Preprocesar datos para redes neuronales profundas
En los flujos de trabajo de deep learning, un primer paso habitual es preprocesar los datos para asegurarse de que estén en un formato que la red pueda aceptar. Por ejemplo, puede cambiar el tamaño de la entrada de imagen para que coincida con el tamaño de una capa de entrada de imagen. También puede preprocesar datos para reforzar las características deseadas o reducir artefactos que pueden sesgar la red. Por ejemplo, puede normalizar o eliminar ruido de los datos de entrada.
Puede preprocesar una entrada de imagen mediante operaciones como el cambio de tamaño con almacenes de datos y las funciones disponibles en MATLAB® y Deep Learning Toolbox™. Otras toolboxes de MATLAB ofrecen funciones, almacenes de datos y apps para etiquetar, procesar y aumentar datos de deep learning. Utilice herramientas especializadas de otras toolboxes de MATLAB para procesar datos para dominios como el procesamiento de imágenes, la detección de objetos, la segmentación semántica, el procesamiento de señales, el procesamiento de audio y el análisis de texto.
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 |
| Signal Labeler | Etiquetar atributos de señal, regiones y puntos de interés |
Funciones
imageDatastore | Datastore for image data |
augmentedImageDatastore | Transformar lotes para aumentar datos de imágenes |
imageDataAugmenter | Configurar el aumento de datos de imagen |
transform | Transform datastore |
combine | Combine data from multiple datastores |
augment | Aplicar transformaciones aleatorias idénticas a varias imágenes |
minibatchqueue | Create mini-batches for deep learning |
TransformedDatastore | Datastore to transform underlying datastore |
CombinedDatastore | Datastore to combine data read from multiple underlying datastores |
padsequences | Pad or truncate sequence data to same length (Desde R2021a) |
Temas
Preprocesar datos de deep learning
- Data Sets for Deep Learning
Discover data sets for various deep learning tasks. - Preprocesar imágenes para deep learning
Aprenda a cambiar el tamaño de las imágenes para el entrenamiento, predicción y clasificación, y cómo preprocesar imágenes usando aumento de datos, transformaciones y almacenes de datos especializados. - Preprocess Volumes for Deep Learning
Read and preprocess volumetric image and label data for 3-D deep learning. - Deep learning en MATLAB
Descubra las prestaciones de deep learning en MATLAB utilizando redes neuronales convolucionales para clasificación y regresión, incluidas redes preentrenadas y transferencia del aprendizaje, así como entrenamiento en unidades de procesamiento gráfico (GPU), unidades CPU, clusters y nubes. - Trucos y consejos de deep learning
Aprenda a mejorar la precisión de redes de 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.
Personalizar almacenes de datos
- 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. - Optimize Datastores for Deep Learning Performance
Explore methods for speeding up deep learning workflows that use datastores. - 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. - Train Network Using Custom Mini-Batch Datastore for Sequence Data
This example shows how to train a deep learning network on out-of-memory sequence data using a custom mini-batch datastore.
Etiquetar datos de validación (ground truth) para el entrenamiento
- 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 Labeling (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.
Ejemplos destacados
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.
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.
Classify Out-of-Memory Text Data Using Deep Learning
Classify out-of-memory text data with a deep learning network using a transformed datastore.
Clasificación de secuencias mediante deep learning
Este ejemplo muestra cómo clasificar datos secuenciales mediante una red de memoria de corto-largo plazo (LSTM).
Pronóstico de series de tiempo mediante deep learning
Este ejemplo muestra cómo pronosticar datos de series de tiempo mediante una red de memoria de corto-largo plazo (LSTM).
Entrenar una red neuronal con datos tabulares
En este ejemplo se muestra cómo entrenar una red neuronal con datos tabulares.
Train Network with Complex-Valued Data
Predict the frequency of a complex-valued waveform using a 1-D convolutional neural network.
Train Sequence Classification Network Using Data with Imbalanced Classes
Classify sequences with a 1-D convolutional neural network using class weights to modify the training to account for imbalanced classes.
