深度学习模型建立的整体流程和框架
框架图如下，纵向是建立模型的主要流程，是一个简化且宏观的概念，横向是针对具体模块的延展。
数据处理
数据处理一般涉及到一下五个环节：
读入数据
划分数据集
生成批次数据
训练样本集乱序
校验数据有效性
模型设计 网络结构网络结构指的就是通常所说的神经网络算法中的网络框架，如全连接神经网络，卷积神经网络以及循环神经网络等，不同的网络结构通常有各自最优的处理场景，所以在处理具体问题时选择合适的网络结构是十分重要的。
损失函数损失函数是模型优化的目标，用于在众多的参数取值中，识别出最优的参数。损失函数的计算在训练过程的代码中，每一轮模型训练的过程都相同，分如下三步：
先根据输入特征数据正向计算预测输出
再根据预测值和真实值计算损失（误差）
最后根据损失反向传播梯度并更新参数
损失函数也有很多种，如均方差，交叉熵等，不同的深度学习任务需要有各自适宜的损失函数，具体可以参考该博客机器学习-损失函数
训练配置 优化算法优化算法用来确定参数更新的方式以及快慢，常用的优化算法有如下四个：
随机梯度下降（SGD）：随机梯度下降算法，每次训练少量数据，抽样偏差导致参数收敛过程中震荡。
动量（Momentum）：引入物理“动量”的概念，累积速度，减少震荡，使参数更新的方向更稳定。
AdaGrad： 根据不同参数距离最优解的远近，动态调整学习率。学习率逐渐下降，依据各参数变化大小调整学习率。
Adam： 由于动量和自适应学习率两个优化思路是正交的，因此可以将两个思路结合起来，这就是当前广泛应用的算法。
下面是不同学习率优化算法的示意图：
学习率代表参数更新幅度的大小，即步长。当学习率最优时，模型的有效容量最大，最终能达到的效果最好。学习率和深度学习任务类型有关，合适的学习率往往需要大量的实验和调参经验。探索学习率最优值时需要注意如下两点：
学习率不是越小越好。学习率越小，损失函数的变化速度越慢，意味着我们需要花费更长的时间进行收敛，如 图2 左图所示。
学习率不是越大越好。只根据总样本集中的一个批次计算梯度，抽样误差会导致计算出的梯度不是全局最优的方向，且存在波动。在接近最优解时，过大的学习率会导致参数在最优解附近震荡，损失难以收敛，
深度学习其他知识点 模型优化从上述流程图可以看出，深度学习模型的可以从数据处理、网络结构、损失函数、优化器和资源配置等五个方面进行模型的整体优化，选择最合适的就是最好的。
卷积神经网络尺寸的计算