我的工程实践是《基于深度学习的手写汉字识别》，接下来我会基于这个课题，来详细阐述一下整个领域建模的过程。
1.收集应用领域的信息
（1）课题背景
在上个世纪60年代，美国IBM公司开始进行了对印刷体汉字的模式识别研究工作，1996年Casey和Nag用模板匹配法成功的识别出了1000个印刷体汉字，在全球范围内，汉字识别开始展开了。而就在这个时候，研究界对手写汉字识别也掀起了高潮。因为汉字在日语中占有一定的地位，手写体汉字识别（HCCR）在一开始是由日本率先尝试研究的，在80年代，国内开始了对手写汉字的研究，因为汉语作为我们的母语，汉字主要在我国广泛使用，对汉字的种类、内涵、造字原理国内的掌握情况较透彻，所以关于手写汉字识别的深入研究主要集中在国内。
（2）功能需求
一般而言，传统的手写中文单字识别系统主要包括数据预处理、特征提取和分类识别三部分。然而，近些年来，传统的手写汉字识别框架进展并不明显，原地踏步，急需寻找其它的解决方案。而深度学习正满足了手写汉字识别革新需求。实践证明，在深度学习技术协助下，联机HCCR、脱机HCCR的识别率都大为提升，同原有的识别技术相比进步非常明显，这也是我的工程实践的方向。通过深度学习中的神经网络模型进行训练，最终获得一个较高的识别率。
2.头脑风暴
(1)重要的应用领域概念
深度学习：深度学习是学习样本数据的内在规律和表示层次，这些学习过程中获得的信息对诸如文字，图像和声音等数据的解释有很大的帮助。它的最终目标是让机器能够像人一样具有分析学习能力，能够识别文字、图像和声音等数据。 深度学习是一个复杂的机器学习算法，在语音和图像识别方面取得的效果，远远超过先前相关技术。
神经网络：人工神经网络（Artificial Neural Networks，简写为ANNs）也简称为神经网络（NNs）或称作连接模型（Connection Model），它是一种模仿动物神经网络行为特征，进行分布式并行信息处理的算法数学模型。这种网络依靠系统的复杂程度，通过调整内部大量节点之间相互连接的关系，从而达到处理信息的目的。
CNN：卷积神经网络（Convolutional Neural Networks, CNN）是一类包含卷积计算且具有深度结构的前馈神经网络（Feedforward Neural Networks），是深度学习（deep learning）的代表算法之一 。卷积神经网络具有表征学习（representation learning）能力，能够按其阶层结构对输入信息进行平移不变分类（shift-invariant classification），因此也被称为“平移不变人工神经网络（Shift-Invariant Artificial Neural Networks, SIANN）” 。
数据预处理：数据预处理（data preprocessing）是指在主要的处理以前对数据进行的一些处理。如对大部分地球物理面积性观测数据在进行转换或增强处理之前，首先将不规则分布的测网经过插值转换为规则网的处理，以利于计算机的运算。另外，对于一些剖面测量数据，如地震资料预处理有垂直叠加、重排、加道头、编辑、重新取样、多路编辑等。
（2）上面概念的属性以及之间的关系
深度学习与神经网络的关系：
深度学习的概念源于人工神经网络的研究。深度学习是为了让层数较多的多层神经网络可以训练，能够工作而演化出来的一系列的新的结构和新的方法。（如BP算法、梯度下降算法）
深度学习与数据预处理的关系：
以卷积神经网络为例，未经过预处理的图像数据是无法通过卷积神经网络进行卷积操作的。图像预处理是一个复杂的过程，可能需要对图像进行灰度化、直方图均衡化、提取特征、resize图像的大小等等以达到输入的要求。因此数据预处理往往是在训练模型之前必须经过的操作，只有预处理后的数据才能够喂入神经网络来训练模型。
下面是我的工程实践需要训练的一个HCCR-Googlenet模型
（3）对领域概念进行分类（关联、继承、聚合）
可大体分为三类：
1.图像预处理类
属性：训练集图像、测试集图像
方法：图像灰度化（二值化）、直方图均衡化、图像翻转、对比度增强、特征提取
2.神经网络模型类
属性：Googlenet、Resnet、HCCR-Googlenet等CNN神经网络
方法：梯度下降法、BP算法、交叉验证方法等等
3.验证结果类
属性：验证集图像
方法：图像预处理、召回率计算、精确度计算、loss计算、绘制学习图像
（4）使用UML类图记录结果
