如果预先训练过的网络已经执行了所需的任务，则不需要重新训练网络。相反，您可以通过使用分类而且预测功能。

示例请参见使用GoogLeNet对图像进行分类．

如果网络指定为层数组或层图，则trainingOptions函数提供所需的所有选项，然后您可以使用trainNetwork函数。

有关如何重新训练网络的示例(迁移学习)，请参见训练深度学习网络对新图像进行分类．有关如何从零开始训练网络的示例，请参见创建简单的深度学习网络分类．

方法可以控制训练算法细节trainingOptions而且trainNetwork功能。如果trainingOptions函数没有提供任务所需的选项(例如，自定义学习速率计划)，那么可以使用dlnetwork对象。一个dlnetwork对象允许您使用自动区分训练指定为层图的网络。

对于不能使用输出层指定的损耗函数，可以在自定义训练循环中指定损耗。

有关演示如何使用自定义学习速率计划训练网络的示例，请参见使用自定义训练循环训练网络．

多学，多见定义自定义训练循环，损失函数和网络．

对于不能使用层图创建的网络，可以将自定义网络定义为函数。有关演示如何训练定义为函数的深度学习模型的示例，请参见利用模型函数的列车网络．

如果您可以使用层图创建网络的部分，那么您可以将这些部分定义为层图，并使用模型函数将不支持的部分定义为层图。

对于大多数任务，您可以使用或重新训练预先训练过的网络，例如googlenet．

用于MATLAB中预训练深度学习网络的列表^®,请参阅预训练深度神经网络．您可以使用预先训练的网络直接与新数据，或者您可以使用新数据重新训练它们使用迁移学习不同的任务。

如果预先训练过的网络已经执行了您需要的任务，那么您可以直接使用该网络，而无需再训练。例如，您可以使用googlenet网络将图像分类为1000类。要直接使用网络进行预测，请使用分类而且预测功能。示例请参见使用GoogLeNet对图像进行分类．

如果您需要重新训练网络—例如，对一组不同的类进行分类—那么您可以使用迁移学习来重新训练网络。

您可以将大多数深度学习模型指定为层数组或层图。换句话说，您可以将模型定义为一组层，其中层输出连接到其他层输入。

有些网络架构不能定义为层图。例如，Siamese网络需要权值共享，不能定义为层图。对于这些网络，必须将模型定义为函数。示例请参见利用模型函数的列车网络．

对于具有多个输出的网络，必须使用自定义训练循环来训练网络。示例请参见多输出训练网络．

“深度学习工具箱”为深度学习任务提供了许多不同的层。有关层的列表，请参见深度学习层列表．

如果深度学习工具箱提供所需的中间层(网络中间的层)，则可以使用这些层将网络定义为层数组或层图。否则，尝试将任何不支持的层定义为自定义层。有关更多信息，请参见定义自定义深度学习层．

如果“深度学习工具箱”没有提供所需的层，则可以尝试定义自定义深度学习层。有关更多信息，请参见定义自定义深度学习层．

如果你可以为任何不支持的层定义自定义层，那么你可以在层数组或层图中包含这些自定义层。否则，使用函数指定深度学习模型，并使用自定义训练循环训练模型。示例请参见利用模型函数的列车网络．

输出层指定用于训练的损耗函数。“深度学习工具箱”为深度学习任务提供了不同的输出层。例如,classificationLayer而且regressionLayer．有关输出层的列表，请参见输出层页中的部分深度学习层列表．

如果“深度学习工具箱”提供所需的输出层，则可以使用这些层定义层图。否则，尝试将任何不支持的输出层定义为自定义层。有关更多信息，请参见定义自定义深度学习层．

如果“深度学习工具箱”没有提供所需的输出层，则可以尝试定义一个自定义输出层。有关更多信息，请参见定义自定义深度学习层．

如果您可以为任何不支持的输出层定义一个自定义输出层，那么您可以将这些自定义层包含在层数组或层图中。否则，训练模型使用dlnetwork对象和自定义训练循环，并指定自定义丢失函数。示例请参见使用自定义训练循环训练网络．

的trainingOptions函数为定制训练过程提供了许多选项。如果trainingOptions函数提供了训练所需的所有选项，然后可以使用trainNetwork函数。示例请参见创建简单的深度学习网络分类．

如果trainingOptions函数没有提供所需的训练选项，例如，自定义学习速率计划，则可以使用dlnetwork对象。示例请参见使用自定义训练循环训练网络．