La traduzione di questa pagina non è aggiornata. Fai clic qui per vedere l'ultima versione in inglese.

Pre-elaborazione dei dati

Gestire e pre-elaborare dati sequenziali e tabellari per il Deep Learning

La pre-elaborazione dei dati è un primo passo comune nel workflow di Deep Learning per preparare i dati grezzi in un formato che possa essere accettato dalla rete. Ad esempio, è possibile pre-elaborare i dati per migliorare le feature desiderate o ridurre gli artefatti che possono influenzare la rete. Ad esempio, è possibile normalizzare o rimuovere il rumore dai dati di input.

È possibile pre-elaborare l’input della sequenza con operazioni quali la normalizzazione, utilizzando i datastore e le funzioni disponibili in MATLAB^® e Deep Learning Toolbox™. Altri toolbox MATLAB offrono funzioni, datastore e app per l'etichettatura, l'elaborazione e l'incremento dei dati di Deep Learning. Utilizzare gli strumenti specializzati di altre toolbox MATLAB per elaborare i dati in domini quali l’audio, il testo e l’elaborazione dei segnali.

App

Video Labeler	Label video for computer vision applications
Ground Truth Labeler	Label ground truth data for automated driving applications
Signal Labeler	Label signal attributes, regions, and points of interest, and extract features

Funzioni

`transform`	Transform datastore
`combine`	Combine data from multiple datastores
`TransformedDatastore`	Datastore to transform underlying datastore
`CombinedDatastore`	Datastore to combine data read from multiple underlying datastores
`padsequences`	Pad or truncate sequence data to same length (Da R2021a)
`minibatchqueue`	Create mini-batches for deep learning (Da R2020b)

Argomenti

Classificazione di sequenze utilizzando il Deep Learning
Questo esempio mostra come classificare i dati sequenziali utilizzando una rete con memoria a breve e lungo termine (LSTM).
Train Network with Numeric Features
This example shows how to create and train a simple neural network for deep learning feature data classification.
Train Network with Complex-Valued Data
This example shows how to predict the frequency of a complex-valued waveform using a 1-D convolutional neural network.
Train Sequence Classification Network Using Data with Imbalanced Classes
This example shows how to classify sequences with a 1-D convolutional neural network using class weights to modify the training to account for imbalanced classes.
Train Network Using Custom Mini-Batch Datastore for Sequence Data
This example shows how to train a deep learning network on out-of-memory sequence data using a custom mini-batch datastore.
Datastores for Deep Learning
Learn how to use datastores in deep learning applications.
Deep Learning in MATLAB
Scoprire le capacità del Deep Learning in MATLAB utilizzando le reti neurali convoluzionali per la classificazione e la regressione, incluse le reti preaddestrate e il transfer learning, nonché l’addestramento su GPU, CPU, cluster e cloud.
Deep Learning Tips and Tricks
Learn how to improve the accuracy of deep learning networks.
Data Sets for Deep Learning
Discover data sets for various deep learning tasks.

Esempi in primo piano

Previsione delle serie temporali tramite il Deep Learning

Questo esempio mostra come prevedere i dati delle serie temporali utilizzando una rete con memoria a breve e lungo termine (LSTM).

Apri live script

Train Speech Command Recognition Model Using Deep Learning

Train a deep learning model that detects the presence of speech commands in audio. The example uses the Speech Commands Dataset [1] to train a convolutional neural network to recognize a set of commands.

Apri live script

Chemical Process Fault Detection Using Deep Learning

Use simulation data to train a neural network than can detect faults in a chemical process.

Apri live script