训练生成对抗网络生成图像。

训练一个用自定义学习率计划来分类手写数字的网络。

使用功能而不是图层图或DLNetwork创建和培训深度学习网络。使用功能的优点是描述各种网络的灵活性。缺点是您必须仔细完成更多步骤并准备您的数据。此示例使用手写数字的图像，具有分类数字的双重目标，并从垂直确定每个数字的角度。

训练一个暹罗网络使用降维来比较手写数字。

训练一个暹罗网络来识别类似的手写字符的图像。

使用注意力为图像标题进行深入学习模型。

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的编码器-解码器模型将十进制字符串转换为罗马数字。

使用通用时间卷积网络（TCN）对序列数据进行分类。

设置自定义训练循环以并行培训网络。在这个例子中，并行工人在整个迷你批处理的部分上培训。如果您有GPU，则会在GPU上培训。在培训期间，数据库对象将训练进度信息发送回MATLAB客户端。

在MATLAB中创建一个变分自动编码器(VAE)来生成数字图像。VAE以MNIST数据集的形式生成手绘数字。

使用循环学习率计划和快照合并来列车以对对象的图像进行分类，以获得更好的测试精度。在该示例中，您了解如何使用余弦功能进行学习率计划，在训练期间拍摄网络的快照以创建模型集合，并将L2-Norm正规（重量衰减）添加到培训损失。