1層のネットワークを訓練する：

層の線形鎖を訓練する：

層の有向グラフを訓練する：

訓練データを規則のリストとして指定する．各規則が入力とそれに対応するターゲット出力を表す：

左辺が入力のリストで右辺が対応するターゲット出力のリストである規則として訓練データを指定する：

キーがポート名である連想として訓練データを指定する：

それぞれが単一の訓練例を表す連想のリストとして訓練データを指定する：

名前付きのデータ集合を使ってネットを訓練する：

行が個々の例であるDatasetとして訓練データを指定する：

訓練中に訓練データを生成する．まず，訓練するネットワークを生成する：

例のバッチを規則のリストとして生成する生成器を定義する：

特定のBatchSizeでこの生成器を使って訓練する：

1ラウンドに付き4回生成器を呼んでラウンドごとに64例生成するように指定する：

訓練セッションのためにNetTrainResultsObjectを入手する：

特定の特性についての結果のオブジェクトについてクエリする：

通常の形でのNetTrainの呼出しを得る：

使用可能な全特性のリストを得る：

たたみ込みネットの訓練中の配列ごとの傾きの重みの大きさの進化のプロットを得る：

MNISTデータ集合で訓練し，個々の例の損失を経過時間とともに記録する：

単一の例に関連付けられた損失を時間とともにプロットする：

各例の平均損失を計算して最も難しい例を求め，損失が最も高かった20の例の指標を取る：

"0"，"3"，"8"，"9"の4つの数字について，損失と誤り率の平均進化を示す：

最終プロットをカスタマイズしたバージョンを作る：

もとの損失プロットを調べる：

ラウンド測定と検証測定だけを使って新たな損失プロットを作る：

対数スケーリングなしで新たな損失プロットを作る：

大きいバッチサイズを使うと，1秒あたりに評価できる例の数も増すことが多い：

バッチサイズを小さくすると1秒間に評価される例の数が少なくなる：

タスクとネットワークによっては，バッチサイズを大きくするとより高い学習率が使用でき，使用可能なハードウェアをより効率的に使用できるようになる．

学習率0.01でネットワークを訓練する：

3層のネットを作って初期化する．訓練は最終層のみを対象とする：

訓練したネットを入力に対して評価する：

初期ネットの第1層は0バイアスから始まっている：

第1層のバイアスは訓練済みのネットでも0のままである：

第3層のバイアスは訓練された：

デフォルトの損失をSoftmaxLayerから生成されていない場合の出力に適用して，MeanSquaredLossLayerを使って単純なネットを訓練する：

訓練されたネットを入力集合について評価する：

ネットワークの出力に付加するためにこれとは異なる損失層を指定する．まず，損失層を作る：

損失層は入力とターゲットを取り，損失を作成する：

この損失層を訓練で使う：

訓練されたネットを入力集合について評価する：

長さ2のベクトルを取りLessかGreaterのどちらかのクラスラベルを作成するネットを作る：

NetTrainはCrossEntropyLossLayerオブジェクトを正しいクラスエンコーダとともに自動的に使う：

訓練されたネットを入力集合について評価する：

ターゲットが各クラスについての確率の形であると期待する明示的な損失層を作る：

こうすると，訓練データは記号クラスではなく確率ベクトルからなるようになる：

訓練されたネットを入力集合について評価する：

訓練される「評価ネット」から始める：

評価ネットワークの損失を明示的に計算する「損失ネット」を作る（ここでは，カスタム損失はMeanSquaredLossLayerに等しい）：

"Loss"という名前の出力ポートを損失として解釈するように指定して，このネットを合成データについて訓練する：

NetExtractを使って訓練された"evaluation"ネットワークを得る：

Part構文を使うこともできる：

ネットの出力をその場でプロットする：

出力と複数の明示的な損失の両方を計算する訓練ネットを作る：

出力と損失を生成するためには，このネットワークには入力とターゲットが必要である：

特定の出力を損失として使って訓練する．その他の出力はすべて無視する：

訓練後に単一のペアについて損失を測る：

一緒に訓練される複数の損失を指定する：

NetTakeを使って希望する入出力以外のすべてを削除する：

このネットワークを入力集合について評価する：

各例を厳密に1回訪れるようにネットワークを訓練する：

MaxTrainingRoundsとTimeGoalの両方が指定されると，両者のうちの短い方が使われる（この例は，初回の前処理によるオーバーヘッドを避けるために2回実行しなければならない点に注意の事）：

運動量のある確率的勾配降下法を使って単純なネットワークを訓練する：

初期学習率を含めて学習率のスケジュールを指定する：

正規化を使って過剰適合を防ぐ．ガウス曲線に基づいて合成訓練データを作る：

訓練例と相対的な大量のパラメータでネットを訓練する：

結果のネットはもとになっている関数に加えてノイズも学習してしまい．データに対して過剰適合となる：

"L2Regularization"オプションを使うと各重みパラメータの平方に比例した損失が注入される．これはより疎な重み行列になりがちであり，したがって過剰適合が軽減される：

可能であればデフォルトのシステムGPUを使ってネットワークを訓練する：

互換GPUが使用できなければ，メッセージが出て$Failedが返される：

ネットワークを約5秒間訓練する：

MNISTデータ集合についての訓練中に，たたみ込みネットの定期的なチェックポイントを取る：

作成したすべてのチェックポイントをリストにする：

最終チェックポイントをインポートする：

TrainingProgressFunctionを使って訓練状態に関する情報をファイルに加える．ログファイルを作る：

ログファイルにバッチ数と損失を加える関数を定義する：

訓練データを定義し，訓練を行う：

ログファイルを読む：

保存されたデータをDatasetに置く：

損失を時間に沿った値の上にプロットする：

最終検証精度とFashionMNISTで訓練されたLeNetの再現率を調べる：

訓練時間の経過による混同行列の変化をアニメーションにする：

訓練中に進捗状況をインタラクティブに表示する：

訓練中に進捗状況を定期的に出力する：

単純な進捗インジケータを表示する：

カスタムの報告を行う：

訓練進捗情報をファイルに書き込む：

進捗状況は報告しない：

確認損失が改善しなくなった場合は，訓練を中止して過剰適合を防ぐ．簡単なネットと訓練データおよび検証データを設定する：

確認損失が改善しなくなった場合は，TrainingStoppingCriterionを使って訓練を停止する：

確認損失が5ランド以上続けて少なくとも0.001改善しなくなったら，TrainingStoppingCriterionを使って訓練を停止する：

コールバック関数を使って訓練を停止する．ネットとデータを設定する：

確認損失が1.75よりも高くなったら訓練を停止する：

生成器と弁別装置の更新を交互に行うことでNetGANOperatorを訓練する：

ValidationSetをNetTrainに与えて過剰適合を防ぐ．ガウス曲線に基づいて合成訓練データを作る：

訓練データと相対的な大量のパラメータでネットを訓練する：

結果のネットはもとになっている関数に加えてノイズも学習してしまい，過剰適合となる：

ValidationSetオプションを使って訓練中に確認損失が最小になったネットをNetTrain に選ばせる．NetTrainは訓練データの20%をランダムに選んで検証集合を作る：

NetTrainが返した結果は，確認損失で測定できるように，検証集合内の点に最もよく一般化されたネットである．訓練データに存在するノイズが検証集合中のノイズと相関しないので，これは過剰適合に不利に働く：

64ビット精度でネットを訓練する：

訓練済みのネットを64ビット精度で評価する：

NVIDIA Tensor Coresのようなハードウェア最適化を利用して，混合精度でネットを訓練する：