一、機器學習訓練過的模型能保存嗎

可以，記錄訓練出來的參數值即可，下次直接將輸入帶入訓練好的模型中使用

二、機器學習問題：一個訓練樣本一定要是一幅圖像嗎？可以是一個像素嗎？一個像素可以提取很多特征嗎？

要看你最終要達到什么樣的目的。比如CNN網絡以圖像為訓練樣本經過卷積變換，pooling,...,卷積變換，pooling最終得到一個一維向量作為一個訓練樣本進行訓練。其最終通過訓練大量圖片得到分類器模型。而這個模型可以用來進行圖像識別。

而你所說的一個像素，當然也可以作為訓練樣本，只是此時你可能最終的目標并不是進行圖像識別，也就是說你想要訓練得到的模型的用途就不是圖像識別了，可能可以是比如分類兩個像素點之間亮度是否相似，或者色調是否相似之類的問題。

一個像素點提取的特征比如RGB值之類的都是可以的。只要是能夠獲得的信息，都可以作為特征，但是你必須根據你自己最終的需求進行信息選擇。

個人也是初學者，有問題望交流指教。

三、數據不夠怎么訓練深度學習模型

向量機、深度學習是機器學習中的兩種大牛的算法。

機器學習關注如何通過依靠數據構建模型或識別模型中的參數，從而使模型的輸入和輸出與關注的問題域輸入輸出近似相匹配。

大數據中的一些問題需要機器學習方法支撐。

四、神經網絡學習和訓練有什么區別

這兩個概念實際上是互相交叉的，例如，卷積神經網絡（Convolutional neural networks，簡稱CNNs）就是一種深度的監督學習下的機器學習模型，而深度置信網（Deep Belief Nets，簡稱DBNs）就是一種無監督學習下的機器學習模型。

深度學習的概念源于人工神經網絡的研究。含多隱層的多層感知器就是一種深度學習結構。深度學習通過組合低層特征形成更加抽象的高層表示屬性類別或特征，以發現數據的分布式特征表示。

深度學習的概念由Hinton等人于2006年提出?；谏钚哦染W(DBN)提出非監督貪心逐層訓練算法，為解決深層結構相關的優化難題帶來希望，隨后提出多層自動編碼器深層結構。此外Lecun等人提出的卷積神經網絡是第一個真正多層結構學習算法，它利用空間相對關系減少參數數目以提高訓練性能。

五、學人工智能要求高不高？

人工智能對于一般同學而言，其入門門檻相對較高，你雖然只是學會開發語言的使用，但如果你真的想從事人工智能方向，僅憑這一點還是遠遠不夠的。

從事人工智能領域，首先你的數學理論知識要非常的扎實，這樣你才能夠看懂人工智能所使用到的算法底層原理，因為這其中涉及到大量的數學定理和公式。

其次，你需要熟練掌握機器學習相關算法底層原理的實現，人工智能本質是使用機器學習算法，使用數據進行模型訓練，最后將訓練出的模型應用到相關領域中。第三點，你要有一定英語基礎，因為可能你需要看大量的人工智能相關的算法文獻。第四點，你也需要有很強的科研能力，因為你從事人工智能領域，至少要有自己的質量很高的學術論文。

六、如何調整深度學習模型使得趨于平緩的訓練繼續下降

可以從多種方向進行調整:

1 將損失函數換成交叉熵損失函數，因為訓練后期誤差較小時，使用均方誤差作為損失函數，則梯度越來越小，因此訓練進程會越來越平緩。

2使用隨機梯度下降法，防止局部收斂

3調小學習率