数据预处理

管理和预处理序列和表格数据以进行深度学习

预处理数据通常作为深度学习工作流中的第一步，旨在将原始数据准备为网络可以接受的格式。例如，您可以对数据进行预处理，以增强所需的特征或减少可能导致网络偏差的伪影。例如，您可以对输入数据进行归一化或去噪。

您可以使用 MATLAB^® 和 Deep Learning Toolbox™ 中提供的数据存储和函数，通过归一化等运算对序列输入进行预处理。其他 MATLAB 工具箱提供了用于标注、处理和增强深度学习数据的函数、数据存储和 App。使用其他 MATLAB 工具箱中的专业工具来处理音频、文本和信号处理等领域的数据。

App

视频标注器	Label video for computer vision applications
真实值标注器	Label ground truth data for automated driving applications
信号标注器	Label signal attributes, regions, and points of interest, and extract features

函数

`transform`	变换数据存储
`combine`	合并来自多个数据存储的数据
`TransformedDatastore`	用于变换基础数据存储的数据存储
`CombinedDatastore`	数据存储会合并从多个基础数据存储读取的数据
`padsequences`	Pad or truncate sequence data to same length (自 R2021a 起)
`minibatchqueue`	Create mini-batches for deep learning (自 R2020b 起)

主题

Import Data into Deep Network Designer
Import and visualize data in Deep Network Designer.
使用深度学习进行序列分类
此示例说明如何使用长短期记忆 (LSTM) 网络对序列数据进行分类。
Train Network with Numeric Features
This example shows how to create and train a simple neural network for deep learning feature data classification.
Train Network with Complex-Valued Data
This example shows how to predict the frequency of a complex-valued waveform using a 1-D convolutional neural network.
Train Sequence Classification Network Using Data With Imbalanced Classes
This example shows how to classify sequences with a 1-D convolutional neural network using class weights to modify the training to account for imbalanced classes.
使用序列数据的自定义小批量数据存储来训练网络
此示例说明如何使用自定义小批量数据存储基于无法放入内存的序列数据来训练深度学习网络。
Datastores for Deep Learning
Learn how to use datastores in deep learning applications.
在 MATLAB 中进行深度学习
通过使用卷积神经网络进行分类和回归来探索 MATLAB 的深度学习能力，包括预训练网络和迁移学习，以及在 GPU、CPU、集群和云上进行训练。
Deep Learning Tips and Tricks
Learn how to improve the accuracy of deep learning networks.
Data Sets for Deep Learning
Discover data sets for various deep learning tasks.