深度学习pytorch——数据增强（持续更新）

背景介绍

大量的数据是防止过拟合的关键，但是我们如何去获取大量的数据，是自己去拍摄、录制吗？显然这种方式有极高的成本。我们可以对同一张图片进行变换得到多张图片，比如原来只有10张图片，通过变换变成了20张图片，但是并不能无限的增长，也是有限制的，这种方法就叫做数据增强。数据增强的成本基本为0，虽然最后得到的图片效果也没有原图片好，但是有总比没有强，会在一定程度上增强我们的模型。
一张网球照片不同的变换

翻转（Flip）

翻转效果图

代码实现：

python 复制代码

train_loader = torch.utils.data.DataLoader(
    datasets.MNIST('../data', train=True, download=True,
                   transform=transforms.Compose([
                       transforms.RandomHorizontalFlip(),  #水平翻转
                       transforms.RandomVerticalFlip(),  #竖直翻转
                       transforms.ToTensor()
                   ])),
    batch_size=batch_size, shuffle=True)

旋转（Rotate）

旋转效果图

代码实现：

python 复制代码

train_loader = torch.utils.data.DataLoader(
    datasets.MNIST('../data', train=True, download=True,
                   transform=transforms.Compose([
                       transforms.RandomRotation(15),  #-15度-15度的角度随机旋转
                       transforms.RandomRotation([90, 180, 270]),  #随机旋转90度，180度，270度
                       transforms.ToTensor()
                   ])),
    batch_size=batch_size, shuffle=True)

缩放（Scale）

缩放效果图

代码实现：

python 复制代码

train_loader = torch.utils.data.DataLoader(
    datasets.MNIST('../data', train=True, download=True,
                   transform=transforms.Compose([
                       transforms.Resize([32, 32]), #scale 缩放
                       transforms.ToTensor()
                   ])),
    batch_size=batch_size, shuffle=True)

裁剪或部分式旋转（Crop Part）

裁剪或部分式旋转效果图

代码实现：

python 复制代码

train_loader = torch.utils.data.DataLoader(
    datasets.MNIST('../data', train=True, download=True,
                   transform=transforms.Compose([
                       transforms.RandomRotation(15),  #-15度-15度的角度随机旋转
                       transforms.RandomRotation([90, 180, 270]),  #随机旋转90度，180度，270度
                       transforms.RandomCrop([28, 28]), #随机裁剪
                       transforms.ToTensor()
                   ])),
    batch_size=batch_size, shuffle=True)

加噪声（Noise）

加噪声效果图

参考：课时75 数据增强_哔哩哔哩_bilibili