Vorverarbeitung von Daten

Verwalten und Vorverarbeiten von Sequenz- und Tabellendaten für Deep Learning

Die Vorverarbeitung von Daten ist ein üblicher erster Schritt im Deep-Learning-Workflow, um die Rohdaten in ein Format zu bringen, das das Netz akzeptieren kann. Sie können Daten beispielsweise vorverarbeiten, um gewünschte Merkmale zu verbessern oder Artefakte zu reduzieren, die das Netz verfälschen können. So können Sie beispielsweise Eingangsdaten normalisieren oder Rauschen entfernen.

Sie können die Sequenzeingabe mit Operationen wie der Normalisierung vorverarbeiten, indem Sie Datastores und Funktionen verwenden, die in MATLAB^® und Deep Learning Toolbox™ verfügbar sind. Andere MATLAB-Toolbox-Produkte bieten Funktionen, Datastores und Anwendungen für die Kennzeichnung, Verarbeitung und Erweiterung von Deep-Learning-Daten. Verwenden Sie spezialisierte Werkzeuge aus anderen MATLABToolbox-Produkten, um Daten für Bereiche wie Audio, Text und Signalverarbeitung zu verarbeiten.

Apps

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

Funktionen

`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 (Seit R2021a)
`minibatchqueue`	Create mini-batches for deep learning (Seit R2020b)

Themen

Sequence Classification Using Deep Learning
This example shows how to classify sequence data using a long short-term memory (LSTM) network.
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
Discover deep learning capabilities in MATLAB using convolutional neural networks for classification and regression, including pretrained networks and transfer learning, and training on GPUs, CPUs, clusters, and clouds.
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.

Enthaltene Beispiele

Time Series Forecasting Using Deep Learning

Forecast time series data using a long short-term memory (LSTM) network.

Live Script öffnen

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.

Live Script öffnen

Chemical Process Fault Detection Using Deep Learning

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

Live Script öffnen