一、机器学习训练过的模型能保存吗
可以，记录训练出来的参数值即可，下次直接将输入带入训练好的模型中使用
二、机器学习问题：一个训练样本一定要是一幅图像吗？可以是一个像素吗？一个像素可以提取很多特征吗？
要看你最终要达到什么样的目的。比如CNN网络以图像为训练样本经过卷积变换，pooling,...,卷积变换，pooling最终得到一个一维向量作为一个训练样本进行训练。其最终通过训练大量图片得到分类器模型。而这个模型可以用来进行图像识别。
而你所说的一个像素，当然也可以作为训练样本，只是此时你可能最终的目标并不是进行图像识别，也就是说你想要训练得到的模型的用途就不是图像识别了，可能可以是比如分类两个像素点之间亮度是否相似，或者色调是否相似之类的问题。
一个像素点提取的特征比如RGB值之类的都是可以的。只要是能够获得的信息，都可以作为特征，但是你必须根据你自己最终的需求进行信息选择。
个人也是初学者，有问题望交流指教。
三、数据不够怎么训练深度学习模型
向量机、深度学习是机器学习中的两种大牛的算法。
机器学习关注如何通过依靠数据构建模型或识别模型中的参数，从而使模型的输入和输出与关注的问题域输入输出近似相匹配。
大数据中的一些问题需要机器学习方法支撑。
四、神经网络学习和训练有什么区别
这两个概念实际上是互相交叉的，例如，卷积神经网络（Convolutional neural networks，简称CNNs）就是一种深度的监督学习下的机器学习模型，而深度置信网（Deep Belief Nets，简称DBNs）就是一种无监督学习下的机器学习模型。
深度学习的概念源于人工神经网络的研究。含多隐层的多层感知器就是一种深度学习结构。深度学习通过组合低层特征形成更加抽象的高层表示属性类别或特征，以发现数据的分布式特征表示。
深度学习的概念由Hinton等人于2006年提出。基于深信度网(DBN)提出非监督贪心逐层训练算法，为解决深层结构相关的优化难题带来希望，随后提出多层自动编码器深层结构。此外Lecun等人提出的卷积神经网络是第一个真正多层结构学习算法，它利用空间相对关系减少参数数目以提高训练性能。
五、学人工智能要求高不高？
人工智能对于一般同学而言，其入门门槛相对较高，你虽然只是学会开发语言的使用，但如果你真的想从事人工智能方向，仅凭这一点还是远远不够的。
从事人工智能领域，首先你的数学理论知识要非常的扎实，这样你才能够看懂人工智能所使用到的算法底层原理，因为这其中涉及到大量的数学定理和公式。
其次，你需要熟练掌握机器学习相关算法底层原理的实现，人工智能本质是使用机器学习算法，使用数据进行模型训练，最后将训练出的模型应用到相关领域中。第三点，你要有一定英语基础，因为可能你需要看大量的人工智能相关的算法文献。第四点，你也需要有很强的科研能力，因为你从事人工智能领域，至少要有自己的质量很高的学术论文。
六、如何调整深度学习模型使得趋于平缓的训练继续下降
可以从多种方向进行调整:
1 将损失函数换成交叉熵损失函数，因为训练后期误差较小时，使用均方误差作为损失函数，则梯度越来越小，因此训练进程会越来越平缓。
2使用随机梯度下降法，防止局部收敛
3调小学习率
