Vorverarbeiten von Daten für tiefe neuronale Netze

Verwalten und Vorverarbeiten von Daten für Deep Learning

Die Vorverarbeitung von Daten soll sicherstellen, dass sie in einem Format vorliegen, das das Netz akzeptieren kann, und ist üblicherweise der erste Schritt in Deep-Learning-Workflows. So können Sie beispielsweise die Größe der Bildeingabe an die Größe einer Bildeingabeschicht anpassen. Sie können Daten auch vorverarbeiten, um gewünschte Merkmale zu verbessern oder Artefakte zu reduzieren, die das Netz verfälschen können. So können Sie beispielsweise Eingabedaten normalisieren oder Rauschen entfernen.

Sie können die Bildeingabe mit Operationen wie der Größenänderung vorverarbeiten, indem Sie Datastores und Funktionen verwenden, die in MATLAB^® und der Deep Learning Toolbox™ enthalten sind. Andere MATLAB-Toolboxen bieten Funktionen, Datastores und Anwendungen für die Bezeichnung, Verarbeitung und Erweiterung von Deep-Learning-Daten. Verwenden Sie spezialisierte Werkzeuge aus anderen MATLAB-Toolboxen, um Daten für Bereiche wie Bildverarbeitung, Objekterkennung, semantische Segmentierung, Signalverarbeitung, Audioverarbeitung und Textanalyse zu verarbeiten.

Apps

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 (Seit R2020b)
Signal Labeler	Label signal attributes, regions, and points of interest, and extract features

Funktionen

`imageDatastore`	Datastore for image data
`augmentedImageDatastore`	Transformieren von Stapeln zur Bilddatenerweiterung
`imageDataAugmenter`	Configure image data augmentation
`augment`	Apply identical random transformations to multiple images
`minibatchqueue`	Create mini-batches for deep learning (Seit R2020b)

Themen

Vorverarbeiten von Deep-Learning-Daten

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.
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.

Anpassen von Datastores

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.
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.

Bezeichnen von Ground-Truth-Trainingsdaten

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 Labelling (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.

Enthaltene Beispiele

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.

Live Script öffnen

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.

Live Script öffnen

Classify Out-of-Memory Text Data Using Deep Learning

Classify out-of-memory text data with a deep learning network using a transformed datastore.

Live Script öffnen