训练生成对抗网络生成图像。

训练一个用自定义学习速率计划分类手写数字的网络。

使用函数而不是层图或dlnetwork来创建和训练深度学习网络。使用函数的优点是可以灵活地描述各种各样的网络。缺点是您必须完成更多的步骤并仔细准备数据。这个示例使用了手写数字的图像，有两个目标:对数字进行分类和确定每个数字与垂直方向的角度。

训练一个Siamese网络，使用降维来比较手写数字。

训练暹罗网络识别相似的手写字符图像。

训练利用注意力进行图像字幕的深度学习模型。

对具有多个独立标签的文本数据进行分类。

注意使用循环序列对序列编码器-解码器模型将十进制字符串转换为罗马数字。

利用通用时域卷积网络(TCN)对序列数据的每个时间步进行分类。

建立一个自定义训练循环来并行训练一个网络。在这个例子中，并行工作人员对整个小批处理的部分进行培训。如果你有一个GPU，那么训练就在GPU上进行。在训练过程中，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。

训练网络使用循环学习率调度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，您将了解如何使用余弦函数来实现学习率计划，如何在训练期间对网络进行快照以创建模型集成，以及如何在训练损失中添加l2范数正则化(权值衰减)。

训练贝叶斯神经网络(BNN)的图像回归使用贝叶斯反向传播。