【动手学深度学习】(十四)数据增广+微调

文章目录

一、数据增强
- 1.理论知识
- 2.代码
二、微调
- 1.理论知识

一、数据增强

1.理论知识

增加一个已有数据集，使得有更多的多样性
- 在语言里面加入各种不同的背景噪音
- 改变图片的颜色和形状

使用增强数据训练
翻转

左右翻转
上下翻转
- 不总是可行

切割

从图片中切割一块，然后变形到固定形状
- 随机高宽比
- 随机大小
- 随机位置

颜色

改变色调，饱和度，明亮度

[总结]

数据增广通过变形数据来获取多样性从而使得模型泛化性能更好
常见图片增广包括翻转、切割、变色

2.代码

1.读取图像

%matplotlib inline
import torch
import torchvision
from torch import nn
from d2l import torch as d2l


d2l.set_figsize()
img = d2l.Image.open('../img/test.png')
d2l.plt.imshow(img);

在这里插入图片描述

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)

水平翻转

apply(img, torchvision.transforms.RandomHorizontalFlip())
# 在水平方向进行随机翻转

在这里插入图片描述

上下翻转图像

# 上下翻转图像
apply(img, torchvision.transforms.RandomVerticalFlip())

在这里插入图片描述
随机裁剪

shape_aug = torchvision.transforms.RandomResizedCrop(
    (200, 200), scale=(0.1, 1), ratio=(0.5, 2))
apply(img, shape_aug)

在这里插入图片描述
随机更改图片亮度

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

在这里插入图片描述
随机更改图片的色调,亮度（brightness）对比度(contrast)饱和度(saturation)色调(hue)

# 随机更改图片的色调,亮度（brightness）对比度(contrast)饱和度(saturation)色调(hue)
color_aug = torchvision.transforms.ColorJitter(
    brightness=0.5, contrast=0.5, saturation=0.5, hue=0.5)
apply(img, color_aug)

在这里插入图片描述
结合多种图像增广方法

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

在这里插入图片描述

all_images = torchvision.datasets.CIFAR10(
    train=True, root="../data", download=True)
d2l.show_images([
    all_images[i][0] for i in range(32)], 4, 8, scale=0.8);

在这里插入图片描述

# 只使用最简单的随机左右翻转
train_augs = torchvision.transforms.Compose([
    torchvision.transforms.RandomHorizontalFlip(),
    torchvision.transforms.ToTensor()])

test_augs = torchvision.transforms.Compose([
    torchvision.transforms.ToTensor()])

# 定义一个辅助函数，以便于读取图像和应用图像增广
def load_cifar10(is_train, augs, batch_size):
    dataset = torchvision.datasets.CIFAR10(
        root="../data", train=is_train,
        transform=augs, download=True)
    dataloader = torch.utils.data.DataLoader(
        dataset, batch_size=batch_size, shuffle=is_train,
        num_workers=0)
    return dataloader