培训生成的对抗性网络以生成图像。

培训一种通过自定义学习率计划分类手写数字的网络。

使用函数而不是层图或DLN网络创建和训练深度学习网络。使用函数的优点是能够灵活地描述各种各样的网络。缺点是您必须完成更多步骤并仔细准备数据。本例使用手写数字的图像，其双重目标是对数字进行分类和确定每个数字与垂直方向的角度。

培训暹罗网络以使用维度减少比较手写数字。

训练暹罗网络以识别手写字符的类似图像。

利用注意力训练图像字幕的深度学习模型。

对具有多个独立标签的文本数据进行分类。

使用重复的序列 - 序列编码器 - 解码器模型将十进制字符串转换为罗马数字。

使用通用时间卷积网络（TCN）对序列数据的每个时间步进行分类。

设置自定义训练循环以并行训练网络。在本例中，并行工人在整个小批量的部分上进行培训。如果你有一个GPU，那么训练就在GPU上进行。在训练期间，DataQueue对象将训练进度信息发送回MATLAB客户端。

在MATLAB中创建一个变形AutiaceOder（VAE）以生成数字图像。VAE以Mnist数据集的样式生成手绘数字。

训练网络使用循环学习速率计划和快照加密对对象图像进行分类，以提高测试精度。在本例中，您将学习如何使用余弦函数作为学习速率计划，在训练期间拍摄网络快照以创建模型集合，并将L2范数正则化（权重衰减）添加到训练损失中。