训练生成对抗网络生成图像。

训练一个网络，用自定义的学习率计划分类手写数字。

通过使用函数而不是层图或图形来创建和训练深度学习网络dlnetwork．使用函数的优点是可以灵活地描述各种各样的网络。缺点是必须完成更多的步骤并仔细准备数据。这个例子使用了手写数字的图像，它有两个目标，一是对数字进行分类，二是确定每个数字与垂直方向的角度。

训练暹罗网络使用降维比较手写数字。

训练暹罗网络识别相似的手写字符图像。

训练一个利用注意力进行图像配图的深度学习模型。

对具有多个独立标签的文本数据进行分类。

注意使用循环序列到序列编码器-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。

设置一个自定义训练循环来并行训练一个网络。在本例中，并行工作者在整个小批的部分上进行训练。如果你有一个GPU，那么训练就在GPU上进行。在培训期间，DataQueue对象将训练进度信息发送回MATLAB客户端。

训练一个深度学习变分自编码器(VAE)来生成图像。

训练一个网络，使用循环学习率计划和快照集成来分类对象的图像，以获得更好的测试准确性。在本例中，您将学习如何使用余弦函数来设置学习率计划，在训练期间对网络进行快照以创建模型集成，并将l2范数正则化(权值衰减)添加到训练损失中。

利用Bayes by Backpropagation训练贝叶斯神经网络(BNN)进行图像回归。