La traducción de esta página aún no se ha actualizado a la versión más reciente. Haga clic aquí para ver la última versión en inglés.

Preprocesamiento de datos de deep learning

Preprocese y administre datos de deep learning

El preprocesamiento de datos suele ser el primer paso del flujo de trabajo de deep learning para preparar datos en bruto 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	Etiquete atributos de señal, regiones y puntos de interés y extraiga características

Temas

Preprocesar datos de deep learning

Data Sets for Deep Learning
Discover data sets for various deep learning tasks.
Create and Explore Datastore for Image Classification
This example shows how to create, read, and augment an image datastore for use in training a deep learning network.
Preprocess Images for Deep Learning
Learn how to resize images for training, prediction, and classification, and how to preprocess images using data augmentation, transformations, and specialized datastores.
Preprocess Volumes for Deep Learning
Read and preprocess volumetric image and label data for 3-D 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.

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.
Label Pixels for Semantic Segmentation (Computer Vision Toolbox)
Label pixels for training a semantic segmentation network by using a labeling app.
Get Started with Ground Truth Labelling (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.

Personalizar almacenes de datos

Datastores for Deep Learning
Learn how to use datastores in deep learning applications.
Prepare Datastore for Image-to-Image Regression
This example shows how to prepare a datastore for training an image-to-image regression network using the transform and combine functions of ImageDatastore.
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.
Classify Out-of-Memory Text Data Using Deep Learning
This example shows how to classify out-of-memory text data with a deep learning network using a transformed datastore.