この例では、敵対的生成ネットワーク （甘）に学習させてイメージを生成する方法を説明します。

この例では、カスタム学習率スケジュールで手書きの数字を分類するネットワークに学習させる方法を示します。

この例では、層グラフまたは数据链路网络ではなく関数を使用して深層学習ネットワークを作成し、学習させる方法を説明します。関数の使用には、幅広いネットワークを記述する柔軟性が得られるという利点があります。欠点は、より多くのステップを実行し、データを慎重に準備しなければならないことです。この例では、手書き数字のイメージと、数字を分類して垂直位置からの各数字の角度を判定する双対目的関数を使用します。

この例では、次元削減を使用して手書きの数字を比較するシャム ネットワークの学習方法を説明します。

この例では、シャム ネットワークに学習させて類似した手書き文字のイメージを特定する方法を説明します。

この例では、アテンションを使用したイメージ キャプション生成のために深層学習モデルを学習させる方法を説明します。

この例では、複数の独立したラベルをもつテキスト データを分類する方法を説明します。

この例では、アテンションを使用した再帰型 顺序对顺序符号化器-復号化器モデルを用いて数字の文字列をローマ数字に変換する方法を説明します。

この例では、ネットワークに並列学習させるためのカスタム学習ループを設定する方法を説明します。この例では、並列ワーカーによりミニバッチの一部で学習が実行されます。GPUがある場合、GPU上で学習が行われます。学習中、数据队列オブジェクトによって、学習の進行状況の情報が MATLABクライアントに送り返されます。

この例では、MATLABで変分自己符号化器 （VAE）を作成して数字のイメージを生成する方法を説明します。VAEは、手書きの数字を MNISTデータセットのスタイルで生成します。

この例では、テスト精度の向上のために周期的な学習率スケジュールとスナップショットのアンサンブルを使用して、オブジェクトのイメージを分類するようにネットワークに学習させる方法を示します。この例では、学習率スケジュールに余弦関数を使用し、学習中にネットワークのスナップショットを取得してモデル アンサンブルを作成し、L2ノルム正則化 (重み減衰) を学習損失に追加する方法を学習します。