督学习模型训练的过程与原理　293.3.1　监督学习模型的训练过程　293.3.2　定义损失函数　303.3.3　降低损失与优化　313.3.4　超参数　313.4　自动微分和优化器　313.4.1　牛顿法　313.4.2　GD算法　323.4.3　SGD算法　323.4.4　动量算法　323.4.5　Adam算法　333.5　单变量线性回归的MindSpore实战　333.5.1　导入库与定义可视化函数　333.5.2　构建模型　343.5.3　训练模型　353.5.4　应用模型　36练习与思考　37第4章　波士顿房价预测：多元线性回归问题的建模　384.1　波士顿房价预测问题简介　384.2　数据集的拆分　394.2.1　预防过拟合　394.2.2　数据集拆分：训练集与测试集　394.3　多元线性回归模型　404.4　波士顿房价预测问题的建模　414.4.1　导入库与准备数据　414.4.2　构建模型　434.4.3　训练模型　444.4.4　应用模型　46练习与思考　47第5章　MNIST手写数字识别：全连接神经网络的建模　485.1　多层全连接神经网络　485.1.1　多层全连接神经网络的定义　485.1.2　多层全连接神经网络的计算方式　505.2　MNIST手写数字识别的全连接神经网络建模　525.2.1　单隐藏层全连接神经网络的建模　525.2.2　多层全连接神经网络的建模　57练习与思考　58第6章　CIFAR_10图像识别问题：卷积神经网络与应用　596.1　案例介绍　596.2　从神经网络到卷积神经网络　606.2.1　全连接网络的局限性　606.2.2　卷积神经网络的应用　616.3　卷积神经网络的基本知识　626.3.1　卷积神经网络基本结构　626.3.2　卷积运算　636.3.3　池化操作　686.3.4　卷积步长　706.3.5　卷积神经网络的工作过程　706.3.6　进一步理解卷积　716.3.7　经典卷积神经网络　736.4　MindSpore对卷积神经网络的支持　746.4.1　MindSpore的卷积操作　746.4.2　MindSpore的池化操作　756.4.3　MindSpore对经典模型的支持　766.5　CIFAR_10图像识别案例的MindSpore实现　776.5.1　CIFAR_10数据集下载　776.5.2　模型构建与训练实践　786.5.3　模型保存与加载　81练习与思考　84第7章　卷积神经网络进阶：图像语义分割　857.1　ISIC2016皮肤病分割案例介绍　857.2　从图像分类到语义分割　867.3　UNet语义分割原理　867.3.1　UNet网络结构　867.3.2　分割损失函数　877.3.3　模型性能评价指标　887.4　ISIC2016皮肤病分割案例实践　887.4.1　数据集的下载与封装　887.4.2　UNet网络结构代码实现　917.4.3　UNet训练过程代码实现　937.4.4　UNet性能评估代码实现　95练习与思考　97第8章　猫狗大战：迁移学习及应用　988.1　猫狗大战案例简介　988.2　MindSpore.Dataset　模块　988.2.1　MindRecord数据格式　988.2.2　将JSON文件和图像转化成MindRecord数据格式　1008.2.3　自定义数据集　1018.3　猫狗大战数据集制作　1028.3.1　按标签类别重组文件存放　1028.3.2　读取图像和标签信息　1028.3.3　猫狗大战数据集的建立与探索　1058.4　迁移学习简介　1068.5　基于VGG_16的自定义迁移学习模型构建　1078.5.1　VGG_16模型简介　1078.5.2　构建模型　1088.5.3　训练模型　1108.5.4　模型保存　1148.5.5　进行预测　114练习与思考　115第9章　自然语言处理：循环神经网络应用实践.　1169.1　循环神经网络　1169.1.1　数据的时序与含义　1169.1.2　循环神经网络的基本结构和局限性　1169.1.3　LSTM网络　1179.1.4　GRU　1199.2　自然语言处理的基础知识　1209.2.1　分词技术　1209.2.2　词表示技术　1239.3　LSTM文本分类：电影评论情感分析　.　1269.3.1　IMDb数据集获取　1269.3.2　加载IMDb数据集　1289.3.3　加载预训练词向量　1299.3.4　数据集预处理　1319.3.5　模型构建、训练和评估　1329.4　LSTM十CRF序列标注：中文命名实体识别　1379.4.1　序列标注任务　1379.4.2　条件随机场　1379.4.3　BiLSTM十CRF模型　143练习与思考　146第 10章　强化学习及应用　14710.1　《月球着陆》游戏　14710.2　强化学习的基础知识　14810.2.1　强化学习的基本概念　14810.2.2　强化学习的学习过程　14810.2.3　深度强化学习与DQN算法　15410.3　《月球着陆》游戏MindSpore实践　15510.3.1　模型构建　15610.3.2　经验回放实现　15710.3.3　模型训练　15810.3.4　结果展示　161练习与思考　162第 11章　菜品识别：Web应用　16311.1　菜品识别深度学习模型　16311.1.1　菜品识别数据集获取　16311.1.2　菜品识别模型训练　16511.1.3　菜品识别模型测试与评估　16811.2　菜品识别API　16911.2.1　RESTful API基本介绍　16911.2.2　Flask开发环境配置　17011.2.3　菜品识别API构建　17011.2.4　菜品识别API部署　17111.2.5　菜品识别API curl测试　17211.3　菜品识别Web应用　17311.3.1　Web应用构建　17311.3.2　Web应用测试　17811.3.3　菜品识别Web应用的扩展　180练习与思考　181第 12章　花卉识别App：MindSpore Lite及应用　18212.1　MindSpore Lite　的基础知识　18212.1.1　MindSpore Lite　的基本组成　18212.1.2　MindSpore Lite　的优势　18412.2　MindSpore Lite　模型部署和应用　18412.2.1　模型选择　18512.2.2　模型转换　18512.2.3　模型部署与应用　18612.3　花卉识别模型构建、训练与MindSpore Lite导出　18612.3.1　构建花卉识别模型　18612.3.2　训练花卉识别模型　19412.3.3　MindSpore Lite 格式模型文件导出　19612.4　Android App开发　19612.4.1　获取花卉识别App工程文件　19612.4.2　安装Android开发环境　19812.4.3　打开Example中的App工程　19812.4.4　加入MindSpore Lite模型文件　19912.4.5　填充代码框架　19912.4.6　测试和运行App　203练习与思考　207参考文献　　208