1.数据收集导入
                    1.1.数据收集获取
                    1.2.数据集导入
                2.数据预处理=数据基本处理+特征工程
                    2.1.数据基本处理
                        2.1.数据可视化
                        2.2.缺失值/异常值处理
                        2.3.数据集分割
                    2.2.特征工程
                        3.1.特征预处理
                        3.2.特征选择
                        3.3.特征转换
                3.模型训练
                    3.1.构建模型
                        选择合适框架
                            ANN,
                            CNN,
                            RNN, 
                            FCN
                        填充模型
                            模型的层数
                            每层的神经元数量
                            选用的激活函数
                    3.2.编译模型
                        选择损失函数: 用于衡量模型预测值和实际值之间的差距
                        选择优化器: 用于更新模型权重以最小化损失函数
                        避免过拟合: 应用正则化技术, early stopping法等
                    3.3 训练模型
                        将数据输入到模型中进行训练,
                        设置调整超参数，如学习率、批次大小等，来改善模型性能
                4.模型评估与预测
                    4.1.选择合适评估指标, 如分类模型评估指标, 回归模型评估指标
                    4.2.利用训练和测试集分别进行预测和评估深度学习基本流程
             
                     

我会按照个人理解, 更新知识框架

这是我个人对于深度学习模型训练主要流程的认识,

希望可以给同样在求学路上的拼搏的兄弟们一点启发

事先声明啊,  本人在深度学习方面是小白一枚, 想法不成熟

如果有不对的地方, 希望各位能在评论区留言或者直接告诉我, 

i love you哟