深度学习的数据预处理涉及将原始数据准备成适合训练模型的格式。第一步是清理和规范化数据。必须处理缺失值——可以通过删除不完整的样本、用统计度量（如均值或中位数）填补空白，或者对时间序列数据使用插值。例如，在具有传感器读数的数据集中，缺失值可以用相邻数据点的平均值替换。规范化使用诸如 Min-Max 缩放或 Z-score 标准化之类的方法，将数值特征缩放到一致的范围，通常是 [0, 1] 或 [-1, 1]。这可以防止范围较大的特征（例如，收入与年龄）主导模型的学习过程。分类数据（例如文本标签或类）必须以数字方式编码——常见的技术包括独热编码（用于非序数类别）或整数标记（用于序数数据）。
接下来，将数据拆分为训练集、验证集和测试集。典型的拆分可能会分配 70% 用于训练，15% 用于验证（以调整超参数），以及 15% 用于测试（以评估最终性能）。对于时间序列等顺序数据，请确保拆分保持时间顺序，以避免数据泄漏。数据增强可以人为地扩展训练集，尤其是在数据有限的情况下。对于图像，这可能涉及旋转、翻转或亮度调整。在文本数据中，同义词替换或随机掩蔽等技术可以提高泛化能力。像 TensorFlow 的 ImageDataGenerator 或 PyTorch 的 transforms 模块这样的工具可以自动执行这些转换。例如，将随机水平翻转应用于动物图像数据集有助于模型识别物体，而不管其方向如何。
最后，为模型输入构建数据结构。对于表格数据，将其转换为张量（例如，NumPy 数组或 PyTorch 张量）并进行批量处理以实现高效处理。序列数据（如文本或时间序列）需要填充或截断以确保长度一致。例如，在 NLP 中，句子可能会被填充到 100 个标记，较短的文本会用零填充。嵌入层或标记化（使用像 Hugging Face 的 Tokenizer 这样的工具）将文本转换为数值表示。对于图像数据，请确保尺寸一致（例如，将所有图像调整为 224x224 像素）并规范化像素值。始终通过在训练之前检查样本批次来验证预处理步骤——这可以捕获诸如标签未对齐或缩放不正确之类的错误。记录预处理逻辑可确保可重现性，并在部署模型时简化调试。