1. CES上的真实故事

2. 数据增强

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

例如，我们可以以不同的方式裁剪图像，使感兴趣的对象出现在不同的位置，减少模型对于对象出现位置的依赖。 我们还可以调整亮度、颜色等因素来降低模型对颜色的敏感度。 可以说，图像增广技术对于AlexNet的成功是必不可少的。

3. 使用增强数据训练

可以把这个看做是正则项，只是作用在训练的时候。

4. 翻转

5. 切割

6. 颜色

7. 几十种其他的方法

8. 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

9. 一些Q&A

Q1: 理论上，是不是如果原始样本足够多，就不用做增广？

A1：是的，但是实际上不存在这种情况。因为图片多不代表多样性好，所以增广在一定意义上是有用的。

Q2: num_worker的值是不是根据机器GPU性能而设定？

A2: 是的。

Q3: 请问图片增广后需要一张一张确认是否有效吗？

A3: 不用一张张确认，大概看一下就行，就像在jupter notebook上打印一下看看就行

Q4: 多张图片叠加，是不是也是一种有效的增广方式？

A4: 是的，有一种叫mix-up的方式。

Q5: 如何理解多样性增加，但是分布不变？

A5: 可以认为增广不能改变均值但能改变方差，让方差变更大了。