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。
框架图

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。