“没有”—训练过程中严禁展示情节。

“训练进步”-情节训练进度。该图显示了小批损失和准确性，验证损失和准确性，以及关于训练进度的附加信息。该情节有一个停止按钮在右上角。点击按钮停止训练，返回网络当前状态。

“一次”-在培训前对培训和验证数据进行一次洗牌。

“永远”—禁止数据shuffle。

“every-epoch”-在每个训练纪元之前洗牌训练数据，在每个网络验证之前洗牌验证数据。如果小批量大小没有平均分配训练样本的数量，则trainNetwork丢弃不适合每个epoch的最后完整小批的训练数据。设置洗牌价值“every-epoch”避免在每个纪元丢弃相同的数据。

最后一次迭代的-返回上次训练迭代对应的网络。

“best-validation-loss”-返回验证损失最小的训练迭代所对应的网络。若要使用此选项，必须指定“ValidationData”．

“没有”-在整个训练过程中，学习率是恒定的。

“分段”—在训练过程中，学习率会周期性下降。

DropRateFactor-在训练期间学习率下降的乘法因子

DropPeriod-在训练过程中，调整到学习率之间所经过的epoch数

真正的-重置输入层归一化统计数据，并在训练时重新计算。

假-当训练时间统计数据为空时，计算归一化统计数据。

“人口”-使用人口统计数据。训练结束后，软件通过再次传递训练数据来完成统计，并使用得到的平均值和方差。

“移动”-使用更新步骤给出的运行估计来估计训练期间的统计数据

在哪里 $${\mu }^{＊}$$而且 $${\sigma }^2{}^{＊}$$分别表示更新后的均值和方差， $${\lambda }_{\mu }$$而且 $${\lambda }_{{\sigma }^2}$$分别表示均值和方差衰减值， $$\stackrel{＾}{\mu }$$而且 $$\stackrel{＾}{{\sigma }^2}$$分别表示层输入的平均值和方差，和 $$\mu$$而且 $${\sigma }^2$$分别表示移动平均值和方差值的最新值。训练后，软件使用移动平均值和方差统计的最新值。此选项仅支持CPU和单G金宝appPU训练。

“l2norm”-如果L₂可学习参数的梯度范数大于GradientThreshold，然后缩放梯度，使L₂规范=GradientThreshold．

“global-l2norm”—如果全局L₂规范,l，大于GradientThreshold，然后将所有梯度按倍缩放GradientThreshold /l．全局L₂Norm考虑所有可学习参数。

“绝对值”-如果一个可学习参数的梯度中个别偏导数的绝对值大于GradientThreshold，然后将偏导数缩放为GradientThreshold保留偏导数的符号。

“最长”-每个小批中的衬垫序列与最长序列具有相同的长度。这个选项不会丢弃任何数据，尽管填充会给网络带来噪声。

“最短”-截断每个小批中的序列，使其长度与最短序列相同。此选项确保不添加填充，但要以丢弃数据为代价。

正整数-对于每个迷你批，将序列填充到指定长度的最近倍数，该倍数大于迷你批中最长的序列长度，然后将序列分割为指定长度的更小序列。如果发生分裂，那么软件将创建额外的小批。如果完整序列不适合内存，请使用此选项。或者，尝试通过设置。来减少每个小批的序列数“MiniBatchSize”选择较低的值。

“对”-填充或截断右边的序列。序列在同一时间步开始，软件截断或增加填充序列的结束。

“左”-填充或截断左边的序列。该软件截断或添加填充到序列的开始，以便序列在同一时间步结束。

“汽车”—如果有图形处理器，请使用图形处理器。否则请使用CPU。

“cpu”—使用CPU。

“图形”—使用GPU。

“multi-gpu”—在一台机器上使用多个gpu，使用基于默认集群配置文件的本地并行池。如果当前没有并行池，软件将启动一个大小等于可用gpu数量的并行池。

“平行”—根据默认集群配置文件，使用本地或远端并行池。如果当前没有并行池，软件将使用默认集群配置文件启动一个并行池。如果池可以访问GPU，那么只有具有唯一GPU的工作者才能执行训练计算。如果池中没有gpu，则对所有可用的CPU worker进行培训。