Предварительная обработка данных глубокого обучения

Управление и предварительная обработка данных для глубокого обучения

Предварительная обработка данных является общим первым шагом в рабочем процессе глубокого обучения, чтобы подготовить необработанные данные в формате, который может принять сеть. Для примера можно изменить размер входа изображения так, чтобы он совпадал с размером слоя входа изображения. Можно также предварительно обработать данные, чтобы улучшить желаемые функции или уменьшить программные продукты, которые могут смещать сеть. Для примера можно нормализовать или удалить шум из входных данных.

Можно предварительно обработать вход изображения с помощью операций, таких как изменение размера, с помощью хранилищ данных и функций, доступных в MATLAB® и Deep Learning Toolbox™. Другие тулбоксы MATLAB предлагают функции, хранилища данных и приложения для маркировки, обработки и увеличения данных глубокого обучения. Используйте специализированные инструменты из других тулбоксов MATLAB для обработки данных в таких областях, как обработка изображений, обнаружение объектов, семантическая сегментация, обработка сигналов, обработка аудио и текстовая аналитика.

Приложения

Image LabelerМаркируйте изображения для приложений компьютерного зрения
Video LabelerМаркируйте видео для приложений компьютерного зрения
Ground Truth LabelerМетка достоверных данных для беспилотных аппаратов
Lidar LabelerМетка достоверных данных в лидар облаков точек
Signal LabelerМаркируйте атрибуты сигнала, области и интересующие точки
Audio LabelerОпределите и визуализируйте метки основной истины

Темы

Предварительная обработка данных глубокого обучения

Наборы данных для глубокого обучения

Обнаружение наборов данных для различных задач глубокого обучения.

Создайте и исследуйте Datastore для классификации изображений

Этот пример показов, как создать, прочитать и увеличить изображение datastore для использования в обучении нейронной сети для глубокого обучения.

Предварительная обработка изображений для глубокого обучения

Узнать, как изменить размер изображений для обучения, предсказания и классификации, и как обработать изображения с помощью увеличения данных, преобразований и специализированных хранилищ данных.

Предварительная обработка томов для глубокого обучения

Считывайте и предварительно обрабатывайте объемное изображение и данные о метках для 3-D глубокого обучения.

Предварительная обработка данных для специфичных для домена применений глубокого обучения

Выполните детерминированную или рандомизированную обработку данных для таких областей, как обработка изображений, обнаружение объектов, семантическая сегментация, обработка сигналов и аудио и текстовая аналитика.

Маркируйте Основная Истина Обучающие Данные

Маркируйте пиксели для семантической сегментации (Computer Vision Toolbox)

Метка пиксели для настройки семантической сети сегментации с помощью приложения для маркировки.

Запуск с Ground Truth Labeler (Automated Driving Toolbox)

Интерактивно помечайте несколько лидаров и видеосигналов одновременно.

Пользовательские функции маркировки (Signal Processing Toolbox)

Создание и управление пользовательскими функциями маркировки.

Маркируйте аудио с помощью Audio Labeler (Audio Toolbox)

Интерактивно определите и визуализируйте метки основной истины для наборов данных аудиоданных.

Настройка хранилищ данных

Datastores для глубокого обучения

Узнайте, как использовать хранилища данных в применениях глубокого обучения.

Подготовьте Datastore для регрессии изображение-изображение

В этом примере показано, как подготовить datastore для настройки сети регрессии изображение-изображение с помощью transform и combine функции ImageDatastore.

Обучите сеть, используя данные последовательности нехватки памяти

Этот пример показов, как обучить нейронную сеть для глубокого обучения на данных последовательности нехватки памяти путем преобразования и объединения хранилищ данных.

Классификация текстовых данных с помощью сверточной нейронной сети

В этом примере показано, как классифицировать текстовые данные с помощью сверточной нейронной сети.

Классификация текстовых данных за пределами памяти с помощью глубокого обучения

В этом примере показано, как классифицировать текстовые данные за пределами памяти с помощью нейронной сети для глубокого обучения с помощью преобразованного datastore.

Для просмотра документации необходимо авторизоваться на сайте