图像数据增强

数据增强（Data Augmentation），也称为数据增广，是一种在机器学习和深度学习中常用的技术，它通过对现有数据进行各种变换和处理来生成新的训练样本，从而增加数据集的多样性和数量。这种方法在解决数据稀缺、提高模型泛化能力和鲁棒性方面具有重要意义。

一、作用

缓解了深度学习中数据不足的场景，在图像领域首先得到广泛使用，进而延伸到 NLP 领域，并在许多任务上取得效果。一个主要的方向是增加训练数据的多样性，从而提高模型泛化能力。

二、增强方法

图像数据增强：

• 几何变换：如翻转、旋转、缩放、平移、裁剪等，改变图像的空间位置或尺寸。
• 颜色变换：调整图像的亮度、对比度、饱和度等颜色属性。
• 噪声添加：在图像中添加随机噪声，如高斯噪声、椒盐噪声等。
• 模糊处理：使用高斯模糊、运动模糊等模糊技术处理图像。
• 仿射变换：进行更复杂的图像变换，如透视变换等。

三、代码体现

方法：

-- RandomRotation() --> 随机旋转
-- CenterCrop() --> 中心剪裁
-- RandomHorizontalFlip() --> 随机水平旋转
-- RandomVerticalFlip() --> 随机垂直旋转
-- ColorJitter() --> 颜色变换
-- RandomGrayscale() --> 转化为灰度图
-- Normalize() --> 标准化

from torchvision import transforms
"""-----创建数据集的类---数据增强-----"""
data_transforms = {'train':transforms.Compose([transforms.Resize([300,300]),transforms.RandomRotation(45), # 随机旋转，-45到45度之间随便选transforms.CenterCrop(216), # 从中心开始剪裁transforms.RandomHorizontalFlip(p=0.5),# 随机水平反转，设定一个概率transforms.RandomVerticalFlip(p=0.5),# 随机垂直反转transforms.ColorJitter(brightness=0.2,contrast=0.1,saturation=0.1,hue=0.1),# 参数1亮度，参数2对比度，参数3饱和度，参数4色相transforms.RandomGrayscale(p=0.1),# 转化为灰度图transforms.ToTensor(),transforms.Normalize([0.485,0.456,0.406],[0.229,0.224,0.225]) # 标准化：均值，标准差（统一的）]),'valid':transforms.Compose([transforms.Resize([216,216]),transforms.ToTensor(),transforms.Normalize([0.485,0.456,0.406],[0.229,0.224,0.225])]),
}

上述代码中，完全体现了当有图像传入之后，图像会进行的变化。

四、增强体现

从上述代码中，我们也能发现，上述的操作只是将传入的图像进行调整变换并没有增加训练集呀？不像是在机器学习时进行的过采样拟合数据，直观的看到100条数据拟合成了1000条数据，数据明显增多了。这里的数据增强仅仅只是将传入的图像进行调整变换，训练的数据集数量并没有动，那它是怎么将上述代码的作用体现出来从而实现数据增强的呢？

重点环节就在epochs循环中：

epochs = 50
for t in range(epochs):print(f"Epoch {t+1} \n-------------------------")train(train_dataloader,model,loss_fn,optimizer)
print("Done!")

我们在进行epochs循环时，每次都需要调用train_dataloader，我们再看看train_dataloader数据加载器是什么：

train_dataloader = DataLoader(training_data,batch_size=64,shuffle=True)

我们又发现了，train数据加载器是对training_data训练集数据的处理，那我们再看看训练集数据是什么：

training_data = food_dataset(file_path='train_labels.txt',transform=data_transforms['train'])

在这里！！我们发现transform预处理参数设置的是数据增强的代码，所以意味着，每次循环时，原始数据集都会进入到transform操作中进行变换，每次变换都是随机的，也就意味着每次循环训练时都会有大量不同的数据进行训练，从而使得神经网络训练了大量的数据集。

总结

本篇介绍了：

1. 数据增强的方法。
2. 数据增强是如何体现的。

注意：数据增强与过采样直接拟合大量数据不同，数据增强体现在每次循环训练数据前，都给数据进行一次随机变换，使得每次训练的数据都不一样，从而实现训练大量的数据。