深度学习模型的训练，简单来说，就是一个不断优化的过程，它试图通过调整模型内部的参数来最小化预测错误。

这个过程大致可以分为三个步骤：前向传播、计算损失和反向传播。

首先，前向传播是模型接收输入数据并生成预测输出的过程。

在这个过程中，模型会利用已经设定好的参数（也就是我们通常说的权重和偏置）对数据进行计算，并得到一个预测值。

然后，计算损失。

损失函数会衡量模型的预测输出与真实标签之间的差异。

差异越大，损失值就越高。

我们的目标就是找到一种方法，让模型能够尽可能地减少这个损失值。

最后，就是反向传播了。

在这一步，模型会利用梯度下降等优化算法，根据损失值来更新模型的参数。

具体来说，就是计算出损失函数对每个参数的梯度，然后按照梯度的反方向来更新参数。

这样，模型在下一次前向传播时，就能够生成更接近真实标签的预测输出了。

在关键信息提取中，深度学习模型的应用非常广泛。

比如，我们可以使用循环神经网络（RNN）或长短期记忆网络（LSTM）来处理文本数据，通过训练模型来识别并提取文本中的关键信息。

这类模型能够捕捉到文本中的上下文关系，从而更好地理解文本的含义，并准确地提取出关键信息。

此外，卷积神经网络（CNN）在图像处理中的关键信息提取也有着广泛的应用。

总之，深度学习模型的训练是一个不断优化、不断迭代的过程，它能够让模型在大量的数据中学习到有用的信息，并在关键信息提取等任务中发挥重要作用。