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- 选择真实的（真实价值的HyperParameter），整数（整数估值的HyperParameter），或分类（分类超参数）。

转变- 选择没有一个（没有变换）或日志（对数变换）。为了日志，超参数必须为真实的要么整数和积极的。在对数刻度上搜索和建模QuandExameter。

切段—用于控制网络深度。网络中的总层数为9 * SectionDepth + 7．在实验设置功能中，每层卷积滤波器的数量成比例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- 最好的学习率可以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。

L2Regular化-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。

负载培训数据从CiFar-10数据集下载并提取图像和标签。数据集约为175 MB。根据您的Internet连接，下载过程可能需要一些时间。对于培训数据，此示例创建了一个augmentedImageDatastore通过应用随机翻译和水平反射。数据增强有助于防止网络过度接收和记忆培训图像的确切细节。要启用网络验证，该示例使用5000个没有增强的图像。有关此数据集的更多信息，请参阅图像数据集．

定义网络架构为深度学习分类定义卷积神经网络的架构。在此示例中，培训网络有三个部分，每个部分切段相同的卷积层。每个卷积层之后是批量归一化层和Relu层。卷积层添加了填充，使得它们的空间输出大小总是与输入大小相同。在部分之间，最大池层将空间尺寸下降两倍。为了确保每个卷积层所需的计算量大致相同，滤波器的数量从一个部分到下一个部分增加了两个。每个卷积层中的滤波器的数量成比例1 /√(SectionDepth)，因此不同深度的网络具有大致相同的参数数量，并且需要大约相同的计算量的每次迭代量。

指定培训选项定义A.培训选项使用培训选项的值的实验对象“InitialLearnRate”那“动量”， 和'L2Regularization'由贝叶斯优化算法生成。该示例列举了网络的网络数量的全部的时期，每次时代验证一次，并在最后一个时期期间将学习率降低10倍，以减少参数更新的噪声并允许网络参数恢复到最小值损失功能。

要在实验管理器工具系列上运行一个试验，请单击跑步．

要同时运行多次试验，请单击使用并行然后跑步．如果没有当前并行池，则实验管理器使用默认群集配置文件启动一个。实验经理然后执行多个同时试验，具体取决于可用的并行工作人员的数量。

它预测整个测试集的标签并计算测试错误。由于实验管理器确定了最佳网络而不将网络暴露于整个测试集，因此测试错误可以高于自定义度量的值艰难．

它计算标准错误（testErrorSE）和近似95％的置信区间（testerror95ci.）通过将测试中的每个图像的分类作为具有一定的成功概率的独立事件来处理泛化误差率。使用此假设，错误分类的图像的数量遵循二项式分布。这种方法通常被称为沃尔德方法．

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。