一、數據增強

1、增加一個已有數據集，使得有更多的多樣性，比如加入不同的背景噪音、改變圖片的顏色和形狀。

2、增強數據是在線生成的

3、增強類型：

（1）翻轉

（2）切割

（3）顏色

（4）銳化、加斑點

二、總結

1、數據增廣通過變形數據來獲取多樣性，從而使得模型泛化性更好

2、常見圖片增廣包括翻轉、切割、變色

3、就是把數據集換了而已

4、為了在預測過程中得到確切的結果，我們通常對訓練樣本只進行圖像增廣，而在預測過程中不使用帶隨機操作的圖像增廣。

5、深度學習框架提供了許多不同的圖像增廣方法，這些方法可以被同時應用。

三、代碼

1、增廣方法aug

def apply(img, aug, num_rows=2, num_cols=4, scale=1.5):Y = [aug(img) for _ in range(num_rows * num_cols)]d2l.show_images(Y, num_rows, num_cols, scale=scale)

2、翻轉

apply(img, torchvision.transforms.RandomHorizontalFlip())
apply(img, torchvision.transforms.RandomVerticalFlip())

3、裁剪

#面積為原始面積10%到100%的區域，寬高比從0.5～2之間隨機取值
shape_aug = torchvision.transforms.RandomResizedCrop((200, 200), scale=(0.1, 1), ratio=(0.5, 2))
apply(img, shape_aug)

4、亮度

apply(img, torchvision.transforms.ColorJitter(brightness=0.5, contrast=0, saturation=0, hue=0))

5、色調

apply(img, torchvision.transforms.ColorJitter(brightness=0, contrast=0, saturation=0, hue=0.5))

亮度（brightness）、對比度（contrast）、飽和度（saturation）和色調（hue）

6、混合

augs = torchvision.transforms.Compose([torchvision.transforms.RandomHorizontalFlip(), color_aug, shape_aug])
apply(img, augs)