训练生成性对抗网络生成图像。

训练一个使用自定义学习速率计划对手写数字进行分类的网络。

使用函数而不是层图或dlnetwork创建和训练一个深度学习网络。使用函数的优点是可以灵活地描述各种各样的网络。缺点是您必须完成更多的步骤并仔细准备数据。本示例使用手写数字的图像，具有对数字进行分类和确定每个数字与垂直的角度的双重目标。

训练暹罗网络使用降维比较手写数字。

训练连体网络识别手写字符的相似图像。

利用注意力训练图像字幕深度学习模型。

对具有多个独立标签的文本数据进行分类。

注意使用循环序列到序列编码器-解码器模型将十进制字符串转换为罗马数字。

使用一个通用的时间卷积网络(TCN)对序列数据的每个时间步进行分类。

建立一个自定义的训练循环来并行地训练网络。在本例中，并行工作人员对整个小批处理的部分进行培训。如果你有一个GPU，那么训练就会在GPU上进行。在培训期间，DataQueue对象将培训进度信息发送回MATLAB客户机。

在MATLAB中创建一个变分自动编码器（VAE）来生成数字图像。VAE生成MNIST数据集样式的手绘数字。

使用循环学习速率计划和快照集成训练网络对目标图像进行分类，以获得更好的测试准确性。在本例中，您将学习如何在学习率计划中使用余弦函数，在训练期间拍摄网络快照以创建模型集成，并将l2范数正则化(权重衰减)添加到训练损失中。