Документация

Импорт данных

В Deep Network Designer можно импортировать данные классификации изображений из хранилища данных изображений или папки, содержащей вложенные папки изображений каждого класса. Можно также импортировать и обучить любой объект хранилища данных, который работает с trainNetwork функция. Выберите метод импорта на основе типа используемого хранилища данных.

После импорта Deep Network Designer предоставляет предварительный просмотр импортированных данных, чтобы можно было проверить, что данные соответствуют ожиданиям, до начала обучения. Для данных классификации изображений Deep Network Designer также отображает гистограмму меток классов и случайный выбор изображений из импортированных данных. Можно также выбрать просмотр случайных изображений, принадлежащих 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]);

Увеличение изображения

В случае проблем с классификацией изображений Deep Network Designer предоставляет простые возможности расширения для применения к данным обучения. Откройте диалоговое окно «Импорт данных изображения», выбрав «Импорт данных» > «Импорт данных изображения». Можно выбрать опции для применения случайной комбинации операций отражения, поворота, масштабирования и перевода к учебным данным.

Можно эффективно увеличить объем обучающих данных, применяя рандомизированное увеличение к данным. Увеличение также позволяет обучать сети быть инвариантными к искажениям в данных изображения. Например, можно добавить рандомизированные повороты к входным изображениям, чтобы сеть была инвариантна наличию поворота во входных изображениях. Увеличение данных также может помочь предотвратить переоборудование сети и запоминание точных деталей обучающих изображений. При использовании увеличения данных в течение каждой эпохи обучения используется одна случайно дополненная версия каждого изображения, где эпоха - это полный проход обучающего алгоритма по всему набору обучающих данных. Поэтому каждая эпоха использует несколько другой набор данных, но фактическое количество тренировочных изображений в каждой эпохе не меняется. Дополнительные сведения см. в разделе Создание и исследование хранилища данных для классификации изображений.

Для выполнения более общих и сложных операций предварительной обработки изображений, чем предлагаемые Deep Network Designer, используйте TransformedDatastore и CombinedDatastore объекты. Импортировать CombinedDatastore и TransformedDatastore выберите «Импорт данных» > «Импорт хранилища данных».

Дополнительные сведения об увеличении изображения см. в разделе Изображения предварительной обработки для глубокого обучения.

Данные проверки

В Deep Network Designer можно импортировать данные проверки для использования во время обучения. Данные проверки - это данные, которые сеть не использует для обновления весов и отклонений во время обучения. Поскольку сеть напрямую не использует эти данные, она полезна для оценки истинной точности сети во время обучения. Можно контролировать метрики проверки, такие как потеря и точность, чтобы определить, переоборудуется ли сеть или не подгоняется, и при необходимости скорректировать параметры обучения. Например, если потеря проверки намного выше, чем потеря обучения, то сеть может быть переоборудована.

Дополнительные сведения о повышении точности сетей глубокого обучения см. в разделе Советы и рекомендации по глубокому обучению.

В Deep Network Designer можно импортировать данные проверки: