网络训练过程中显示的图，指定为:

在命令窗口显示训练进度信息的指示符，指定为1（真正的)或0（假)．

显示的信息包括历元数、迭代数、经过的时间、小批损失、小批准确性和基础学习率。当你训练一个回归网络时，显示的是均方根误差(RMSE)而不是精度。如果您在训练期间验证网络，那么显示的信息还包括验证损失和验证准确性(或RMSE)。

数据类型:逻辑

详细打印的频率，即在打印到命令窗口之间的迭代次数，指定为正整数。此属性仅在详细的值=真正的．

如果你在训练期间验证网络，那么trainNetwork每次验证发生时打印到命令窗口。

用于训练的最大纪元数，指定为正整数。

迭代是梯度下降算法中使用小批量最小化损失函数的一步。epoch是训练算法在整个训练集上的完整通过。

用于每个训练迭代的小批处理的大小，指定为正整数。小批量是训练集的子集，用于评估损失函数的梯度和更新权值。

数据变换选项，指定为以下选项之一:

用于训练期间验证的数据，指定为图像数据存储、以两列表或两列单元格数组、表或单元格数组返回数据的数据存储。验证数据的格式取决于任务的类型，并对应于有效的输入trainNetwork函数。

此选项只支持单一输入的网万博1manbetx络。

图像数据

对于图像数据，指定验证数据为以下数据之一:

序列和时间序列数据

对于序列和时间序列数据，指定验证数据为以下数据之一:

在培训期间,trainNetwork计算验证数据的验证精度和验证损失。要指定验证频率，请使用“ValidationFrequency”名称-值对的论点。您还可以使用验证数据在验证损失停止减少时自动停止训练。要启用自动验证停止，请使用“ValidationPatience”名称-值对的论点。

如果网络的层在预测期间的行为与训练期间的行为不同(例如，退出层)，那么验证的准确性可以高于训练(小批量)的准确性。

将验证数据按照“洗牌”价值。如果“洗牌”值=“every-epoch”，然后在每次网络验证之前对验证数据进行洗牌。

以迭代次数表示的网络验证频率，指定为正整数。

的ValidationFrequency值是验证度量的评估之间的迭代次数。

网络训练的验证停止的耐心，指定为正整数或正．

的“ValidationPatience”值是在网络训练停止前，验证集上的损失可能大于或等于先前最小损失的次数。

用于训练的初始学习率，指定为正标量。如果学习率太低，那么培训需要很长时间。如果学习率过高，那么训练就会达到次优结果。

学习率计划的设置，指定为一个结构。LearnRateScheduleSettings有场方法，指定调整学习率的方法类型。可能的方法有:

如果方法是“分段”,然后LearnRateScheduleSettings包含另外两个字段:

使用指定学习计划速率的设置trainingOptions．

数据类型:结构体

L因素₂正则化器(权值衰减)，指定为非负标量。

你可以为L指定一个乘数₂具有可学习参数的网络层正则化器。

从以前的迭代到当前的迭代的梯度步骤的贡献，指定为从0到1的标量值。0表示前一步没有贡献，1表示前一步贡献最大。有关不同求解器的更多信息，请参见随机梯度下降法．

梯度的正阈值，指定为正标量或正．当梯度值超过GradientThreshold，然后根据渐变进行裁剪GradientThresholdMethod．

梯度阈值方法，用于裁剪超过梯度阈值的梯度值，具体如下:

有关更多信息，请参见梯度剪裁．

选项重置输入层归一化，指定为以下之一:

填充、截断或拆分输入序列的选项，指定为以下之一:

要了解更多关于填充、截断和分割输入序列的效果，请参见序列填充、截断和分割．

填充或截断的方向，指定为下列任一种:

因为LSTM层处理序列数据的时间一步一次，当层OutputMode属性是“最后一次”，最后时间步骤中的任何填充都会对层输出产生负面影响。要在左侧填充或截断序列数据，请设置“SequencePaddingDirection”选项“左”．

对于序列到序列网络(当OutputMode属性是“序列”对于每个LSTM层)，第一个时间步骤中的任何填充都会对较早时间步骤的预测产生负面影响。要在右侧填充或截断序列数据，请设置“SequencePaddingDirection”选项“对”．

要了解更多关于填充、截断和分割输入序列的效果，请参见序列填充、截断和分割．

值，用来填充作为标量指定的输入序列。该选项仅在以下情况下有效SequenceLength是“最长”或者一个正整数。不要用南，因为这样做会在整个网络中传播错误。

培训网络硬件资源，指定为以下之一:

有关何时使用不同执行环境的更多信息，请参见并行和在云中扩展深度学习．

GPU、多GPU和并行选项需要并行计算工具箱™。要使用GPU进行深度学习，还必须有CUDA^®使英伟达^®GPU，计算能力3.0或更高。如果您选择了这些选项之一，但并行计算工具箱或合适的GPU不可用，则软件返回错误。

想要看到并行训练时的表现改善，试着扩大MiniBatchSize和InitialLearnRate培训选项的图形处理器的数量。

训练长短期记忆网络仅支持单CPU或单GPU训练。万博1manbetx

指定使用的执行环境trainingOptions．

数据类型:字符|字符串

gpu或cpu的工作负载划分，指定为从0到1的标量、正整数或数字向量。此属性仅在ExecutionEnvironment值=“multi-gpu”或“平行”．

保存检查点网络的路径，指定为字符向量。

数据类型:字符

在训练期间要调用的输出函数，指定为函数句柄或函数句柄的单元数组。trainNetwork在训练开始之前、每次迭代之后以及训练结束之后调用指定的函数一次。trainNetwork传递一个包含以下字段信息的结构:

如果某个字段对输出函数的某个调用不计算或不相关，则该字段包含一个空数组。

您可以使用输出函数来显示或绘制进度信息，或停止培训。尽早停止训练，让你的输出功能回归真正的．如果有输出函数返回真正的，然后训练结束trainNetwork返回最新的网络。有关如何使用输出函数的示例，请参见自定义深度学习网络训练输出．

数据类型:function_handle|细胞