在深度学习框架下，不同模型的算法结构有较大的通用性，如常用于计算机视觉的卷积神经网络模型（CNN）和常用于自然语言处理的长期短期记忆模型(LSTM)，都可以分为组网模块、梯度下降的优化模块和预测模块等。这使得抽象出统一的框架成为了可能，并大大降低了编写建模代码的成本。一些相对通用的模块，如网络基础算子的实现、各种优化算法等都可以由框架实现。建模者只需要关注数据处理，配置组网的方式，以及用少量代码串起训练和预测的流程即可。

只要掌握深度学习必要但少量的理论知识，掌握Python编程即可以在深度学习框架实现非常有效的模型，甚至与该领域最领先的模型不相上下。

深度学习构建模型和完成训练的套路一致（五步法）
数据处理：读取数据然后完成预处理操作（如数据校验、格式转换等等），保证数据可读取。
模型设计：网络结构设计，相当于模型的假设空间，即模型能够表达的关系集合。
训练配置：指定模型采用的寻解算法，即优化器，并指定计算资源。
训练配置：指定模型采用的寻解算法，即优化器，并指定计算资源。
模型保存：将训练好的模型保存，模型预测时调用。