Pre-elaborazione dei dati per le reti neurali profonde
La pre-elaborazione dei dati per accertarsi che siano in un formato accettabile da parte della rete è un primo passo abituale nei workflow di Deep Learning. Ad esempio, si possono ridimensionare le immagini di input per farle corrispondere alle dimensioni di un livello di input di immagini. È anche 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 le immagini di input con operazioni quali il ridimensionamento, 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 strumenti specializzati di altri toolbox MATLAB per elaborare i dati per domini quali l'elaborazione delle immagini, il rilevamento di oggetti, la segmentazione semantica, l'elaborazione dei segnali, l'elaborazione dell'audio e l'analisi dei testi.
App
| Image Labeler | Label images for computer vision applications |
| Video Labeler | Label video for computer vision applications |
| Ground Truth Labeler | Label ground truth data for automated driving applications |
| Lidar Labeler | Label ground truth data in lidar point clouds |
| Signal Labeler | Label signal attributes, regions, and points of interest |
Funzioni
imageDatastore | Datastore for image data |
augmentedImageDatastore | Trasformare i batch per aumentare i dati dell’immagine |
imageDataAugmenter | Configure image data augmentation |
transform | Transform datastore |
combine | Combine data from multiple datastores |
augment | Applicare trasformazioni casuali identiche a più immagini |
minibatchqueue | Create mini-batches for deep learning |
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) |
Argomenti
Pre-elaborazione dei dati di Deep Learning
- Data Sets for Deep Learning
Discover data sets for various deep learning tasks. - Preprocess Images for Deep Learning
Learn how to resize images for training, prediction, and classification, and how to preprocess images using data augmentation, transformations, and specialized datastores. - Preprocess Volumes for Deep Learning
Read and preprocess volumetric image and label data for 3-D deep learning. - 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. - Preprocess Data for Domain-Specific Deep Learning Applications
Perform deterministic or randomized data processing for domains such as image processing, object detection, semantic segmentation, signal and audio processing, and text analytics.
Personalizzazione dei datastore
- Datastores for Deep Learning
Learn how to use datastores in deep learning applications. - Train Network Using Out-of-Memory Sequence Data
This example shows how to train a deep learning network on out-of-memory sequence data by transforming and combining datastores. - Classify Text Data Using Convolutional Neural Network
This example shows how to classify text data using a convolutional neural network. - Optimize Datastores for Deep Learning Performance
Explore methods for speeding up deep learning workflows that use datastores. - Develop Custom Mini-Batch Datastore
Create a fully customized mini-batch datastore that contains training and test data sets for network training, prediction, and classification. - 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.
Etichettatura dei dati di addestramento della verità di base
- Choose an App to Label Ground Truth Data
Decide which app to use to label ground truth data: Image Labeler, Video Labeler, Ground Truth Labeler, Lidar Labeler, Signal Labeler, or Medical Image Labeler. - Get Started with Ground Truth Labeling (Automated Driving Toolbox)
Interactively label multiple lidar and video signals simultaneously. - Custom Labeling Functions (Signal Processing Toolbox)
Create and manage custom labeling functions. - Label Spoken Words in Audio Signals (Signal Processing Toolbox)
Use Signal Labeler to label spoken words in an audio signal. - Label Pixels for Semantic Segmentation (Computer Vision Toolbox)
Label pixels for training a semantic segmentation network by using a labeling app.
Esempi in primo piano
Create and Explore Datastore for Image Classification
Create, read, and augment an image datastore for use in training a deep learning network. In particular, this example shows how to create an ImageDatastore object from a collection of images, read and extract the properties of the datastore, and create an augmentedImageDatastore for use during training.
Prepare Datastore for Image-to-Image Regression
Prepare a datastore for training an image-to-image regression network using the transform and combine functions of ImageDatastore.
Classify Out-of-Memory Text Data Using Deep Learning
Classify out-of-memory text data with a deep learning network using a transformed datastore.
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).
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).
Train Neural Network with Tabular Data
Train a neural network with tabular data.
Train Network with Complex-Valued Data
Predict the frequency of a complex-valued waveform using a 1-D convolutional neural network.
Train Sequence Classification Network Using Data with Imbalanced Classes
Classify sequences with a 1-D convolutional neural network using class weights to modify the training to account for imbalanced classes.
