前面的章节介绍了神经网络 (neural network)的主要思想，包括其结构、激活函数 (activation function)、损失指标以及梯度下降 (gradient descent)和反向传播 (backpropagation)等优化方法。本章从理论转向实践，侧重于搭建和训练深度神经网络模型的工作流程。

你将使用 TensorFlow/Keras 或 PyTorch 等常用深度学习 (deep learning)框架来逐层定义模型架构。涵盖的主要步骤包括准备和预处理输入数据、有效权重 (weight)初始化的方法、通过指定损失函数 (loss function)和优化器来编译模型、执行训练循环、通过损失和准确度指标监控进展，最后，在独立的测试数据上评估训练好的模型。一个涉及图像分类的实践练习将为你提供这些步骤的动手实践。