训练卷积神经网络使用MATLAB自动支持并行训练。深度学习训练通常需要数小时或数天。通过并行计算，您可以在本地或云中的集群中使用多个图形处理单元(gpu)加速训练。如果您可以访问具有多个gpu的计算机，那么您可以在数据的本地副本上完成这个示例。如果你想使用更多的资源，那么你可以将深度学习训练扩展到云。要了解关于并行培训选项的更多信息，请参见并行和云中的扩展深度学习。本示例指导您完成使用MATLAB自动并行支持在云中集群中训练深度学习网络的步骤。

在本地机器上使用多个gpu进行深度学习训练，使用自动并行支持。

使用实验管理器训练深度学习网络进行分类。

使用实验管理器训练回归的深度学习网络。

在本地机器上运行多个深度学习实验。使用此示例作为模板，您可以修改网络层和培训选项，以满足您特定的应用程序需求。您可以在单个或多个gpu上使用这种方法。如果你只有一个GPU，网络就会在后台一个接一个地训练。本例中的方法使您能够在进行深度学习实验时继续使用MATLAB®。

使用parfor循环对训练选项执行参数扫描。

使用parfeval对深度学习网络的网络架构深度进行参数扫描，并在训练过程中检索数据。

上传数据到Amazon S3桶。

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。

使用联合学习训练网络。联合学习是一种技术，它使您能够以分布式、去中心化的方式训练网络[1]。

将深度学习培训批作业发送到集群，以便在培训期间可以继续工作或关闭MATLAB。

在Amazon EC2®实例上使用MATLAB®训练云中的深度学习网络。

使用存储在Amazon S3™Bucket中的训练数据训练深度学习模型，并将训练过的模型保存到云中。

通过使用云中的实验管理器对您的深度学习网络进行微调。利用AWS®EC2实例上的多个NVIDIA®高性能gpu并行运行多个实验。调优网络的超参数并尝试不同的网络架构。您可以自动扫描一系列超参数，并保存每个变量的结果。比较你的实验结果，找出最好的网络。