一、数据增强

1、增加一个已有数据集，使得有更多的多样性，比如加入不同的背景噪音、改变图片的颜色和形状。

2、增强数据是在线生成的

3、增强类型：

（1）翻转

（2）切割

（3）颜色

（4）锐化、加斑点

二、总结

1、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更好

2、常见图片增广包括翻转、切割、变色

3、就是把数据集换了而已

4、为了在预测过程中得到确切的结果，我们通常对训练样本只进行图像增广，而在预测过程中不使用带随机操作的图像增广。

5、深度学习框架提供了许多不同的图像增广方法，这些方法可以被同时应用。

三、代码

1、增广方法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、翻转

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

3、裁剪

#面积为原始面积10%到100%的区域，宽高比从0.5～2之间随机取值
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、色调

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

亮度（brightness）、对比度（contrast）、饱和度（saturation）和色调（hue）

6、混合

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