Предварительная обработка данных является общим первым шагом в рабочем процессе глубокого обучения, чтобы подготовить необработанные данные в формате, который может принять сеть. Например, можно изменить размер входа изображений, чтобы совпадать с размером входного слоя изображений. Можно также предварительно обработать данные, чтобы улучшить желаемые функции или уменьшать артефакты, которые могут сместить сеть. Например, можно нормировать или удалить шум из входных данных.
Можно предварительно обработать вход изображений с операциями, такими как изменение размеров при помощи 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 о глубоком обучении. Используйте специализированные инструменты от других тулбоксов MATLAB, чтобы обработать данные для областей, таких как обработка изображений, обнаружение объектов, семантическая сегментация, обработка сигналов, обработка аудиоданных и текстовая аналитика.
| Image Labeler | Пометьте изображения для приложений компьютерного зрения |
| Video Labeler | Пометьте видео для приложений компьютерного зрения |
| Ground Truth Labeler | Пометьте достоверные данные для автоматизированных ведущих приложений |
| Lidar Labeler | Пометьте достоверные данные в облаках точек лидара |
| Signal Labeler | Пометьте атрибуты сигнала, области и интересные места |
| Audio Labeler | Задайте и визуализируйте метки основной истины |
Наборы данных для глубокого обучения
Узнайте наборы данных для различных задач глубокого обучения.
Создайте и исследуйте Datastore для классификации изображений
В этом примере показано, как создать, читайте и увеличьте datastore изображений для использования в обучении нейронная сеть для глубокого обучения.
Предварительно обработайте изображения для глубокого обучения
Узнать, как, чтобы изменить размер изображений для обучения, предсказания и классификации, и как предварительно обработать изображения с помощью увеличения данных, преобразований и специализированных хранилищ данных.
Предварительно обработайте объемы для глубокого обучения
Считайте и предварительно обработайте объемное изображение и пометьте данные для 3-D глубокого обучения.
Предварительно обработайте данные для проблемно-ориентированного применения глубокого обучения
Выполните детерминированную или рандомизированную обработку данных для областей, таких как обработка изображений, обнаружение объектов, семантическая сегментация, обработка сигналов и обработка аудиоданных и текстовая аналитика.
Выберите приложение, чтобы пометить достоверные данные
Решите который приложение использовать, чтобы пометить достоверные данные: Image Labeler, Video Labeler, Ground Truth Labeler, Lidar Labeler, Signal Labeler или Audio Labeler.
Маркируйте Pixels for Semantic Segmentation (Computer Vision Toolbox)
Пометьте пиксели для того, чтобы обучить сеть семантической сегментации при помощи приложения для маркировки.
Начало работы с Ground Truth Labeler (Automated Driving Toolbox)
Интерактивно помечайте несколько лоцируют и видеосигналы одновременно.
Пользовательские функции маркировки (Signal Processing Toolbox)
Создайте и управляйте пользовательскими функциями маркировки.
Маркируйте Audio Using Audio Labeler (Audio Toolbox)
В интерактивном режиме задайте и визуализируйте метки основной истины для аудио наборов данных.
Хранилища данных для глубокого обучения
Узнать, как использовать хранилища данных в применении глубокого обучения.
Подготовьте Datastore к регрессии от изображения к изображению
В этом примере показано, как подготовить datastore к обучению сеть регрессии от изображения к изображению использование transform и combine функции ImageDatastore.
Обучите сеть Используя данные о последовательности из памяти
В этом примере показано, как обучить нейронную сеть для глубокого обучения на данных о последовательности из памяти путем преобразования и объединения хранилищ данных.
Классифицируйте текстовые данные Используя сверточную нейронную сеть
В этом примере показано, как классифицировать текстовые данные с помощью сверточной нейронной сети.
Классифицируйте текстовые данные из памяти Используя глубокое обучение
В этом примере показано, как классифицировать текстовые данные из памяти с нейронной сетью для глубокого обучения с помощью преобразованного datastore.