使用深度学习技术来判断一句话的情感是正面还是负面，可以通过以下步骤进行：

1. 数据准备：首先需要准备大量的文本数据，包括正面和负面情感的数据集。这些数据可以来自于社交媒体、电影评论、新闻文章等。每个数据集应该包含句子及其对应的情感标签（正面或负面）。

2. 数据预处理：在将数据输入模型之前，需要进行一些预处理步骤。这包括将文本数据转换为数值形式，以便模型可以处理。这可以通过使用词嵌入技术（如Word2Vec或BERT）将每个单词或短语转换为向量表示。此外，还需要对数据进行清洗和去噪，以确保数据的准确性。

3. 选择合适的深度学习模型：选择适合处理文本分类问题的深度学习模型。常见的模型包括卷积神经网络（CNN）、循环神经网络（RNN）以及transformer架构（如BERT）等。这些模型可以根据任务的复杂性、数据的规模和特性进行选择。

4. 训练模型：使用选定的深度学习模型对预处理后的数据进行训练。这需要定义损失函数（如交叉熵损失）和优化器（如Adam或SGD），并使用训练数据对模型进行迭代训练，直到达到预设的准确率或其他停止条件。

5. 评估模型：在训练过程中和训练结束后，需要对模型进行评估。这可以通过使用验证集或测试集来评估模型的性能，计算准确率、召回率、F1分数等指标来衡量模型的性能。

6. 调整和优化模型：根据评估结果，可以对模型进行进一步的调整和优化。这包括调整模型的参数、添加更多的特征或使用更复杂的模型结构等。

7. 应用模型：一旦模型训练完成并达到满意的性能，就可以将其应用于新的文本数据中，以判断其情感是正面还是负面。

需要注意的是，深度学习技术需要大量的数据和计算资源来训练和优化模型。此外，由于语言和文化的差异，不同语言和地区的情感表达方式可能存在差异，因此需要根据具体情况进行模型的调整和优化。