“没有”-在训练期间不要显示情节。

“训练进步”-规划培训进度。该图显示了小批损失和准确性，验证损失和准确性，以及培训进展的附加信息。这个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”—在训练前洗牌一次训练和验证数据。

“永远”—禁止shuffle数据。

“every-epoch”—在每个训练阶段之前洗牌训练数据，在每个网络验证之前洗牌验证数据。如果小批量大小不能均匀地除以训练样本的数量，那么trainNetwork丢弃不适合每个纪元的最终完整小批的训练数据。设置洗牌价值“every-epoch”避免在每个epoch中丢弃相同的数据。

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对应的网络。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，学习率周期性下降。

DropRateFactor-训练过程中学习率下降的乘数

DropPeriod-在训练过程中，从调整到学习速率之间的周期数

真正的-重置输入层归一化统计并在训练时重新计算。

假-当训练时间为空时，计算归一化统计信息。

“人口”—使用人口统计。在训练结束后，软件将训练数据再次遍历，并使用得到的平均值和方差来完成统计。

“移动”-使用更新步骤给出的运行估计估计训练期间的统计数据

在哪里 $${\mu }^{＊}$$和 $${\sigma }^2{}^{＊}$$分别表示更新后的平均值和方差， $${\lambda }_{\mu }$$和 $${\lambda }_{{\sigma }^2}$$分别表示均值衰减值和方差衰减值， $$\stackrel{＾}{\mu }$$和 $$\stackrel{＾}{{\sigma }^2}$$分别表示层输入的均值和方差，和 $$\mu$$和 $${\sigma }^2$$分别表示移动平均值和方差值的最新值。训练后，软件使用最新的移动均值和方差统计值。此选项仅支持CPU和单G万博1manbetxPU培训。

“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”—全局L₂规范,l，比GradientThreshold，然后将所有梯度按……的倍数缩放GradientThreshold /l．全球L₂Norm考虑了所有可学习的参数。

“绝对值”—可学习参数梯度中单个偏导数的绝对值大于GradientThreshold，然后缩放偏导数，使其大小等于GradientThreshold保留偏导数的符号。

“最长”—在每个小批量中填充序列，使其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。这个选项确保不添加任何填充，代价是丢弃数据。

正整数—对于每个小批量，将序列填充到指定长度的最近倍数，该倍数大于最小批量中序列的最长长度，然后将序列分割成指定长度的更小的序列。如果发生分裂，则软件创建额外的小批量。如果完整序列无法装入内存，则使用此选项。或者，尝试通过设置来减少每个小批量的序列数量“MiniBatchSize”选择较低的值。

“对”—在右侧填充或截断序列。序列在同一时间步开始，软件截断或添加填充到序列的结束。

“左”-在左侧填充或截断序列。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，基于默认集群配置文件使用本地并行池。如果当前没有并行池，软件会启动一个并行池，池的大小等于可用gpu的数量。

“平行”-根据默认集群配置文件使用本地或远程并行池。如果当前没有并行池，软件将使用默认的集群配置文件启动一个并行池。如果池可以访问GPU，那么只有拥有唯一GPU的工作者才能进行训练计算。如果池没有gpu，则在所有可用的CPU worker上进行培训。