Документация

Импортируйте данные

В Deep Network Designer можно импортировать данные о классификации изображений от datastore изображений или папки, содержащей подпапки изображений от каждого класса. Можно также импортировать и обучить любой объект datastore, который работает с trainNetwork функция. Выберите метод импорта на основе типа datastore, который вы используете.

После импорта Deep Network Designer обеспечивает предварительный просмотр импортированных данных так, чтобы можно было проверять, что данные как ожидалось до обучения. Для данных о классификации изображений Deep Network Designer также отображает гистограмму меток класса и случайный выбор изображений из импортированных данных. Можно также принять решение видеть, что случайные изображения принадлежат определенному классу.

dataFolder = fullfile(toolboxdir('nnet'),'nndemos', ... 
'nndatasets','DigitDataset');

imds = imageDatastore(dataFolder, ...
    'IncludeSubfolders',true, ...
    'LabelSource','foldernames');

dataFolder = fullfile(toolboxdir('nnet'),'nndemos', ... 
'nndatasets','DigitDataset');

imds = imageDatastore(dataFolder, ...
    'IncludeSubfolders',true, ...
    'LabelSource','foldernames');

imageAugmenter = imageDataAugmenter( ...
    'RandRotation',[1,2]);
augimds = augmentedImageDatastore([28 28],imds, ...
'DataAugmentation',imageAugmenter);

augimds = shuffle(augimds);

dataFolder  = fullfile(toolboxdir('vision'), ...
'visiondata','triangleImages');

imageDir = fullfile(dataFolder,'trainingImages');
labelDir = fullfile(dataFolder,'trainingLabels');

imds = imageDatastore(imageDir);
classNames = ["triangle","background"];
labelIDs   = [255 0];

pxds = pixelLabelDatastore(labelDir,classNames,labelIDs);
cds = combine(imds,pxds);

pximds = pixelLabelImageDatastore(imds,pxds);

dataFolder = fullfile(toolboxdir('nnet'),'nndemos', ... 
'nndatasets','DigitDataset');

imds = imageDatastore(dataFolder, ...
    'IncludeSubfolders',true, ....
    'LabelSource','foldernames');

imds = transform(imds,@(x) rescale(x));
imdsNoise = transform(imds,@(x) {imnoise(x,'Gaussian',0.2)});

cds = combine(imdsNoise,imds);
cds = shuffle(cds);

[XTrain,~,YTrain] = digitTrain4DArrayData;

ads = arrayDatastore(XTrain,'IterationDimension',4, ...
 'OutputType','cell');
adsAngles = arrayDatastore(YTrain,'OutputType','cell');

cds = combine(ads,adsAngles);

dataFolder = fullfile(toolboxdir('images'),'imdata');

imds = imageDatastore(dataFolder,'FileExtensions',{'.jpg'});

dnds = denoisingImageDatastore(imds,...
    'PatchesPerImage',512,...
    'PatchSize',50,...
    'GaussianNoiseLevel',[0.01 0.1]);

Отобразите увеличение

Для проблем классификации изображений Deep Network Designer предоставляет простые возможности увеличения применяться к обучающим данным. Откройте диалоговое окно Import Image Data путем выбора Import Data> Import Image Data. Можно выбрать опции, чтобы применить случайную комбинацию отражения, вращения, перемасштабирования и операций перевода к обучающим данным.

Можно эффективно увеличить сумму обучающих данных путем применения рандомизированного увеличения к данным. Увеличение также позволяет вам обучить нейронные сети, чтобы быть инвариантными к искажениям в данных изображения. Например, можно добавить рандомизированные вращения, чтобы ввести изображения так, чтобы сеть была инвариантной к присутствию вращения во входных изображениях. Увеличение данных может также помочь препятствовать тому, чтобы сеть сверхсоответствовала и запомнила точные детали учебных изображений. Когда вы используете увеличение данных, одна случайным образом увеличенная версия каждого изображения используется в течение каждой эпохи обучения, где эпоха является всей передачей алгоритма настройки по целому обучающему набору данных. Поэтому каждая эпоха использует немного отличающийся набор данных, но фактическое количество учебных изображений в каждую эпоху не изменяется. Для получения дополнительной информации смотрите, Создают и Исследуют Datastore для Классификации Изображений.

Чтобы выполнить более общие и комплексные операции предварительной обработки изображений, чем предлагаемые Deep Network Designer, используйте TransformedDatastore и CombinedDatastore объекты. Импортировать CombinedDatastore и TransformedDatastore объекты, выберите Import Data> Import Datastore.

Для получения дополнительной информации об увеличении изображений смотрите, Предварительно обрабатывают Изображения для Глубокого обучения.

Данные о валидации

В Deep Network Designer можно импортировать данные о валидации, чтобы использовать во время обучения. Данные о валидации являются данными, которые сеть не использует, чтобы обновить веса и смещения во время обучения. Когда сеть непосредственно не использует эти данные, это полезно для оценки истинной точности сети во время обучения. Можно контролировать метрики валидации, такие как потеря и точность, чтобы оценить, если сеть сверхсоответствует или underfitting, и настройте опции обучения как требуется. Например, если потеря валидации намного выше, чем учебная потеря, то сетевая сила сверхсоответствовать.

Для получения дополнительной информации об улучшении точности нейронных сетей для глубокого обучения смотрите Советы Глубокого обучения и Приемы.

В Deep Network Designer можно импортировать данные о валидации: