【Datawhale夏令营】第二期 Deepfake Task3学习总结

关注

原创最新推荐文章于 2026-08-12 05:29:25 发布 813 阅读 AI 写同款· GEO 优化 ›

Datawhale AI 夏令营2024·第二期(Deepfake攻防挑战赛-图像赛道)Task01 Datawhale AI 夏令营2024·第二期(Deepfake攻防挑战赛-图像赛道)赛题分析和任务解读阅读详情

代码实操地址：https://www.kaggle.com/finlay/deepfake-ffdi-ch3

数据增强基础

数据增强是一种在机器学习和深度学习领域常用的技术，尤其是在处理图像和视频数据时。数据增强的目的是通过人工方式增加训练数据的多样性，从而提高模型的泛化能力，使其能够在未见过的数据上表现得更好。数据增强涉及对原始数据进行一系列的变换操作，生成新的训练样本。这些变换模拟了真实世界中的变化，对于图像而言，数据增强包括例如视角、光照、遮挡等情况，使得模型能够学习到更加鲁棒的特征表示。
比如notebook里面的随机水平翻转变换，对小猫图片做了8次随机水平翻转变换，6次不翻转，2次翻转。每次运行，都会得到不一样的结果。

但是要注意的是，变换操作需要与目标任务的实际场景符合。比如使用AutoAugment()函数，得到的第二张、第七张，一般场景是见不到这种小猫的。

train_loader = torch.utils.data.DataLoader(
    FFDIDataset(train_label['path'].head(1000), train_label['target'].head(1000), 
            transforms.Compose([
                        transforms.Resize((256, 256)),
                        transforms.RandomHorizontalFlip(),
                        transforms.RandomVerticalFlip(),
                        transforms.ToTensor(),
                        transforms.Normalize([0.485, 0.456, 0.406], [0.229, 0.224, 0.225])
        ])
    ), batch_size=40, shuffle=True, num_workers=4, pin_memory=True
)

val_loader = torch.utils.data.DataLoader(
    FFDIDataset(val_label['path'].head(1000), val_label['target'].head(1000), 
            transforms.Compose([
                        transforms.Resize((256, 256)),
                        transforms.ToTensor(),
                        transforms.Normalize([0.485, 0.456, 0.406], [0.229, 0.224, 0.225])
        ])
    ), batch_size=40, shuffle=False, num_workers=4, pin_memory=True
)

train_loader就是加载预处理过的训练集图像数据，预处理过程包括Resize统一大小，随机水平、竖直翻转，之后转换成张量并进行归一化。在深度学习中，对输入数据进行归一化是一个标准步骤。归一化有助于加快模型的收敛速度，并提高数值稳定性。对于验证集，应该避免使用如随机翻转等可能引入不必要噪音的增强方法。通常，验证集只需要进行必要的预处理，如调整大小和归一化。所以val_loader里面没有水平、竖直翻转的操作。