深度学习笔记 —— 数据增广

本文探讨了卷积神经网络中数据增强的重要性,通过左右翻转、上下翻转、随机裁剪、调整亮度和色调等方法增加训练集的多样性,以提高模型的泛化能力。并展示了使用Python和PyTorch库实现这些数据增强技术的代码示例。

 

固定形状?卷积神经网络通常是一个固定的输入。

作用好不好是不一定的。很多时候觉得它有用是因为觉得测试集里会有图片跟这个效果是差不多的。

所以如何选择数据增强?可以从后往前推,想一下部署和测试集里面的图片与训练集的图片会有什么变化,从而确定需要什么样的数据增强方式。

### 李沐深度学习笔记中的数据增广技术细节 在处理图像分类任务时,为了提升模型性能并增强其泛化能力,采用数据增广是一种有效手段。通过应用各种变换操作于原始图片之上,不仅能够扩充可用的数据量,而且有助于减少过拟合现象的发生。 #### 图像增广的作用机制 通过对训练图像执行一系列随机变化来创建相似却有所区别的新样本,以此方式增加训练集多样性[^3]。具体而言: - **扩展数据规模**:生成更多样化的输入实例供网络学习; - **减轻偏差影响**:防止模型过分关注特定特征或模式; - **改善泛化表现**:使模型更稳健地应对未曾见过的真实场景下的测试案例; #### 常见的图像增广方法 针对不同应用场景需求,可以选择多种类型的转换策略组合使用,包括但不限于以下几种基本形式: - **几何变形**:如翻转(水平/垂直)、旋转、缩放和平移等; - **颜色调整**:亮度调节、对比度修改、饱和度变动及色调偏移等; - **噪声注入**:向原图添加高斯白噪或其他形式干扰信号; - **裁剪与填充**:截取部分区域作为新的子图或将边界处补全至指定尺寸; #### 使用PyTorch实现简单的图像增广流程 下面给出一段基于`torchvision.transforms`库构建自定义Transform对象的例子,该对象可以在加载器阶段自动应用于每一批次传入的数据上: ```python from torchvision import transforms transform = transforms.Compose([ transforms.RandomHorizontalFlip(), # 随机水平翻转 transforms.ColorJitter(brightness=0.2, contrast=0.2), # 调整色彩属性 transforms.ToTensor() # 将PIL Image 或 numpy.ndarray转化为tensor ]) ``` 上述代码片段展示了如何利用链式调用来串联多个预处理步骤,并最终形成一个完整的转化管道。每当有新批次的数据被读取进来之后,都会依次经历这里所设定的各项处理环节。
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
红包 添加红包
表情包 插入表情
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值