范围-输入一个给出实值或整值超参数下界和上界的双元素向量，或一个列出分类超参数可能值的字符串数组或单元格数组。

类型-挑选真实的(实值hyperparameter),整数(整数值hyperparameter),或明确的(分类hyperparameter)。

使改变-挑选没有一个(没有变换)日志（对数变换）日志，超参数必须为真实的或整数和积极的。超参数在对数尺度上进行搜索和建模。

剖面深度—用于控制网络深度。网络中的总层数为9*截面深度+7．在实验设置函数中，每一层卷积滤波器的数量与1 /√(SectionDepth)，因此，对于不同的剖面深度，每次迭代的参数数量和所需的计算量大致相同。

InitialLearnRate-最佳学习率取决于您的数据以及您正在培训的网络。

动力-随机梯度下降动量通过使当前更新包含与前一个迭代中的更新成比例的贡献，为参数更新增加了惯性。惯性效应导致更平滑的参数更新和降低噪声固有的随机梯度下降。

L2调节-使用L2正则化防止过拟合。搜索正则化强度的空间，找到一个好的值。数据增强和批处理归一化也有助于网络的正则化。

负荷训练数据从CIFAR-10数据集下载并提取图像和标签。数据集大约是175mb。根据你的互联网连接，下载过程可能需要一些时间。对于训练数据，本例创建augmentedImageDatastore通过随机平移和水平反射。数据增强有助于防止网络过度拟合和记忆训练图像的确切细节。为了启用网络验证，本示例使用了5000个没有增强的图像。有关此数据集的更多信息，请参见图像数据集．

定义网络体系结构定义用于深度学习分类的卷积神经网络的体系结构。在这个例子中，要训练的网络有三个部分，每个部分都有剖面深度相同的卷积层。每个卷积层后面都有一个批处理规范化层和一个ReLU层。卷积层添加了填充，以便其空间输出大小始终与输入大小相同。在节之间，最大池层将空间维度的采样率降低两倍。以确保每个卷积层所需的计算量大致相同，从一个部分到下一个部分，滤波器的数量增加了两倍。每个卷积层中滤波器的数量与1 /√(SectionDepth)，因此不同深度的网络具有大致相同数量的参数，每次迭代所需的计算量也大致相同。

指定培训选项定义一个培训选项目的为实验使用值为训练选项“InitialLearnRate”，“动量”和“L2Regularization”由贝叶斯优化算法生成。该示例对网络进行固定次数的历元训练，每个历元验证一次，并在最后一个历元期间将学习率降低10倍，以减少参数更新的噪声，并使网络参数稳定在接近损失函数最小值的位置。

要一次运行一次试验，请在“试验管理器”工具栏上单击运行．

要同时进行多个试验，请单击使用并行然后运行．如果当前没有并行池，实验管理器将使用默认的集群配置文件启动一个。然后，根据可用的并行工作人员的数量，实验管理器执行多个同时的试验。

它预测整个测试集的标签并计算测试错误。因为实验管理器在不向整个测试集公开网络的情况下确定最佳网络，所以测试错误可能高于自定义度量值错误率．

计算标准误差(testErrorSE)大约95%的置信区间(测试仪rROR95CI)的概化错误率，将测试集中的每一幅图像的分类处理为具有一定成功概率的独立事件。使用这个假设，分类错误的图像的数量遵循二项分布。这种方法通常被称为瓦尔德方法．

它显示了一些测试图像以及它们预测的类和这些类的概率。