“没有”-训练时不要展示情节。

“训练进步”-规划训练进度。图中显示了小批量损失和准确性，验证损失和准确性，以及关于训练进度的附加信息。剧情有一个停止按钮在右上角。点击按钮，停止训练，返回当前网络状态。您可以通过单击将训练图保存为图像或PDF格式出口培训策划．有关训练进度图的更多信息，请参见监控深度学习培训进度．

“一次”—训练前对训练和验证数据进行一次洗牌。

“永远”—不要打乱数据。

“every-epoch”-在每个训练历之前打乱训练数据，在每个网络验证之前打乱验证数据。如果小批次大小不能平均分配训练样本的数量，那么trainNetwork丢弃不适合每个历的最终完整小批处理的训练数据。要避免在每个时代丢弃相同的数据，请设置洗牌培训选项“every-epoch”．

最后一次迭代的-返回上次训练迭代对应的网络。

“best-validation-loss”-返回验证损失最小的训练迭代对应的网络。要使用此选项，必须指定ValidationData培训的选择。

“没有”-在整个训练过程中，学习率是恒定的。

“分段”—在培训过程中，学习率会周期性下降。

DropRateFactor-训练中学习率下降的乘因子

DropPeriod-在训练中调整学习速率之间的时间间隔

1(true) -重置输入层归一化统计数据，并在训练时重新计算。

0(false) -在训练时计算归一化统计值，当它们为空时。

“人口”-使用人口统计数据。训练结束后，软件通过再次遍历训练数据来完成统计，并使用得到的平均值和方差。

“移动”-使用更新步骤给出的运行估计值近似训练期间的统计数据

在哪里 $${\mu }^{＊}$$而且 $${\sigma }^2{}^{＊}$$分别表示更新后的平均值和方差， $${\lambda }_{\mu }$$而且 $${\lambda }_{{\sigma }^2}$$分别为衰减的平均值和方差值， $$\stackrel{＾}{\mu }$$而且 $$\stackrel{＾}{{\sigma }^2}$$分别表示层输入的平均值和方差，和 $$\mu$$而且 $${\sigma }^2$$分别表示移动均值和方差值的最新值。经过训练后，软件使用最新的移动均值和方差统计值。该选项只支持CPU和单个GPU训练。

“l2norm”-如果L₂可学习参数的梯度范数大于GradientThreshold，然后缩放梯度，使L₂规范=GradientThreshold．

“global-l2norm”—如果全局L₂规范,l，大于GradientThreshold，然后将所有梯度缩放为GradientThreshold /l．全球L₂Norm考虑了所有可学习的参数。

“绝对值”-如果可学习参数的梯度中个别偏导数的绝对值大于GradientThreshold，然后缩放偏导数得到模等于GradientThreshold保留偏导数的符号。

“最长”-每个小批中的衬垫序列与最长序列的长度相同。这个选项不会丢弃任何数据，尽管填充会给网络带来噪音。

“最短”-截断每个小批中的序列，使其长度与最短的序列相同。此选项确保不添加填充，但代价是丢弃数据。

正整数——对于每个小批，将序列填充为小批中最长序列的长度，然后将序列分割为指定长度的更小的序列。如果发生分裂，那么软件会创建额外的小批量。如果指定的序列长度没有平均分配数据的序列长度，那么包含这些序列末端的小批次的长度小于指定的序列长度。如果完整序列不适合内存，则使用此选项。或者，尝试减少每个小批处理的序列数量MiniBatchSize选项设置为较低的值。

“正确”-在右侧填充或截断序列。序列开始在同一时间步骤和软件截断或添加填充序列的结尾。

“左”-在左侧填充或截断序列。该软件截断或添加填充序列的开始，以使序列结束在同一时间步骤。

“汽车”—如果有图形处理器，请使用。否则，请使用CPU。

“cpu”—使用CPU。

“图形”—使用GPU。

“multi-gpu”—在一台机器上使用多个gpu，根据默认集群配置文件使用本地并行池。如果当前没有并行池，软件启动一个并行池，池大小等于可用gpu的数量。

“平行”—根据默认集群配置文件使用本地或远程并行池。如果当前没有并行池，软件将使用默认的集群配置文件启动一个并行池。如果池可以访问GPU，那么只有具有唯一GPU的工作者执行训练计算。如果池中没有gpu，那么将对所有可用的CPU工作人员进行培训。

循环层，如LSTMLayer，BiLSTMLayer,或GRULayer对象的时候SequenceLength训练选项是一个正整数

BatchNormalizationLayer对象的时候BatchNormalizationStatistics训练选项设置为“移动”

标量的0来1-每台机器上用于网络训练计算的工人的比例。如果使用启用了后台调度的小批数据存储中的数据来训练网络，那么其余的worker将在后台获取和预处理数据。

正整数-每台机器上用于网络训练计算的工作者数量。如果使用启用了后台调度的小批数据存储中的数据来训练网络，那么其余的worker将在后台获取和预处理数据。

数字向量——并行池中每个工作者的网络训练负载。为一个向量W、工人我获得分数W(我)/ (W)和工作的数量(每个小批次的样例数量)。如果使用启用了后台调度的小批数据存储中的数据来训练网络，那么可以分配一个工作者负载为0来使用该工作者在后台获取数据。指定的向量必须包含并行池中的每个工作者的一个值。

如果不指定路径(即使用默认路径)，则使用默认路径＂＂)，那么该软件就不会保存任何检查点网络。

如果您指定了一个路径，那么trainNetwork将检查点网络保存到此路径，并为每个网络分配唯一的名称。然后，您可以加载任何检查点网络，并从该网络恢复训练。

如果该文件夹不存在，则必须在指定保存检查点网络的路径之前先创建它。如果指定的路径不存在，则trainingOptions返回一个错误。