深度学习的数据集- MATLAB和Simulink万博1manbetx - 万博1manbetx,s manbetx 845,万博尤文图斯

深度学习的数据集

使用这些数据集开始深度学习应用程序。

图像数据集

数据集描述任务

数据集	描述	任务
数字	数字数据集由10,000张合成的手写数字灰度图像组成。每个图像是28 × 28像素，并有一个相关的标签表示图像所代表的数字(0-9)。每个图像都被旋转了一定的角度。当以数组形式加载图像时，还可以加载图像的旋转角度。将数字数据作为内存中的数字阵列加载`digittrain4darraydata.`和`digittest4darraydata.`功能。 [XTrain, YTrain anglesTrain] = digitTrain4DArrayData;[XTest,欧美,anglesTest] = digitTest4DArrayData; 关于如何处理这些数据进行深度学习的例子，请参见监测深度学习培训进度和训练卷积神经网络用于回归．	图像分类和图像回归
使用使用的图像数据存储将数字数据加载`图像数据存储`函数并指定包含图像数据的文件夹。 datafolder = fullfile（toolboxdir（“nnet”)，“nndemos”那“nndatasets”那“DigitDataset”)；imds=图像数据存储（数据文件夹，．..'insertumbfolders'，真的，．..．“LabelSource”那“foldernames”）; 有关如何处理这些数据进行深度学习的示例，请参见为分类创建简单的深度学习网络．	图像分类
MNIST (代表)	MNIST数据集由70,000个手写数字组成，分别分为60,000张和10,000张图像的训练和测试分区。每个图像是28 × 28像素，并有一个相关的标签表示图像所代表的数字(0-9)。从中下载mnist文件http://yann.lecun.com/exdb/mnist/并将数据集加载到工作区中。要将文件中的数据加载为MATLAB数组，请将文件放置在工作目录中，然后使用辅助函数`processimagesmnist.`和`processlabelsmnist.`，在示例中使用火车变形AutoEncoder（VAE）生成图像． oldpath = addpath（fullfile（matlabroot，'例子'那“nnet”那“主要”));filenameimagestrain =“train-images-idx3-ubyte.gz”;filenamelabelstrain =“train-labels-idx1-ubyte.gz”;filenameimagestest ='t10k-images-idx3-ubyte.gz';filenameLabelsTest ='t10k-labels-idx1-ubyte.gz';XTrain = processImagesMNIST (filenameImagesTrain);YTrain = processLabelsMNIST (filenameLabelsTrain);XTest = processImagesMNIST (filenameImagesTest);欧美= processLabelsMNIST (filenameLabelsTest); 有关如何处理这些数据进行深度学习的示例，请参见火车变形AutoEncoder（VAE）生成图像．要恢复路径，请使用`小路`函数。路径（旧路径）；	图像分类
万能语	Omniglot数据集包含50个字母的字符集，分为30个字符集用于训练，20个字符集用于测试。每个字母表都包含一些字符，从14个代表Ojibwe(加拿大土著音节)到55个代表Tifinagh。最后，每个字符有20个手写的观察结果。下载并提取Omniglot数据集[1]从…起https://github.com/brendenlake/omniglot．放`downloadFolder`数据的位置。 downloadFolder = tempdir;url =“https://github.com/brendenlake/omniglot/raw/master/python”;URLTRAIN = URL +“/ images_background.zip”;URLTEST = URL +“/images_evaluation.zip”；filenameTrain=fullfile（下载文件夹，“images_background.zip”）;filenametest = fullfile（downloadFolder，“images_evaluation.zip”）;dataFolderTrain = fullfile (downloadFolder,“images_background”）;dataFolderTest = fullfile (downloadFolder,“images_evaluation”）;如果~exist（dataFolderTrain，“dir”)fprintf(“下载omniglot培训数据集（4.5 MB）......”)websave（filenameTrain，urlTrain）；解压缩（filenameTrain，downloadFolder）；fprintf(“完成。\ n”）结尾如果〜存在（DataFoldert，“dir”)fprintf(“下载Omniglot测试数据(3.2 MB)…”）Websave（FilenameTest，URLTest）;解压缩（FilenameTest，DownloadFolder）;fprintf（“完成。\ n”）结尾要将训练和测试数据加载为图像数据存储，请使用`图像数据存储`函数。通过从文件名中提取标签并设置标签来指定标签`标签`财产。 imdsTrain = imageDatastore (dataFolderTrain,．..'insertumbfolders'，真的，．..“LabelSource”那'没有任何'）;文件= imdsTrain.Files;部分=分裂(文件、filesep);标签=加入(部分(:,(end-2): (end-1)),'_'）;imdstrain.labels =分类（标签）;imdstest = imageageataStore（DataFoldertest，．..'insertumbfolders'，真的，．..“LabelSource”那'没有任何'）;files = imdstest.files;部分=分裂(文件、filesep);标签=加入(部分(:,(end-2): (end-1)),'_'）;imdsTest。标签= categorical(labels); 有关如何处理这些数据进行深度学习的示例，请参见训练暹罗网络来比较图像．	图像相似性
花图像信用：[3][4][5]［6］	花卉数据集包含3670幅花卉图像，它们属于五个类(黛西那蒲公英那玫瑰那向日葵，和郁金香）。下载并提取Flowers数据集[2]从…起http://download.tensorflow.org/example_images/flower_photos.tgz．数据集约为218 MB。根据你的网络连接，下载过程可能需要一些时间。放`downloadFolder`数据的位置。 url =“http://download.tensorflow.org/example_images/flower_photos.tgz”;downloadFolder = tempdir;filename = fullfile（downloadFolder，'flower_dataset.tgz'）;dataFolder = fullfile (downloadFolder,'flower_photos'）;如果~exist（数据文件夹，'dir')fprintf(“下载鲜花数据集（218 MB）......”) websave(文件名,url);Untar（Filename，DownloadFolder）FPRINTF（“完成。\ n”）结尾使用使用的图像数据存储将数据加载`图像数据存储`函数并指定包含图像数据的文件夹。 imd = imageDatastore (dataFolder,．..'insertumbfolders'，真的，．..“LabelSource”那“foldernames”）; 有关如何处理这些数据进行深度学习的示例，请参见火车生成对抗网络（GaN）．	图像分类
示例食物图像	该示例食物图像数据集包含978张食物的九级课程（caeser_salad那caprese_salad那french_fries那greek_salad那汉堡包那热狗那披萨那生鱼片，和寿司）。属性下载Example Food Images数据集`download万博1manbetxsupportfile.`函数提取图像`解压缩`函数。这个数据集大约是77mb。根据你的互联网连接，下载过程可能需要一些时间。 fprintf（"下载食物图片样本数据集(77mb)…"）filename = matlab.internal.examples.downloads万博1manbetxupportfile（“nnet”那．..'data / exampleFoodImageGageTaset.zip'）;fprintf（“完成。\ n”) filepath = fileparts(文件名);dataFolder = fullfile (filepath,'exampleFoodImageTataSet')；解压缩（文件名、数据文件夹）；有关如何处理这些数据进行深度学习的示例，请参见使用TSNE查看网络行为．	图像分类
CiFar-10. (代表)	CIFAR-10数据集包含60,000个彩色图像的大小32×32像素，属于10类（飞机那汽车那鸟那猫那鹿那狗那青蛙那马那船，和卡车）。每个类有6000张图像，数据集被分割为包含50,000张图像的训练集和包含10,000张图像的测试集。该数据集是测试新的图像分类模型最广泛使用的数据集之一。下载并提取CIFAR-10数据集［7］从…起https://www.cs.toronto.edu/%7ekriz/cifar-10-matlab.tar.gz.．数据集大约是175mb。根据你的互联网连接，下载过程可能需要一些时间。放`downloadFolder`数据的位置。 url =“https://www.cs.toronto.edu/ ~ kriz / cifar-10-matlab.tar.gz”;downloadFolder = tempdir;filename = fullfile（downloadFolder，“cifar-10-matlab.tar.gz”）;dataFolder = fullfile (downloadFolder,'CiFar-10-Batches-Mat'）;如果~exist（数据文件夹，'dir')fprintf(“下载CIFAR-10数据集(175mb)…”）;WebSave（Filename，URL）;Untar（文件名，DownloadFolder）;fprintf（“完成。\ n”）结尾使用辅助函数将数据转换为数字数组`loadCIFARData`，在该示例中使用图像分类的训练残差网络． oldpath = addpath（fullfile（matlabroot，'例子'那“nnet”那“主要”));[XTrain, YTrain XValidation YValidation] = loadCIFARData (downloadFolder); 有关如何处理这些数据进行深度学习的示例，请参见图像分类的训练残差网络．要恢复路径，请使用`小路`函数。路径（旧路径）；	图像分类
MathWorks^®货物	这是一个小型数据集，其中包含75个MathWorks商品图像，属于五种不同的类（帽子那立方体那打牌那螺丝刀，和火炬）。您可以使用此数据集尝试快速传输学习和图像分类。这些图像的尺寸是227 × 227 × 3。提取Mathworks Merch数据集。 filename =.“MerchData.zip”;dataFolder = fullfile (tempdir,'merchdata'）;如果~exist（数据文件夹，'dir'解压缩(文件名,tempdir);结尾使用使用的图像数据存储将数据加载`图像数据存储`函数并指定包含图像数据的文件夹。 imd = imageDatastore (dataFolder,．..'insertumbfolders'，真的，．..．“LabelSource”那“foldernames”）; 关于如何处理这些数据进行深度学习的例子，请参见开始迁移学习和训练深度学习网络对新图像进行分类．	图像分类
CamVid	CamVid数据集是一组图像，其中包含从行驶中的汽车获取的街道级别视图。该数据集对于执行图像语义分割的培训网络非常有用，并为32个语义类提供像素级别的标签，包括汽车那行人，和路．图像的大小为720×960-3。下载并提取Camvid数据集［8］从…起http://web4.cs.ucl.ac.uk/staff/g.brostow/MotionSegRecData．数据集大约是573 MB。根据你的互联网连接，下载过程可能需要一些时间。放`downloadFolder`数据的位置。 downloadFolder = tempdir;url =“http://web4.cs.ucl.ac.uk/staff/g.brostow/motionsegrecdata”urlImages = url +“/files/701_stillsraw_full.zip”;urlLabels = url +“/data/labeledapu full.zip”;dataFolder = fullfile (downloadFolder,“CamVid”）;dataFolderImages = fullfile (dataFolder,“图像”）;datafolderlabels = fullfile（datafolder，“标签”）;filenameLabels = fullfile (dataFolder,'labels.zip'）;filenameimages = fullfile（datafolder，'图像.zip'）;如果~存在(filenameLabels“文件”）\|\|〜存在（Imagezip，“文件”mkdir (dataFolder)流(“下载Camvid数据集图像（557 MB）......”）;websave (filenameImages urlImages);解压缩(filenameImages dataFolderImages);fprintf（“完成。\ n”)fprintf("下载CamVid数据集标签(16mb)…"）;websave (filenameLabels urlLabels);解压缩(filenameLabels dataFolderLabels);fprintf（“完成。\ n”）结尾使用使用的像素标签数据存储作为像素标签数据存储`PixellabeldAtastore.`函数并指定包含标签数据，类和标签ID的文件夹。要使培训更容易，将数据中的32个原始类集团设置为11类。要获取标签ID，请使用辅助功能`camvidPixelLabelIDs`，在该示例中使用利用深度学习的语义分割． oldpath = addpath（fullfile（matlabroot，'例子'那'deeplearning_shared'那“主要”));imd = imageDatastore (dataFolderImages,'insertumbfolders'，真的）;类= [“天空”“建筑”“极”“路”“路面”“树”．..“SignSymbol”“篱笆”“汽车”“行人”“骑自行车的人”];labelids = camvidpixellabelids;pxds = pixellabeldataStore（datafolderlabels，classes，labelids）; 有关如何处理这些数据进行深度学习的示例，请参见利用深度学习的语义分割．要恢复路径，请使用`小路`函数。路径（旧路径）；	语义分割
车辆	车辆数据集由295个图像组成，其中包含一个或两个已标记的车辆实例。这个小数据集对于探索YOLO-v2训练过程很有用，但在实践中，需要更多标记的图像来训练一个健壮的检测器。图像的大小为720×960-3。提取车辆数据集。设置`dataFolder`数据的位置。 filename =.“vehicleDatasetImages.zip”;dataFolder = fullfile (tempdir,'车辆仿真'）;如果~exist（数据文件夹，'dir'解压缩(文件名,tempdir);结尾将作为文件名表的数据集从提取的MAT文件中加载为文件名表和边界框，并将文件名转换为绝对文件路径。 data =负载('车辆有绳索地面纠址.MAT'）;vevicledataset = data.vehicledataset;vevicledataset.imagefilename = fullfile（tempdir，车辆levicallaset.imagefilename）; 创建包含图像的图像数据存储和包含包含边界框的框标签数据存储`图像数据存储`和`boxlabeldatastore.`函数,分别。控件组合生成的数据存储`结合`函数。 filenamesImages = vehicleDataset.imageFilename;tblBoxes = vehicleDataset (:,“汽车”）;IMDS = ImageageAtastore（FilenamesImages）;BLDS = BoxLabeldAtastore（Tblboxes）;CDS =组合（IMDS，BLD）; 有关如何处理这些数据进行深度学习的示例，请参见使用YOLO V2深度学习的对象检测．	目标检测
RIT-18	RIT-18数据集包含在纽约州的哈林海滩州立公园的无人机捕获的图像数据。数据包含标记的培训，验证和测试集，其中18个对象类标签，包括道路标记那树，和建筑．下载rit18数据集［9］从…起https://www.cis.rit.edu/%7Ermk6217/rit18_data.mat．数据集是约3 GB。根据你的网络连接，下载过程可能需要一些时间。放`downloadFolder`数据的位置。 downloadFolder = tempdir;url =“http://www.cis.rit.edu/ ~ rmk6217 / rit18_data.mat”;filename = fullfile（downloadFolder，“rit18_data.mat”）;如果〜存在（文件名，“文件”)fprintf(“下载Hamlin Beach数据集（3 GB）......”); websave（文件名、url）；fprintf(“完成。\ n”）结尾有关如何处理这些数据进行深度学习的示例，请参见深度学习的多光谱图像的语义分割．	语义分割
br	Brats数据集包含脑肿瘤的MRI扫描，即胶质瘤，这是最常见的主要脑恶性肿瘤。该数据集包含750个4-D卷，每个卷表示一组3-D图像。每个4-D体积的大小为240×240×155×4，其中前三个尺寸对应于3-D体积图像的高度、宽度和深度。第四维对应不同的扫描模式。数据集分为484个带有体素标签的训练卷和266个测试卷。创建一个目录来存储BraTS数据集[10]． dataFolder = fullfile (tempdir,“小鬼”）;如果~exist（数据文件夹，'dir'mkdir (dataFolder);结尾下载BraTS数据医学分割十项全能点击“下载数据”链接。下载“task01_braintumor .tar”文件。数据集约为7gb。根据你的网络连接，下载过程可能需要一些时间。将TAR文件解压到指定的目录中`dataFolder`变量。如果提取成功，那么`dataFolder`包含命名的目录`Task01_BrainTumour`它有三个子目录:`想象的`那`想象力`，和`Labelstr.`．有关如何处理这些数据进行深度学习的示例，请参见基于深度学习的三维脑肿瘤分割．	语义分割
Camelyon16	来自Camelyon16攻击的数据含有来自两个独立源的总共400 WSIS的淋巴结，分为270次训练图像和130个测试图像。WSIS以带有11级金字塔结构的剥离格式存储为TIF文件。训练数据集由159 WSIS的正常淋巴结和111个全幻灯片（WSIS）的淋巴结与肿瘤和健康组织组成。通常，肿瘤组织是健康组织的一小部分。肿瘤图像伴随病变界限的地面真理坐标。创建用于存储Camelyon16数据集的目录[11]． dataFolderTrain=fullfile（tempdir，“Camelyon16”那“培训”）;datafoldernormaltrain = fullfile（datafoldertrain，'普通的'); dataFolderTumorTrain=完整文件（dataFolderTrain，'瘤'）;datafolderannotationstrain = fullfile（datafoldertrain，“病变注释”）;如果~exist（dataFolderTrain，'dir'）mkdir（datafoldertrain）;mkdir（datafoldernormaltrain）;mkdir（datafoldertumortrain）;mkdir（datafolderannotationstrain）;结尾下载来自的Camelyon16数据Camelyon17单击第一个“Camelyon16数据集”链接。打开“培训”目录，然后按照下列步骤操作：下载“Descose_annotations.zip”文件。将文件解压缩到`datafolderannotationstrain`变量。打开“normal”目录。将图像下载到由此指定的目录`dataFolderNormalTrain`变量。打开“肿瘤”目录。将图像下载到由此指定的目录`dataFolderTumorTrain`变量。数据集约为2gb。根据您的Internet连接，下载过程可能需要一些时间。有关如何处理这些数据进行深度学习的示例，请参见利用分块图像和深度学习对大的多分辨率图像进行分类．	图像分类(大图像)
上下文中的常见对象（Coco） (代表)	Coco 2014列车图像数据集由82,783个图像组成。注释数据包含至少五个对应于每个图像的标题。创建目录以存储COCO数据集。 dataFolder = fullfile (tempdir,“Coco”）;如果~exist（数据文件夹，'dir'mkdir (dataFolder);结尾从以下站点下载并提取COCO 2014列车图像和标题：https://cocodataset.org/#download.点击“2014火车图像”和“2014火车/ val注释”链接。将数据保存在指定的文件夹中`dataFolder`．从文件中提取标题`CAPTIONS_TRAIN2014.JSON.`使用`jsondecode`函数。 filename = fullfile（datafolder，“annotations_trainval2014”那“注释”那．..“captions_train2014.json”）;str = fileread(文件名);data = jsondecode (str); 这`注释`结构字段包含图像标题所需的数据。有关如何处理这些数据进行深度学习的示例，请参见使用注意力的图像说明．	图像字幕
IAPR TC-12 (代表)	IAPR TC-12基准[12]包括20,000个仍然自然图像。数据集包括人，动物，城市等照片。数据文件的大小约为1.8 GB。下载IAPR TC-12数据集。 datadir = fullfile（tempdir，'iaprtc12'）;url =“http://www-i6.informatik.rwth-aachen.de/imageclef/resources/iaprtc12.tgz”;如果〜存在（Datadir，'dir')fprintf('下载IAPR TC-12数据集（1.8 GB）... \ n'）;试一试解压(url, dataDir);抓百分比在某些Windows机器上，用于.tgz的Untar命令错误%的文件。重命名为。tg，然后重试。文件名= fullfile (tempdir,“iaprtc12.tg”）;WebSave（Filename，URL）;Untar（文件名，Datadir）;结尾fprintf（“做。\ n \ n”）;结尾使用使用的图像数据存储将数据加载`图像数据存储`函数。指定包含图像数据和图像文件扩展名的文件夹。 imageDir = fullfile (dataDir,“图像”）exts = {“jpg”那bmp格式的那“使用”};imd = imageDatastore (imageDir,．..'insertumbfolders'，真的，．..“文件扩展名”，exts）; 有关如何处理这些数据进行深度学习的示例，请参见基于深度学习的单图像超分辨率．	Image-to-image回归
苏黎世原色到RGB	苏黎世RAW到RGB数据集［13］包含48,043个空间注册的原始和RGB培训尺寸448〜448的训练图像贴片。数据集包含两个单独的测试集。一个测试集由1,204个空间注册的原始和RGB图像块的大小为448×448组成。其他测试集包括未注册的全分辨率原始和RGB图像。数据集的大小为22 GB。创建一个目录以将苏黎世RAW存储到RGB数据集。 imagedir = fullfile（tempdir，'zurichrawtorgb'）;如果〜存在（Imageager，'dir'）mkdir（Imagedir）;结尾要下载数据集，请求访问使用苏黎世RAW到RGB数据集将数据提取到`我是`变量。当成功提取时，`我是`包含三个目录`full_resolution.`那`测试`，和`火车`．有关如何处理这些数据进行深度学习的示例，请参见使用深度学习开发原始相机处理管道．	Image-to-image回归
生活在野外	生活在野外数据集中［14］由移动设备捕获的1,162张照片，具有7个额外培训图像。每个图像的评分为175个个体，在[1,100]的范围内。数据集提供了每个图像的主观分数的平均值和标准偏差。创建一个目录以将Live存储在遍布野外数据集中。 imagedir = fullfile（tempdir，“LiveInthewild”）;如果〜存在（Imageager，'dir'）mkdir（Imagedir）;结尾按照遵循概述的说明下载数据集LIVE In the Wild Image Quality Challenge数据库．将数据提取到指定的目录`我是`变量。当成功提取时，`我是`包含两个目录：“数据”和“图像”。有关如何处理这些数据进行深度学习的示例，请参见使用神经图像评估量化图像质量．	图像分类

数字

数字数据集由10,000张合成的手写数字灰度图像组成。每个图像是28 × 28像素，并有一个相关的标签表示图像所代表的数字(0-9)。每个图像都被旋转了一定的角度。当以数组形式加载图像时，还可以加载图像的旋转角度。

将数字数据作为内存中的数字阵列加载digittrain4darraydata.和digittest4darraydata.功能。

[XTrain, YTrain anglesTrain] = digitTrain4DArrayData;[XTest,欧美,anglesTest] = digitTest4DArrayData;

关于如何处理这些数据进行深度学习的例子，请参见监测深度学习培训进度和训练卷积神经网络用于回归．

图像分类和图像回归

使用使用的图像数据存储将数字数据加载图像数据存储函数并指定包含图像数据的文件夹。

datafolder = fullfile（toolboxdir（“nnet”)，“nndemos”那“nndatasets”那“DigitDataset”)；imds=图像数据存储（数据文件夹，．..'insertumbfolders'，真的，．..．“LabelSource”那“foldernames”）;

有关如何处理这些数据进行深度学习的示例，请参见为分类创建简单的深度学习网络．

图像分类

MNIST

(代表)

MNIST数据集由70,000个手写数字组成，分别分为60,000张和10,000张图像的训练和测试分区。每个图像是28 × 28像素，并有一个相关的标签表示图像所代表的数字(0-9)。

从中下载mnist文件http://yann.lecun.com/exdb/mnist/并将数据集加载到工作区中。要将文件中的数据加载为MATLAB数组，请将文件放置在工作目录中，然后使用辅助函数processimagesmnist.和processlabelsmnist.，在示例中使用火车变形AutoEncoder（VAE）生成图像．

oldpath = addpath（fullfile（matlabroot，'例子'那“nnet”那“主要”));filenameimagestrain =“train-images-idx3-ubyte.gz”;filenamelabelstrain =“train-labels-idx1-ubyte.gz”;filenameimagestest ='t10k-images-idx3-ubyte.gz';filenameLabelsTest ='t10k-labels-idx1-ubyte.gz';XTrain = processImagesMNIST (filenameImagesTrain);YTrain = processLabelsMNIST (filenameLabelsTrain);XTest = processImagesMNIST (filenameImagesTest);欧美= processLabelsMNIST (filenameLabelsTest);

有关如何处理这些数据进行深度学习的示例，请参见火车变形AutoEncoder（VAE）生成图像．

要恢复路径，请使用小路函数。

路径（旧路径）；

图像分类

万能语

Omniglot数据集包含50个字母的字符集，分为30个字符集用于训练，20个字符集用于测试。每个字母表都包含一些字符，从14个代表Ojibwe(加拿大土著音节)到55个代表Tifinagh。最后，每个字符有20个手写的观察结果。

下载并提取Omniglot数据集[1]从…起https://github.com/brendenlake/omniglot．放downloadFolder数据的位置。

downloadFolder = tempdir;url =“https://github.com/brendenlake/omniglot/raw/master/python”;URLTRAIN = URL +“/ images_background.zip”;URLTEST = URL +“/images_evaluation.zip”；filenameTrain=fullfile（下载文件夹，“images_background.zip”）;filenametest = fullfile（downloadFolder，“images_evaluation.zip”）;dataFolderTrain = fullfile (downloadFolder,“images_background”）;dataFolderTest = fullfile (downloadFolder,“images_evaluation”）;如果~exist（dataFolderTrain，“dir”)fprintf(“下载omniglot培训数据集（4.5 MB）......”)websave（filenameTrain，urlTrain）；解压缩（filenameTrain，downloadFolder）；fprintf(“完成。\ n”）结尾如果〜存在（DataFoldert，“dir”)fprintf(“下载Omniglot测试数据(3.2 MB)…”）Websave（FilenameTest，URLTest）;解压缩（FilenameTest，DownloadFolder）;fprintf（“完成。\ n”）结尾

要将训练和测试数据加载为图像数据存储，请使用图像数据存储函数。通过从文件名中提取标签并设置标签来指定标签标签财产。

imdsTrain = imageDatastore (dataFolderTrain,．..'insertumbfolders'，真的，．..“LabelSource”那'没有任何'）;文件= imdsTrain.Files;部分=分裂(文件、filesep);标签=加入(部分(:,(end-2): (end-1)),'_'）;imdstrain.labels =分类（标签）;imdstest = imageageataStore（DataFoldertest，．..'insertumbfolders'，真的，．..“LabelSource”那'没有任何'）;files = imdstest.files;部分=分裂(文件、filesep);标签=加入(部分(:,(end-2): (end-1)),'_'）;imdsTest。标签= categorical(labels);

有关如何处理这些数据进行深度学习的示例，请参见训练暹罗网络来比较图像．

图像相似性

花

图像信用：[3][4][5]［6］

花卉数据集包含3670幅花卉图像，它们属于五个类(黛西那蒲公英那玫瑰那向日葵，和郁金香）。

下载并提取Flowers数据集[2]从…起http://download.tensorflow.org/example_images/flower_photos.tgz．数据集约为218 MB。根据你的网络连接，下载过程可能需要一些时间。放downloadFolder数据的位置。

url =“http://download.tensorflow.org/example_images/flower_photos.tgz”;downloadFolder = tempdir;filename = fullfile（downloadFolder，'flower_dataset.tgz'）;dataFolder = fullfile (downloadFolder,'flower_photos'）;如果~exist（数据文件夹，'dir')fprintf(“下载鲜花数据集（218 MB）......”) websave(文件名,url);Untar（Filename，DownloadFolder）FPRINTF（“完成。\ n”）结尾

使用使用的图像数据存储将数据加载图像数据存储函数并指定包含图像数据的文件夹。

imd = imageDatastore (dataFolder,．..'insertumbfolders'，真的，．..“LabelSource”那“foldernames”）;

有关如何处理这些数据进行深度学习的示例，请参见火车生成对抗网络（GaN）．

图像分类

示例食物图像

该示例食物图像数据集包含978张食物的九级课程（caeser_salad那caprese_salad那french_fries那greek_salad那汉堡包那热狗那披萨那生鱼片，和寿司）。

属性下载Example Food Images数据集download万博1manbetxsupportfile.函数提取图像解压缩函数。这个数据集大约是77mb。根据你的互联网连接，下载过程可能需要一些时间。

fprintf（"下载食物图片样本数据集(77mb)…"）filename = matlab.internal.examples.downloads万博1manbetxupportfile（“nnet”那．..'data / exampleFoodImageGageTaset.zip'）;fprintf（“完成。\ n”) filepath = fileparts(文件名);dataFolder = fullfile (filepath,'exampleFoodImageTataSet')；解压缩（文件名、数据文件夹）；

有关如何处理这些数据进行深度学习的示例，请参见使用TSNE查看网络行为．

图像分类

CiFar-10.

(代表)

CIFAR-10数据集包含60,000个彩色图像的大小32×32像素，属于10类（飞机那汽车那鸟那猫那鹿那狗那青蛙那马那船，和卡车）。

每个类有6000张图像，数据集被分割为包含50,000张图像的训练集和包含10,000张图像的测试集。该数据集是测试新的图像分类模型最广泛使用的数据集之一。

下载并提取CIFAR-10数据集［7］从…起https://www.cs.toronto.edu/%7ekriz/cifar-10-matlab.tar.gz.．数据集大约是175mb。根据你的互联网连接，下载过程可能需要一些时间。放downloadFolder数据的位置。

url =“https://www.cs.toronto.edu/ ~ kriz / cifar-10-matlab.tar.gz”;downloadFolder = tempdir;filename = fullfile（downloadFolder，“cifar-10-matlab.tar.gz”）;dataFolder = fullfile (downloadFolder,'CiFar-10-Batches-Mat'）;如果~exist（数据文件夹，'dir')fprintf(“下载CIFAR-10数据集(175mb)…”）;WebSave（Filename，URL）;Untar（文件名，DownloadFolder）;fprintf（“完成。\ n”）结尾

使用辅助函数将数据转换为数字数组loadCIFARData，在该示例中使用图像分类的训练残差网络．

oldpath = addpath（fullfile（matlabroot，'例子'那“nnet”那“主要”));[XTrain, YTrain XValidation YValidation] = loadCIFARData (downloadFolder);

有关如何处理这些数据进行深度学习的示例，请参见图像分类的训练残差网络．

要恢复路径，请使用小路函数。

路径（旧路径）；

图像分类

MathWorks^®货物

这是一个小型数据集，其中包含75个MathWorks商品图像，属于五种不同的类（帽子那立方体那打牌那螺丝刀，和火炬）。您可以使用此数据集尝试快速传输学习和图像分类。

这些图像的尺寸是227 × 227 × 3。

提取Mathworks Merch数据集。

filename =.“MerchData.zip”;dataFolder = fullfile (tempdir,'merchdata'）;如果~exist（数据文件夹，'dir'解压缩(文件名,tempdir);结尾

使用使用的图像数据存储将数据加载图像数据存储函数并指定包含图像数据的文件夹。

imd = imageDatastore (dataFolder,．..'insertumbfolders'，真的，．..．“LabelSource”那“foldernames”）;

关于如何处理这些数据进行深度学习的例子，请参见开始迁移学习和训练深度学习网络对新图像进行分类．

图像分类

CamVid

CamVid数据集是一组图像，其中包含从行驶中的汽车获取的街道级别视图。该数据集对于执行图像语义分割的培训网络非常有用，并为32个语义类提供像素级别的标签，包括汽车那行人，和路．

图像的大小为720×960-3。

下载并提取Camvid数据集［8］从…起http://web4.cs.ucl.ac.uk/staff/g.brostow/MotionSegRecData．数据集大约是573 MB。根据你的互联网连接，下载过程可能需要一些时间。放downloadFolder数据的位置。

downloadFolder = tempdir;url =“http://web4.cs.ucl.ac.uk/staff/g.brostow/motionsegrecdata”urlImages = url +“/files/701_stillsraw_full.zip”;urlLabels = url +“/data/labeledapu full.zip”;dataFolder = fullfile (downloadFolder,“CamVid”）;dataFolderImages = fullfile (dataFolder,“图像”）;datafolderlabels = fullfile（datafolder，“标签”）;filenameLabels = fullfile (dataFolder,'labels.zip'）;filenameimages = fullfile（datafolder，'图像.zip'）;如果~存在(filenameLabels“文件”）||〜存在（Imagezip，“文件”mkdir (dataFolder)流(“下载Camvid数据集图像（557 MB）......”）;websave (filenameImages urlImages);解压缩(filenameImages dataFolderImages);fprintf（“完成。\ n”)fprintf("下载CamVid数据集标签(16mb)…"）;websave (filenameLabels urlLabels);解压缩(filenameLabels dataFolderLabels);fprintf（“完成。\ n”）结尾

使用使用的像素标签数据存储作为像素标签数据存储PixellabeldAtastore.函数并指定包含标签数据，类和标签ID的文件夹。要使培训更容易，将数据中的32个原始类集团设置为11类。要获取标签ID，请使用辅助功能camvidPixelLabelIDs，在该示例中使用利用深度学习的语义分割．

oldpath = addpath（fullfile（matlabroot，'例子'那'deeplearning_shared'那“主要”));imd = imageDatastore (dataFolderImages,'insertumbfolders'，真的）;类= [“天空”“建筑”“极”“路”“路面”“树”．..“SignSymbol”“篱笆”“汽车”“行人”“骑自行车的人”];labelids = camvidpixellabelids;pxds = pixellabeldataStore（datafolderlabels，classes，labelids）;

有关如何处理这些数据进行深度学习的示例，请参见利用深度学习的语义分割．

要恢复路径，请使用小路函数。

路径（旧路径）；

语义分割

车辆

车辆数据集由295个图像组成，其中包含一个或两个已标记的车辆实例。这个小数据集对于探索YOLO-v2训练过程很有用，但在实践中，需要更多标记的图像来训练一个健壮的检测器。

图像的大小为720×960-3。

提取车辆数据集。设置dataFolder数据的位置。

filename =.“vehicleDatasetImages.zip”;dataFolder = fullfile (tempdir,'车辆仿真'）;如果~exist（数据文件夹，'dir'解压缩(文件名,tempdir);结尾

将作为文件名表的数据集从提取的MAT文件中加载为文件名表和边界框，并将文件名转换为绝对文件路径。

data =负载('车辆有绳索地面纠址.MAT'）;vevicledataset = data.vehicledataset;vevicledataset.imagefilename = fullfile（tempdir，车辆levicallaset.imagefilename）;

创建包含图像的图像数据存储和包含包含边界框的框标签数据存储图像数据存储和boxlabeldatastore.函数,分别。控件组合生成的数据存储结合函数。

filenamesImages = vehicleDataset.imageFilename;tblBoxes = vehicleDataset (:,“汽车”）;IMDS = ImageageAtastore（FilenamesImages）;BLDS = BoxLabeldAtastore（Tblboxes）;CDS =组合（IMDS，BLD）;

有关如何处理这些数据进行深度学习的示例，请参见使用YOLO V2深度学习的对象检测．

目标检测

RIT-18

哈姆林海滩州立公园的航拍照片，带有彩色像素标签覆盖，表明草地、树木、沙滩、沥青和其他类别的区域

RIT-18数据集包含在纽约州的哈林海滩州立公园的无人机捕获的图像数据。数据包含标记的培训，验证和测试集，其中18个对象类标签，包括道路标记那树，和建筑．

下载rit18数据集［9］从…起https://www.cis.rit.edu/%7Ermk6217/rit18_data.mat．数据集是约3 GB。根据你的网络连接，下载过程可能需要一些时间。放downloadFolder数据的位置。

downloadFolder = tempdir;url =“http://www.cis.rit.edu/ ~ rmk6217 / rit18_data.mat”;filename = fullfile（downloadFolder，“rit18_data.mat”）;如果〜存在（文件名，“文件”)fprintf(“下载Hamlin Beach数据集（3 GB）......”); websave（文件名、url）；fprintf(“完成。\ n”）结尾

有关如何处理这些数据进行深度学习的示例，请参见深度学习的多光谱图像的语义分割．

语义分割

人脑轴向切片，彩色像素标记覆盖，显示正常组织和肿瘤组织区域

Brats数据集包含脑肿瘤的MRI扫描，即胶质瘤，这是最常见的主要脑恶性肿瘤。

该数据集包含750个4-D卷，每个卷表示一组3-D图像。每个4-D体积的大小为240×240×155×4，其中前三个尺寸对应于3-D体积图像的高度、宽度和深度。第四维对应不同的扫描模式。数据集分为484个带有体素标签的训练卷和266个测试卷。

创建一个目录来存储BraTS数据集[10]．

dataFolder = fullfile (tempdir,“小鬼”）;如果~exist（数据文件夹，'dir'mkdir (dataFolder);结尾

下载BraTS数据医学分割十项全能点击“下载数据”链接。下载“task01_braintumor .tar”文件。数据集约为7gb。根据你的网络连接，下载过程可能需要一些时间。

将TAR文件解压到指定的目录中dataFolder变量。如果提取成功，那么dataFolder包含命名的目录Task01_BrainTumour它有三个子目录:想象的那想象力，和Labelstr.．

有关如何处理这些数据进行深度学习的示例，请参见基于深度学习的三维脑肿瘤分割．

语义分割

Camelyon16

六个正常组织样品

来自Camelyon16攻击的数据含有来自两个独立源的总共400 WSIS的淋巴结，分为270次训练图像和130个测试图像。WSIS以带有11级金字塔结构的剥离格式存储为TIF文件。

训练数据集由159 WSIS的正常淋巴结和111个全幻灯片（WSIS）的淋巴结与肿瘤和健康组织组成。通常，肿瘤组织是健康组织的一小部分。肿瘤图像伴随病变界限的地面真理坐标。

创建用于存储Camelyon16数据集的目录[11]．

dataFolderTrain=fullfile（tempdir，“Camelyon16”那“培训”）;datafoldernormaltrain = fullfile（datafoldertrain，'普通的'); dataFolderTumorTrain=完整文件（dataFolderTrain，'瘤'）;datafolderannotationstrain = fullfile（datafoldertrain，“病变注释”）;如果~exist（dataFolderTrain，'dir'）mkdir（datafoldertrain）;mkdir（datafoldernormaltrain）;mkdir（datafoldertumortrain）;mkdir（datafolderannotationstrain）;结尾

下载来自的Camelyon16数据Camelyon17单击第一个“Camelyon16数据集”链接。打开“培训”目录，然后按照下列步骤操作：

下载“Descose_annotations.zip”文件。将文件解压缩到datafolderannotationstrain变量。
打开“normal”目录。将图像下载到由此指定的目录dataFolderNormalTrain变量。
打开“肿瘤”目录。将图像下载到由此指定的目录dataFolderTumorTrain变量。

数据集约为2gb。根据您的Internet连接，下载过程可能需要一些时间。

有关如何处理这些数据进行深度学习的示例，请参见利用分块图像和深度学习对大的多分辨率图像进行分类．

图像分类(大图像)

上下文中的常见对象（Coco）

(代表)

Coco 2014列车图像数据集由82,783个图像组成。注释数据包含至少五个对应于每个图像的标题。

创建目录以存储COCO数据集。

dataFolder = fullfile (tempdir,“Coco”）;如果~exist（数据文件夹，'dir'mkdir (dataFolder);结尾

从以下站点下载并提取COCO 2014列车图像和标题：https://cocodataset.org/#download.点击“2014火车图像”和“2014火车/ val注释”链接。将数据保存在指定的文件夹中dataFolder．

从文件中提取标题CAPTIONS_TRAIN2014.JSON.使用jsondecode函数。

filename = fullfile（datafolder，“annotations_trainval2014”那“注释”那．..“captions_train2014.json”）;str = fileread(文件名);data = jsondecode (str);

这注释结构字段包含图像标题所需的数据。

有关如何处理这些数据进行深度学习的示例，请参见使用注意力的图像说明．

图像字幕

IAPR TC-12

西班牙塞维利亚皇家宫殿的墙和花园

(代表)

IAPR TC-12基准[12]包括20,000个仍然自然图像。数据集包括人，动物，城市等照片。数据文件的大小约为1.8 GB。

下载IAPR TC-12数据集。

datadir = fullfile（tempdir，'iaprtc12'）;url =“http://www-i6.informatik.rwth-aachen.de/imageclef/resources/iaprtc12.tgz”;如果〜存在（Datadir，'dir')fprintf('下载IAPR TC-12数据集（1.8 GB）... \ n'）;试一试解压(url, dataDir);抓百分比在某些Windows机器上，用于.tgz的Untar命令错误%的文件。重命名为。tg，然后重试。文件名= fullfile (tempdir,“iaprtc12.tg”）;WebSave（Filename，URL）;Untar（文件名，Datadir）;结尾fprintf（“做。\ n \ n”）;结尾

使用使用的图像数据存储将数据加载图像数据存储函数。指定包含图像数据和图像文件扩展名的文件夹。

imageDir = fullfile (dataDir,“图像”）exts = {“jpg”那bmp格式的那“使用”};imd = imageDatastore (imageDir,．..'insertumbfolders'，真的，．..“文件扩展名”，exts）;

有关如何处理这些数据进行深度学习的示例，请参见基于深度学习的单图像超分辨率．

Image-to-image回归

苏黎世原色到RGB

对街道场面的对未加工和RGB图象补丁在苏黎世

苏黎世RAW到RGB数据集［13］包含48,043个空间注册的原始和RGB培训尺寸448〜448的训练图像贴片。数据集包含两个单独的测试集。一个测试集由1,204个空间注册的原始和RGB图像块的大小为448×448组成。其他测试集包括未注册的全分辨率原始和RGB图像。数据集的大小为22 GB。

创建一个目录以将苏黎世RAW存储到RGB数据集。

imagedir = fullfile（tempdir，'zurichrawtorgb'）;如果〜存在（Imageager，'dir'）mkdir（Imagedir）;结尾

要下载数据集，请求访问使用苏黎世RAW到RGB数据集将数据提取到我是变量。当成功提取时，我是包含三个目录full_resolution.那测试，和火车．

有关如何处理这些数据进行深度学习的示例，请参见使用深度学习开发原始相机处理管道．

Image-to-image回归

生活在野外

三种不同质量的图像，具有主观质量分数的平均值和标准偏差

生活在野外数据集中［14］由移动设备捕获的1,162张照片，具有7个额外培训图像。每个图像的评分为175个个体，在[1,100]的范围内。数据集提供了每个图像的主观分数的平均值和标准偏差。

创建一个目录以将Live存储在遍布野外数据集中。

imagedir = fullfile（tempdir，“LiveInthewild”）;如果〜存在（Imageager，'dir'）mkdir（Imagedir）;结尾

按照遵循概述的说明下载数据集LIVE In the Wild Image Quality Challenge数据库．将数据提取到指定的目录我是变量。当成功提取时，我是包含两个目录：“数据”和“图像”。

有关如何处理这些数据进行深度学习的示例，请参见使用神经图像评估量化图像质量．

图像分类

时间序列和信号数据集

数据描述任务

数据	描述	任务
日语元音	日本元音数据集[15]［16］包含从不同扬声器中表示日本元音的话语的预处理序列。 `XTrain`和`XTest`是包含长度为12的序列的单元格数组。`ytrain.`和`欧美`是标签1到9的分类载体，对应九个扬声器。参赛作品`XTrain`是具有12行（每个特征的一行）的矩阵和不同数量的列（每次步骤一列）。`XTest`是包含370个长度为12的可变序列的单元数组。将日语元音数据设置为包含数字序列的内存单元阵列，其中包含使用该序列`日本世界数据`和`日本世界数据`功能。 [Xtrain，Ytrain] = JapanesevowelstrainData;[xtest，ytest] =日本韦沃尔斯特迪塔有关如何处理这些数据进行深度学习的示例，请参见使用深度学习序列分类．	序列到标签分类
水痘	水痘数据集包含一个时间序列，时间步长对应于几个月和值对应于案例的数量。输出是单元阵列，其中每个元素是单个时间步长。控件将水痘数据作为单个数字序列加载`水痘_dataset`函数。将数据重写为行向量。数据= chickenpox_dataset;数据=({}):数据; 有关如何处理这些数据进行深度学习的示例，请参见基于深度学习的时间序列预测．	时间序列预测
人类活动	人类活动数据集包含从身体上佩戴的智能手机获得的七个时间序列。每个序列具有三个特征，长度变化。三个特征对应于三个不同方向的加速度计读数。加载人类活动数据集。 dataTrain =负载(“HumanActivityTrain”）;人数(=负载(“HumanActivityTest”）;XTrain = dataTrain.XTrain;YTrain = dataTrain.YTrain;XTest = dataTest.XTest;欧美= dataTest.YTest; 有关如何处理这些数据进行深度学习的示例，请参见基于深度学习的序列到序列分类．	序列到序列分类
涡扇发动机退化仿真	每个时间序列的涡轮机发动机劣化模拟数据集［17］代表一个不同的发动机。每个发动机从未知程度的初始磨损和制造变化开始。发动机正常运行在每次序列的开始时，并在序列期间的某个点在某些位置开发故障。在训练集中，故障的幅度幅度大，直到系统故障增加。该数据包含一个zip压缩的文本文件，其中26列数字由空格分隔。每一行都是单个操作周期中数据的快照，每一列都是不同的变量。各列对应如下: 第1列–单元编号第2列 - 循环中的时间第3–5列–操作设置柱6-26 - 传感器测量1-21 创建一个目录以存储TurboOman引擎劣化模拟数据集。 dataFolder = fullfile (tempdir,“涡扇”）;如果~exist（数据文件夹，'dir'mkdir (dataFolder);结尾下载并提取涡轮机发动机劣化模拟数据集https://ti.art.nasa.gov/tech/dash/groups/pcoe/prognostic-data-repository/．从文件中解压缩数据`cmapssdata.zip.`． filename =.“CMAPSSData.zip”;解压缩(文件名,dataFolder) 使用辅助功能加载培训和测试数据`processturbofandatatrain`和`processTurboFanDataTest`,分别。示例中使用了这些函数使用深度学习的序列到序列回归． oldpath = addpath（fullfile（matlabroot，'例子'那“nnet”那“主要”));filenamePredictors = fullfile (dataFolder,“train_FD001.txt”)；[XTrain，YTrain]=processTurboFanDataTrain（FileNamePredictor）；FileNamePredictor=fullfile（dataFolder，“test_FD001.txt”）;filenamersponses = fullfile（datafolder，“RUL_FD001.txt”)；[XTest，YTest]=processTurboFanDataTest（FileNamePredictor，filenameResponses）；有关如何处理这些数据进行深度学习的示例，请参见使用深度学习的序列到序列回归．要恢复路径，请使用`小路`函数。路径（旧路径）；	序列到序列回归，预测性维护
PhysioIonet 2017挑战	PhysoioNet 2017挑战数据集［19］由一组专家以300赫兹采样的一组心电图记录组成，并将其分为不同类别。下载和提取PhysioNet 2017 Challenge数据集使用`reckphysionetdata.`脚本，该脚本在示例中使用基于长短时记忆网络的心电信号分类．数据集约95mb。根据你的互联网连接，下载过程可能需要一些时间。 oldpath = addpath（fullfile（matlabroot，'例子'那'deeplearning_shared'那“主要”));ReadPhysionetData data = load(“PhysionetData.mat”) signals = data.Signals;标签= data.Labels; 有关如何处理这些数据进行深度学习的示例，请参见基于长短时记忆网络的心电信号分类．要恢复路径，请使用`小路`函数。路径（旧路径）；	序列到标签分类
田纳西州伊士曼流程（TEP）模拟	该数据集由由Tennessee Eastman Process (TEP)模拟数据转换而成的MAT文件组成。下载Tennessee Eastman Process (TEP)模拟数据集［18］从MathWorks支持文件站点(请参万博1manbetx阅免责声明）。数据集有四个组件：无故障培训，无故障测试，训练故障和错误的测试。单独下载每个文件。数据集约为1.7 GB。根据您的Internet连接，下载过程可能需要一些时间。 fprintf（"下载TEP故障训练数据(613 MB)…"）filenamefaultytrain = matlab.internal.examples.DownloadS万博1manbetxupportFile（'predmaint'那．..“chemical-process-fault-detection-data / faultytraining.mat”）;fprintf（“完成。\ n”)fprintf(“下载TEP故障测试数据（1 GB）......”filenameFaultyTest = matlab.internal.examples.downloadSu万博1manbetxpportFile('predmaint'那．..'化学过程 - 故障检测 - 数据/故障.MAT'）;fprintf（“完成。\ n”)fprintf("下载TEP无故障训练数据(36mb)…") filenameFaultFreeTrain = matlab.internal.examples.download万博1manbetxSupportFile('predmaint'那．..'化学过程 - 故障检测数据/故障汇流.MAT'）;fprintf（“完成。\ n”)fprintf(“下载TEP无故障测试数据（69 MB）......”) filenameFaultFreeTest = matlab.internal.examples.download万博1manbetxSupportFile('predmaint'那．..“chemical-process-fault-detection-data / faultfreetesting.mat”）;fprintf（“完成。\ n”）将下载的文件加载到MATLAB中^®工作区。 load（filenamefaultytrain）;加载（filenamefaultytest）;加载（FilenameFaultFreeTrain）;加载（filenamefaultfreetest）; 有关如何处理这些数据进行深度学习的示例，请参见基于深度学习的化工过程故障检测．	序列到标签分类
物理体心电图分割	物理体ECG分段数据集［19］[20]由总共105名患者大约15分钟的ECG记录组成。为了获得每次记录，检查人员在患者胸部的不同位置放置两个电极，从而产生双通道信号。数据库提供由自动专家系统生成的信号区域标签。下载PhysioNet心电分割数据集从https://github.com/mathworks/physionet_ecg_segumentation.通过下载zip文件`qt_database-master.zip.zip.`．数据集大约是72mb。根据你的网络连接，下载过程可能需要一些时间。放`downloadFolder`数据的位置。 downloadFolder = tempdir;url =“https://github.com/mathworks/physionet_ecg_segentation/raw/master/qt_database-master.zip”;filename = fullfile（downloadFolder，“qt_database-master.zip”）;dataFolder = fullfile (downloadFolder,“QT_Database-master”）;如果~exist（数据文件夹，“dir”)fprintf(“下载Physionet心电分割数据集(72mb)…”) websave(文件名,url);解压缩(文件名,downloadFolder);fprintf（“完成。\ n”）结尾解压缩创建文件夹`qt_database-master`在临时目录中。此文件夹包含文本文件`README.md`和以下文件： `qtdata.mat.` `modified_physionet_data.txt.xt.` `License.txt` `qtdata.mat.`包含物理体ECG分段数据。文件`modified_physionet_data.txt.xt.`提供数据的来源属性和对每个原始心电记录的操作描述。从MAT文件加载PhysioNet心电分割数据。负载(fullfile (dataFolder'qtdata.mat'））有关如何处理这些数据进行深度学习的示例，请参见基于深度学习的波形分割．	序列-标签分类，波形分割
合成行人，汽车和自行车后散射	使用辅助功能生成合成行人，汽车和自行车背散射数据集`Helper Backscattersignals.`和`helperDopplerSignatures`，在示例中使用使用深度学习的行人和自行车分类．辅助函数`Helper Backscattersignals.`生成指定数量的行人、自行车和汽车雷达返回。对于每个实现，返回信号都有维度N在- - - - - -N缓慢的,N快速是快速样品和N慢是数缓慢时间样本。辅助函数`helperDopplerSignatures`计算雷达返回的短时傅里叶变换（STFT）以产生微多普勒签名。为了获得微多普勒签名，请使用辅助功能将STFT和预处理方法应用于每个信号。 oldpath = addpath（fullfile（matlabroot，'例子'那“分阶段”那“主要”));numPed = 1;%行人实现的数量numbic = 1;百分比骑自行车型的次数numCar=1；%汽车实现数量[XPedREC，XBICREC，Xcarrec，Tsamp] = Helper BackScattersignals（Numped，Numbic，Numcar）;[Sped，T，F] = Helperdopplersignatures（XPedrec，Tsamp）;[SBIC，〜，〜] = Helperdopplersignatures（Xbicrec，Tsamp）;[疤痕，〜，〜] = Helperdopplersignatures（Xcarrec，Tsamp）; 有关如何处理这些数据进行深度学习的示例，请参见使用深度学习的行人和自行车分类．要恢复路径，请使用`小路`函数。路径（旧路径）；	序列到标签分类
生成波形	使用辅助功能生成矩形，线性FM和相位编码波形`helperGenerateRadarWaveforms`，在该示例中使用基于深度学习的雷达和通信波形分类．辅助函数`helperGenerateRadarWaveforms`产生3000个信号，采样率为100 MHz的每个调制类型使用`逐步.Rectangularwaveform.`对于矩形脉冲，`分阶段。LinearFMWaveform`线性调频，和`分阶段。PhaseCodedWaveform`用于巴克码相位编码脉冲。 oldpath = addpath（fullfile（matlabroot，'例子'那“分阶段”那“主要”)); [wav，modType]=HelperGeneratorDarWaveforms；有关如何处理这些数据进行深度学习的示例，请参见基于深度学习的雷达和通信波形分类．要恢复路径，请使用`小路`函数。路径（旧路径）；	序列到标签分类

日语元音

日本元音数据集[15]［16］包含从不同扬声器中表示日本元音的话语的预处理序列。

XTrain和XTest是包含长度为12的序列的单元格数组。ytrain.和欧美是标签1到9的分类载体，对应九个扬声器。参赛作品XTrain是具有12行（每个特征的一行）的矩阵和不同数量的列（每次步骤一列）。XTest是包含370个长度为12的可变序列的单元数组。

将日语元音数据设置为包含数字序列的内存单元阵列，其中包含使用该序列日本世界数据和日本世界数据功能。

[Xtrain，Ytrain] = JapanesevowelstrainData;[xtest，ytest] =日本韦沃尔斯特迪塔

有关如何处理这些数据进行深度学习的示例，请参见使用深度学习序列分类．

序列到标签分类

水痘

水痘数据集包含一个时间序列，时间步长对应于几个月和值对应于案例的数量。输出是单元阵列，其中每个元素是单个时间步长。

控件将水痘数据作为单个数字序列加载水痘_dataset函数。将数据重写为行向量。

数据= chickenpox_dataset;数据=({}):数据;

有关如何处理这些数据进行深度学习的示例，请参见基于深度学习的时间序列预测．

时间序列预测

人类活动

人类活动数据集包含从身体上佩戴的智能手机获得的七个时间序列。每个序列具有三个特征，长度变化。三个特征对应于三个不同方向的加速度计读数。

加载人类活动数据集。

dataTrain =负载(“HumanActivityTrain”）;人数(=负载(“HumanActivityTest”）;XTrain = dataTrain.XTrain;YTrain = dataTrain.YTrain;XTest = dataTest.XTest;欧美= dataTest.YTest;

有关如何处理这些数据进行深度学习的示例，请参见基于深度学习的序列到序列分类．

序列到序列分类

涡扇发动机退化仿真

每个时间序列的涡轮机发动机劣化模拟数据集［17］代表一个不同的发动机。每个发动机从未知程度的初始磨损和制造变化开始。发动机正常运行在每次序列的开始时，并在序列期间的某个点在某些位置开发故障。在训练集中，故障的幅度幅度大，直到系统故障增加。

该数据包含一个zip压缩的文本文件，其中26列数字由空格分隔。每一行都是单个操作周期中数据的快照，每一列都是不同的变量。各列对应如下:

第1列–单元编号
第2列 - 循环中的时间
第3–5列–操作设置
柱6-26 - 传感器测量1-21

创建一个目录以存储TurboOman引擎劣化模拟数据集。

dataFolder = fullfile (tempdir,“涡扇”）;如果~exist（数据文件夹，'dir'mkdir (dataFolder);结尾

下载并提取涡轮机发动机劣化模拟数据集https://ti.art.nasa.gov/tech/dash/groups/pcoe/prognostic-data-repository/．

从文件中解压缩数据cmapssdata.zip.．

filename =.“CMAPSSData.zip”;解压缩(文件名,dataFolder)

使用辅助功能加载培训和测试数据processturbofandatatrain和processTurboFanDataTest,分别。示例中使用了这些函数使用深度学习的序列到序列回归．

oldpath = addpath（fullfile（matlabroot，'例子'那“nnet”那“主要”));filenamePredictors = fullfile (dataFolder,“train_FD001.txt”)；[XTrain，YTrain]=processTurboFanDataTrain（FileNamePredictor）；FileNamePredictor=fullfile（dataFolder，“test_FD001.txt”）;filenamersponses = fullfile（datafolder，“RUL_FD001.txt”)；[XTest，YTest]=processTurboFanDataTest（FileNamePredictor，filenameResponses）；

有关如何处理这些数据进行深度学习的示例，请参见使用深度学习的序列到序列回归．

要恢复路径，请使用小路函数。

路径（旧路径）；

序列到序列回归，预测性维护

PhysioIonet 2017挑战

PhysoioNet 2017挑战数据集［19］由一组专家以300赫兹采样的一组心电图记录组成，并将其分为不同类别。

下载和提取PhysioNet 2017 Challenge数据集使用reckphysionetdata.脚本，该脚本在示例中使用基于长短时记忆网络的心电信号分类．

数据集约95mb。根据你的互联网连接，下载过程可能需要一些时间。

oldpath = addpath（fullfile（matlabroot，'例子'那'deeplearning_shared'那“主要”));ReadPhysionetData data = load(“PhysionetData.mat”) signals = data.Signals;标签= data.Labels;

有关如何处理这些数据进行深度学习的示例，请参见基于长短时记忆网络的心电信号分类．

要恢复路径，请使用小路函数。

路径（旧路径）；

序列到标签分类

田纳西州伊士曼流程（TEP）模拟

该数据集由由Tennessee Eastman Process (TEP)模拟数据转换而成的MAT文件组成。

下载Tennessee Eastman Process (TEP)模拟数据集［18］从MathWorks支持文件站点(请参万博1manbetx阅免责声明）。数据集有四个组件：无故障培训，无故障测试，训练故障和错误的测试。单独下载每个文件。

数据集约为1.7 GB。根据您的Internet连接，下载过程可能需要一些时间。

fprintf（"下载TEP故障训练数据(613 MB)…"）filenamefaultytrain = matlab.internal.examples.DownloadS万博1manbetxupportFile（'predmaint'那．..“chemical-process-fault-detection-data / faultytraining.mat”）;fprintf（“完成。\ n”)fprintf(“下载TEP故障测试数据（1 GB）......”filenameFaultyTest = matlab.internal.examples.downloadSu万博1manbetxpportFile('predmaint'那．..'化学过程 - 故障检测 - 数据/故障.MAT'）;fprintf（“完成。\ n”)fprintf("下载TEP无故障训练数据(36mb)…") filenameFaultFreeTrain = matlab.internal.examples.download万博1manbetxSupportFile('predmaint'那．..'化学过程 - 故障检测数据/故障汇流.MAT'）;fprintf（“完成。\ n”)fprintf(“下载TEP无故障测试数据（69 MB）......”) filenameFaultFreeTest = matlab.internal.examples.download万博1manbetxSupportFile('predmaint'那．..“chemical-process-fault-detection-data / faultfreetesting.mat”）;fprintf（“完成。\ n”）

将下载的文件加载到MATLAB中^®工作区。

load（filenamefaultytrain）;加载（filenamefaultytest）;加载（FilenameFaultFreeTrain）;加载（filenamefaultfreetest）;

有关如何处理这些数据进行深度学习的示例，请参见基于深度学习的化工过程故障检测．

序列到标签分类

物理体心电图分割

物理体ECG分段数据集［19］[20]由总共105名患者大约15分钟的ECG记录组成。为了获得每次记录，检查人员在患者胸部的不同位置放置两个电极，从而产生双通道信号。数据库提供由自动专家系统生成的信号区域标签。

下载PhysioNet心电分割数据集从https://github.com/mathworks/physionet_ecg_segumentation.通过下载zip文件qt_database-master.zip.zip.．数据集大约是72mb。根据你的网络连接，下载过程可能需要一些时间。放downloadFolder数据的位置。

downloadFolder = tempdir;url =“https://github.com/mathworks/physionet_ecg_segentation/raw/master/qt_database-master.zip”;filename = fullfile（downloadFolder，“qt_database-master.zip”）;dataFolder = fullfile (downloadFolder,“QT_Database-master”）;如果~exist（数据文件夹，“dir”)fprintf(“下载Physionet心电分割数据集(72mb)…”) websave(文件名,url);解压缩(文件名,downloadFolder);fprintf（“完成。\ n”）结尾

解压缩创建文件夹qt_database-master在临时目录中。此文件夹包含文本文件README.md和以下文件：

qtdata.mat.
modified_physionet_data.txt.xt.
License.txt

qtdata.mat.包含物理体ECG分段数据。文件modified_physionet_data.txt.xt.提供数据的来源属性和对每个原始心电记录的操作描述。从MAT文件加载PhysioNet心电分割数据。

负载(fullfile (dataFolder'qtdata.mat'））

有关如何处理这些数据进行深度学习的示例，请参见基于深度学习的波形分割．

序列-标签分类，波形分割

合成行人，汽车和自行车后散射

使用辅助功能生成合成行人，汽车和自行车背散射数据集Helper Backscattersignals.和helperDopplerSignatures，在示例中使用使用深度学习的行人和自行车分类．

辅助函数Helper Backscattersignals.生成指定数量的行人、自行车和汽车雷达返回。对于每个实现，返回信号都有维度N在- - - - - -N缓慢的,N快速是快速样品和N慢是数缓慢时间样本。

辅助函数helperDopplerSignatures计算雷达返回的短时傅里叶变换（STFT）以产生微多普勒签名。为了获得微多普勒签名，请使用辅助功能将STFT和预处理方法应用于每个信号。

oldpath = addpath（fullfile（matlabroot，'例子'那“分阶段”那“主要”));numPed = 1;%行人实现的数量numbic = 1;百分比骑自行车型的次数numCar=1；%汽车实现数量[XPedREC，XBICREC，Xcarrec，Tsamp] = Helper BackScattersignals（Numped，Numbic，Numcar）;[Sped，T，F] = Helperdopplersignatures（XPedrec，Tsamp）;[SBIC，〜，〜] = Helperdopplersignatures（Xbicrec，Tsamp）;[疤痕，〜，〜] = Helperdopplersignatures（Xcarrec，Tsamp）;

有关如何处理这些数据进行深度学习的示例，请参见使用深度学习的行人和自行车分类．

要恢复路径，请使用小路函数。

路径（旧路径）；

序列到标签分类

生成波形

使用辅助功能生成矩形，线性FM和相位编码波形helperGenerateRadarWaveforms，在该示例中使用基于深度学习的雷达和通信波形分类．

辅助函数helperGenerateRadarWaveforms产生3000个信号，采样率为100 MHz的每个调制类型使用逐步.Rectangularwaveform.对于矩形脉冲，分阶段。LinearFMWaveform线性调频，和分阶段。PhaseCodedWaveform用于巴克码相位编码脉冲。

oldpath = addpath（fullfile（matlabroot，'例子'那“分阶段”那“主要”)); [wav，modType]=HelperGeneratorDarWaveforms；

有关如何处理这些数据进行深度学习的示例，请参见基于深度学习的雷达和通信波形分类．

要恢复路径，请使用小路函数。

路径（旧路径）；

序列到标签分类

视频数据集

数据描述任务

数据	描述	任务
HMDB:一个大型的人体运动数据库 (代表)	HMBD51数据集包含来自51类的7000个剪辑的大约2 GB的视频数据，例如喝那运行，和俯卧撑．下载并提取HMBD51数据集HMDB:一个大型的人体运动数据库．数据集约为2gb。根据你的网络连接，下载过程可能需要一些时间。提取RAR文件后，使用helper函数获取视频的文件名和标签`hmdb51files.`，它在示例中使用使用深度学习分类视频．放`dataFolder`数据的位置。 oldpath = addpath（fullfile（matlabroot，'例子'那“nnet”那“主要”));dataFolder = fullfile (tempdir,“hmdb51_org”）;(文件、标签)= hmdb51Files (dataFolder); 有关如何处理这些数据进行深度学习的示例，请参见使用深度学习分类视频．要恢复路径，请使用`小路`函数。路径（旧路径）；	视频分类

HMDB:一个大型的人体运动数据库

(代表)

HMBD51数据集包含来自51类的7000个剪辑的大约2 GB的视频数据，例如喝那运行，和俯卧撑．

下载并提取HMBD51数据集HMDB:一个大型的人体运动数据库．数据集约为2gb。根据你的网络连接，下载过程可能需要一些时间。

提取RAR文件后，使用helper函数获取视频的文件名和标签hmdb51files.，它在示例中使用使用深度学习分类视频．放dataFolder数据的位置。

oldpath = addpath（fullfile（matlabroot，'例子'那“nnet”那“主要”));dataFolder = fullfile (tempdir,“hmdb51_org”）;(文件、标签)= hmdb51Files (dataFolder);

有关如何处理这些数据进行深度学习的示例，请参见使用深度学习分类视频．

要恢复路径，请使用小路函数。

路径（旧路径）；

视频分类

文本数据集

数据描述任务

数据	描述	任务
工厂的报告	Factory Reports数据集是一个包含大约500个报告的表，这些报告具有各种属性，包括变量中的纯文本描述`描述`和变量中的分类标签`类别`．阅读工厂从文件中报告数据`“factoryreports.csv”`．从中提取文本数据和标签`描述`和`类别`分别列。 filename =.“factoryreports.csv”;数据= readtable（文件名，“TextType”那“字符串”）;textdata = data.description;标签= data.category; 有关如何处理这些数据进行深度学习的示例，请参见使用深度学习对文本数据进行分类．	文本分类，主题建模
莎士比亚的十四行诗	文件`十四行诗.txt`包含单个文本文件中的所有莎士比亚的十四赛。从文件中阅读莎士比亚的十四赛数据`“sonnets.txt”`． filename =.“sonnets.txt”; textData=fileread（文件名）； SONNET由两个空格字符缩进，并被两个换行符分隔。使用缩进使用`代替`并将文本分成单独的十四圈使用`分裂`．从前三个元素和十四行列语中删除主标题，该标题出现在每个十四行像之前。 textdata = replace（textdata，“那“）;textData = split(textData，[newline newline]); / /输出textData = textData(5:2:结束); 有关如何处理这些数据进行深度学习的示例，请参见使用深度学习生成文本．	主题建模、文本生成
Arxiv元数据	ARXIV API允许您访问提交的科学电子版的元数据https://arxiv.org包括摘要和主题领域。有关更多信息，请参见https://arxiv.org/help/api．使用arXiV API从数学论文中导入一组摘要和类别标签。 url =“https://export.arxiv.org/oai2？verb=listrecords”+．..“＆set = math”+．..“＆metadataprefix = Arxiv”;选择= weboptions (“超时”，160）;代码= Webrabread（URL，选项）; 有关如何解析返回的XML代码并导入更多记录的示例，请参见基于深度学习的多标签文本分类．	文本分类，主题建模
古登堡计划的书籍	你可以从古登堡计划下载很多书。例如，下载刘易斯·卡罗尔的《爱丽丝梦游仙境》https://www.gutenberg.org/files/11/11-h/11-h.htm使用`webread`函数。 url =“https://www.gutenberg.org/files/11/11-h/11-h.htm”;代码= Webrabread（URL）; HTML代码包含内部相关文本（段落）要素。通过解析使用HTML代码来提取相关文本`htmlTree`函数，然后查找具有元素名的所有元素`“P”`．树= htmlTree(代码);选择器=“P”;子树= findElement(树,选择器); 使用`extracthtmltext.`函数并删除空元素。 textdata = extracthtmltext（子树）;TextData（TextData ==“) = []; 有关如何处理这些数据进行深度学习的示例，请参见使用深度学习逐字生成文本．	主题建模、文本生成
周末更新	文件`waydingupdates.xlsx.`包含示例社交媒体状态更新，包含标签“#周末”和“#假期”。这个数据集需要Text Analytics Toolbox™。从文件中提取文本数据`waydingupdates.xlsx.`使用`readtable`函数并从变量中提取文本数据`textdata.`． filename =.“weekendUpdates.xlsx”;台= readtable(文件名,“TextType”那“字符串”）;textdata = tbl.textdata; 有关如何处理此数据的示例，请参见分析文本情绪(文本分析工具箱)．	情绪分析
罗马数字	CSV文件`“romannumerals.csv”`包含第一列中的十进制数1-1000和第二列中的相应罗马数字。从CSV文件加载小数-罗马数字对`“romannumerals.csv”`．文件名= fullfile (“romannumerals.csv”）;选项= detectimportoptions（文件名，．..“TextType”那“字符串”那．..“ReadVariableNames”、假);选项。VariableNames = [“来源”“目标”];选项。VariableTypes = [“字符串”“字符串”];data = readtable(文件名,选择); 有关如何处理这些数据进行深度学习的示例，请参见使用注意的顺序翻译．	Sequence-to-sequence翻译
财务报告	美国证券交易委员会(SEC)允许您通过电子数据收集、分析和检索(EDGAR) API访问财务报告。有关更多信息，请参见https://www.sec.gov/edgar/searchedgar/accessing-edgar-data.htm．要下载这些数据，请使用该函数`financeReports`附在这个例子上生成领域特定情感词典(文本分析工具箱)作为支持文万博1manbetx件。要访问此函数，请将示例作为Live Script打开。年= 2019;季度= 4;最大长度= 2 e6;textData = financeReports(年、季度、最大长度); 有关如何处理此数据的示例，请参见生成领域特定情感词典(文本分析工具箱)．	情绪分析

工厂的报告

Factory Reports数据集是一个包含大约500个报告的表，这些报告具有各种属性，包括变量中的纯文本描述描述和变量中的分类标签类别．

阅读工厂从文件中报告数据“factoryreports.csv”．从中提取文本数据和标签描述和类别分别列。

filename =.“factoryreports.csv”;数据= readtable（文件名，“TextType”那“字符串”）;textdata = data.description;标签= data.category;

有关如何处理这些数据进行深度学习的示例，请参见使用深度学习对文本数据进行分类．

文本分类，主题建模

莎士比亚的十四行诗

文件十四行诗.txt包含单个文本文件中的所有莎士比亚的十四赛。

从文件中阅读莎士比亚的十四赛数据“sonnets.txt”．

filename =.“sonnets.txt”; textData=fileread（文件名）；

SONNET由两个空格字符缩进，并被两个换行符分隔。使用缩进使用代替并将文本分成单独的十四圈使用分裂．从前三个元素和十四行列语中删除主标题，该标题出现在每个十四行像之前。

textdata = replace（textdata，“那“）;textData = split(textData，[newline newline]); / /输出textData = textData(5:2:结束);

有关如何处理这些数据进行深度学习的示例，请参见使用深度学习生成文本．

主题建模、文本生成

Arxiv元数据

ARXIV API允许您访问提交的科学电子版的元数据https://arxiv.org包括摘要和主题领域。有关更多信息，请参见https://arxiv.org/help/api．

使用arXiV API从数学论文中导入一组摘要和类别标签。

url =“https://export.arxiv.org/oai2？verb=listrecords”+．..“＆set = math”+．..“＆metadataprefix = Arxiv”;选择= weboptions (“超时”，160）;代码= Webrabread（URL，选项）;

有关如何解析返回的XML代码并导入更多记录的示例，请参见基于深度学习的多标签文本分类．

文本分类，主题建模

古登堡计划的书籍

你可以从古登堡计划下载很多书。例如，下载刘易斯·卡罗尔的《爱丽丝梦游仙境》https://www.gutenberg.org/files/11/11-h/11-h.htm使用webread函数。

url =“https://www.gutenberg.org/files/11/11-h/11-h.htm”;代码= Webrabread（URL）;

HTML代码包含内部相关文本

（段落）要素。通过解析使用HTML代码来提取相关文本htmlTree函数，然后查找具有元素名的所有元素“P”．

树= htmlTree(代码);选择器=“P”;子树= findElement(树,选择器);

使用extracthtmltext.函数并删除空元素。

textdata = extracthtmltext（子树）;TextData（TextData ==“) = [];

有关如何处理这些数据进行深度学习的示例，请参见使用深度学习逐字生成文本．

主题建模、文本生成

周末更新

文件waydingupdates.xlsx.包含示例社交媒体状态更新，包含标签“#周末”和“#假期”。这个数据集需要Text Analytics Toolbox™。

从文件中提取文本数据waydingupdates.xlsx.使用readtable函数并从变量中提取文本数据textdata.．

filename =.“weekendUpdates.xlsx”;台= readtable(文件名,“TextType”那“字符串”）;textdata = tbl.textdata;

有关如何处理此数据的示例，请参见分析文本情绪(文本分析工具箱)．

情绪分析

罗马数字

CSV文件“romannumerals.csv”包含第一列中的十进制数1-1000和第二列中的相应罗马数字。

从CSV文件加载小数-罗马数字对“romannumerals.csv”．

文件名= fullfile (“romannumerals.csv”）;选项= detectimportoptions（文件名，．..“TextType”那“字符串”那．..“ReadVariableNames”、假);选项。VariableNames = [“来源”“目标”];选项。VariableTypes = [“字符串”“字符串”];data = readtable(文件名,选择);

有关如何处理这些数据进行深度学习的示例，请参见使用注意的顺序翻译．

Sequence-to-sequence翻译

财务报告

美国证券交易委员会(SEC)允许您通过电子数据收集、分析和检索(EDGAR) API访问财务报告。有关更多信息，请参见https://www.sec.gov/edgar/searchedgar/accessing-edgar-data.htm．

要下载这些数据，请使用该函数financeReports附在这个例子上生成领域特定情感词典(文本分析工具箱)作为支持文万博1manbetx件。要访问此函数，请将示例作为Live Script打开。

年= 2019;季度= 4;最大长度= 2 e6;textData = financeReports(年、季度、最大长度);

有关如何处理此数据的示例，请参见生成领域特定情感词典(文本分析工具箱)．

情绪分析

音频数据集

数据描述任务

数据	描述	任务
语音命令	语音命令数据集[21]由大约65,000个音频文件组成，标有1个中的1个课程，包括是的那不那在，和离开以及对应于未知命令和背景噪声的类。下载并提取语音命令数据集https://storage.googleapis.com/download.tensorflow.org/data/speech_commands_v0.01.tar.gz.．数据集约为1.4 GB。根据你的网络连接，下载过程可能需要一些时间。放`dataFolder`数据的位置。使用`audiodatastore.`创建包含文件名和相应标签的数据存储。 dataFolder = tempdir;广告= audiodataStore（DataFolder，．..'insertumbfolders'，真的，．..“文件扩展名”那“wav”那．..“LabelSource”那“foldernames”）; 有关如何处理这些数据进行深度学习的示例，请参见使用深度学习的言语命令识别．	音频分类，语音识别
Mozilla共同的声音	Mozilla通用语音数据集包括语音录音和相应的文本文件。数据还包括人口统计元数据，如年龄、性别和口音。下载并提取Mozilla Common Voice数据集https://voice.mozilla.org/．数据集是开放数据集，这意味着它可以随时间增长。截至2019年10月，数据集约为28gb。根据你的网络连接，下载过程可能需要一些时间。放`dataFolder`数据的位置。使用`audiodatastore.`创建包含文件名和相应标签的数据存储。 dataFolder = tempdir;广告= audioDatastore (fullfile (dataFolder,“剪辑”)); 有关如何处理这些数据进行深度学习的示例，请参见使用GRU网络对性别进行分类．	音频分类，语音识别。
免费口头数字数据集	截止到2019年1月29日，“自由口语数字数据集”是由4名演讲者的2000段英语数字0到9的录音组成的。在这个版本中，两名讲话者的母语是美国英语，两名讲话者的母语是非英语，分别带有比利时、法国和德国口音。数据采样频率为8000 Hz。下载自由语音数字数据集(FSDD)录音https://github.com/jakobovski/free-spoken-digit-dataset.．放`dataFolder`数据的位置。使用`audiodatastore.`创建包含文件名和相应标签的数据存储。 dataFolder = fullfile (tempdir,'自由发言 - DataSet'那'录音'）;广告= audiodataStore（DataFolder）; 有关如何处理这些数据进行深度学习的示例，请参见基于小波散射和深度学习的语音数字识别．	音频分类，语音识别。
柏林情感演讲数据库	柏林情感语言数据库[22]包含由10个演员说出的535个话语，旨在传达以下情绪之一:愤怒、无聊、厌恶、焦虑/恐惧、快乐、悲伤或中性。情感是独立于文本的。文件名是表示说话者ID、所讲文本、情感和版本的代码。该网站包含破译密码的钥匙，以及演讲者的性别和年龄等附加信息。下载来自情绪演讲的柏林数据库http://emodb.bilderbar.info/index-1280.html.．数据集大约是40mb。根据你的互联网连接，下载过程可能需要一些时间。放`dataFolder`数据的位置。使用`audiodatastore.`创建包含文件名和相应标签的数据存储。 dataFolder = tempdir;广告= audioDatastore (fullfile (dataFolder,“wav”)); 有关如何处理这些数据进行深度学习的示例，请参见语音情感识别．	音频分类，语音识别。
TUT声学场景2017	下载并提取TUT声学场景2017数据集[23]从…起TUT声学场景2017，开发数据集和TUT声学场景2017，评估数据集．该数据集由来自15个声学场景的10秒音频片段组成，包括公共汽车那汽车，和图书馆．有关如何处理这些数据进行深度学习的示例，请参见声学场景识别使用后期融合．	声场景分类

语音命令

语音命令数据集[21]由大约65,000个音频文件组成，标有1个中的1个课程，包括是的那不那在，和离开以及对应于未知命令和背景噪声的类。

下载并提取语音命令数据集https://storage.googleapis.com/download.tensorflow.org/data/speech_commands_v0.01.tar.gz.．数据集约为1.4 GB。根据你的网络连接，下载过程可能需要一些时间。

放dataFolder数据的位置。使用audiodatastore.创建包含文件名和相应标签的数据存储。

dataFolder = tempdir;广告= audiodataStore（DataFolder，．..'insertumbfolders'，真的，．..“文件扩展名”那“wav”那．..“LabelSource”那“foldernames”）;

有关如何处理这些数据进行深度学习的示例，请参见使用深度学习的言语命令识别．

音频分类，语音识别

Mozilla共同的声音

Mozilla通用语音数据集包括语音录音和相应的文本文件。数据还包括人口统计元数据，如年龄、性别和口音。

下载并提取Mozilla Common Voice数据集https://voice.mozilla.org/．数据集是开放数据集，这意味着它可以随时间增长。截至2019年10月，数据集约为28gb。根据你的网络连接，下载过程可能需要一些时间。放dataFolder数据的位置。使用audiodatastore.创建包含文件名和相应标签的数据存储。

dataFolder = tempdir;广告= audioDatastore (fullfile (dataFolder,“剪辑”));

有关如何处理这些数据进行深度学习的示例，请参见使用GRU网络对性别进行分类．

音频分类，语音识别。

免费口头数字数据集

截止到2019年1月29日，“自由口语数字数据集”是由4名演讲者的2000段英语数字0到9的录音组成的。在这个版本中，两名讲话者的母语是美国英语，两名讲话者的母语是非英语，分别带有比利时、法国和德国口音。数据采样频率为8000 Hz。

下载自由语音数字数据集(FSDD)录音https://github.com/jakobovski/free-spoken-digit-dataset.．

放dataFolder数据的位置。使用audiodatastore.创建包含文件名和相应标签的数据存储。

dataFolder = fullfile (tempdir,'自由发言 -  DataSet'那'录音'）;广告= audiodataStore（DataFolder）;

有关如何处理这些数据进行深度学习的示例，请参见基于小波散射和深度学习的语音数字识别．

音频分类，语音识别。

柏林情感演讲数据库

柏林情感语言数据库[22]包含由10个演员说出的535个话语，旨在传达以下情绪之一:愤怒、无聊、厌恶、焦虑/恐惧、快乐、悲伤或中性。情感是独立于文本的。

文件名是表示说话者ID、所讲文本、情感和版本的代码。该网站包含破译密码的钥匙，以及演讲者的性别和年龄等附加信息。

下载来自情绪演讲的柏林数据库http://emodb.bilderbar.info/index-1280.html.．数据集大约是40mb。根据你的互联网连接，下载过程可能需要一些时间。

放dataFolder数据的位置。使用audiodatastore.创建包含文件名和相应标签的数据存储。

dataFolder = tempdir;广告= audioDatastore (fullfile (dataFolder,“wav”));

有关如何处理这些数据进行深度学习的示例，请参见语音情感识别．

音频分类，语音识别。

TUT声学场景2017

下载并提取TUT声学场景2017数据集[23]从…起TUT声学场景2017，开发数据集和TUT声学场景2017，评估数据集．

该数据集由来自15个声学场景的10秒音频片段组成，包括公共汽车那汽车，和图书馆．

有关如何处理这些数据进行深度学习的示例，请参见声学场景识别使用后期融合．

声场景分类

工具书类

[1] Lake，Brenden M.，Ruslan Salakhutdinov和Joshua B. Tenenbaum。“通过概率方案诱导学习人类概念。”科学类350年,没有。6266(2015年12月11日):1332-38。https://doi.org/10.1126/science.aab3050。

[2] Tensorflow团队。“花卉”https://www.tensorflow.org/datasets/catalog/tf_flowers.

[3] Kat,郁金香，图片，https://www.flickr.com/photos/swimparallel/3455026124.知识共享许可证（抄送人）。

[4] Rob Bertholf，向日葵，图片，https://www.flickr.com/photos/tobbertholph/20777358950．Creative Commons 2.0通用许可证。

[5] Parvin，玫瑰，图片，https://www.flickr.com/photos/55948751@N00．Creative Commons 2.0通用许可证。

[6]约翰·海斯蓝蒲公英，图片，https://www.flickr.com/photos/foxypar4/645330051.．Creative Commons 2.0通用许可证。

[7] Krizhevsky,亚历克斯。"从微小图像中学习多层特征"硕士论文，多伦多大学，2009。https://www.cs.toronto.edu/%7ekriz/learning-features-2009-tra.pdf.．

Brostow, Gabriel J.， Julien Fauqueur和Roberto Cipolla。《视频中的语义对象类:高清地面真实数据库》模式识别的字母30，没有。2（2009年1月）：88-97。https://doi.org/10.1016/j.patrec.2008.04.005

[9] Kemker，Ronald，Carl Salvaggio和Christopher Kanan。“语义细分的高分辨率多光谱数据集。”ArXiv: 1703.01918 (Cs)，2017年3月6日。https://arxiv.org/abs/1703.01918

Isensee, Fabian, Philipp Kickingereder, Wolfgang Wick, Martin Bendszus和Klaus H. Maier-Hein。脑肿瘤分割和放射组学生存预测:对BRATS 2017挑战的贡献在脑损伤:胶质瘤，多发性硬化症，中风和创伤性脑损伤， Alessandro Crimi, Spyridon Bakas, Hugo Kuijf, Bjoern Menze, and Mauricio Reyes编辑，10670:287-97。瑞士Cham:施普林格International Publishing, 2018。https://doi.org/10.1007/978-3-319-75238-9_25

Ehteshami Bejnordi, Babak, Mitko Veta, Paul Johannes van Diest, Bram van Ginneken, Nico Karssemeijer, Geert Litjens, Jeroen A. W. M. van der Laak, et al.“深度学习算法检测乳腺癌女性淋巴结转移的诊断评估”。《美国医学会杂志》318年,没有。22(2017年12月12日):2199。https://doi.org/10.1001/jama.2017.14585

[12] Grubinger，M.，P. Clough，H.Müller和T. Deselaers。“IAPR TC-12基准测试：用于视觉信息系统的新评估资源。”基于内容的图像检索的odimage 2006语言资源的程序。热那亚，意大利。卷。5，2006年5月，p。10。

[13] Ignatov，Andrey，Luc Van Gool和Radu Townofte。“用一个深入学习模型替换移动相机ISP。”ArXiv: 2002.05509 (Cs,套)2020年2月13日。http://arxiv.org/abs/2002.05509。项目网站．

[14] 现场：图像和视频工程实验室。https://live.ece.utexas.edu/research/ChallengeDB/index.html．

[15] Kudo，Mineichi，Jun Toyama和Masaru Shimbo。“使用过度区域的多维曲线分类。”模式识别字母20，否。11-13（1999年11月）：1103-11。https://doi.org/10.1016/s0167-8655(99)00077-x.

[16] Kudo，Mineichi，Jun Toyama和Masaru Shimbo。日本元音数据集．由UCI机器学习存储库分发。https://archive.ics.uci.edu/ml/datasets/Japanese+Vowels

萨克森，阿比纳夫，凯·戈贝尔。涡扇发动机退化模拟数据集NASA AMES预测数据存储库https://ti.art.nasa.gov/tech/dash/groups/pcoe/prognostic-data-repository/，美国宇航局阿米斯研究中心，迈夫特田，加州

[18] Rieth，Cory A.，Ben D. Amsel，Randy Tran和Maia B.厨师。“额外的田纳西州Eastman流程用于异常检测评估的模拟数据。”哈佛Dataverse，版本1,2017。https://doi.org/10.7910/DVN/6C3JR1．

[19] 戈德伯格、阿瑞·勒、路易斯·阿马拉尔、利昂·格拉斯、杰弗里·豪斯多夫、普拉曼·伊万诺夫、罗杰·G·马克、约瑟夫·E·密特斯、乔治·B·穆迪、钟康鹏和H·尤金·斯坦利。“生理库、生理工具包和生理网：复杂生理信号新研究资源的组成部分。”循环101,23,2000，PP。E215-E220。https://circ.ahajournals.org/content/101/23/E215.FULL.

[20] Laguna，Pablo，Roger G. Mark，Ary L. Goldberger和George B. Moody。“用于评估ECG中QT和其他波形间隔的算法的数据库。”心脏病学中的计算机24,997，第673-676页。

[21]监狱长P。“语音指令:单字语音识别的公共数据集”，2017。可以从http://download.tensorflow.org/data/speech_commands_v0.01.tar.gz.．版权所有Google 2017.语音命令DataSet在Creative Commons归因4.0许可下许可，可在此处提供：https://creativeCommons.org/licenses/by/4.0/Legalcode.．

[22] Burkhardt，Felix，Astrid Paeschke，Melissa A. Rolfes，Walter F. Sendlmeier，以及Benjamin Weiss。“德国情绪言论的数据库。”2005年的Interspeech程序．里斯本，葡萄牙：国际言论协会，2005年。

[23] Mesaros，Annamaria，Toni Heittola和Tuomas Virtanen。“声学场景分类：DCEAD 2017挑战条目的概述。”在2018年第16届关于声学信号增强国际研讨会（IWAENC）, 411 - 415页。IEEE 2018。