【机器学习实战】数据增强基础

1. 数据增强

什么是数据增强？数据增强是优化数据吗？这种说法并不尽然。首先，数据增强的做法偏向于生成新样本。它是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。但是不会直接修改原始数据集。这样，有助于防止过拟合情况的发生，提高模型的泛化能力。

这是一个偏人工的过程，需要模拟真实世界中的变化，拿视频来说，我们可能需要去掉滤镜效果，计算拍摄视角、光照或者是遮挡。使得特征表示更加具有鲁棒性。

2. 数据增强技巧

官方笔记推荐我们使用PyTorch来做数据增强，列举了一些数据增强技巧。我个人认为这些技巧本身已经比较好了，于是再补充一下我认识到的另一些技巧。

torchvision

文档库地址：https://pytorch.org/vision/stable/index.html

PyTorch其实更希望我们使用v2，所以如果把resize函数重写成V2格式就是这样：

2.1 图像大小调整

transforms.Resize((256, 256))
默认参数：
torchvision.transforms.Resize(size, interpolation=InterpolationMode.BILINEAR, max_size=None, antialias=True)

2.2 图像旋转

transforms.RandomHorizontalFlip()
# 写成V2版本
torchvision.transforms.v2.RandomHorizontalFlip(p: float = 0.5)
# 垂直反转
torchvision.transforms.v2.RandomVerticalFlip(p: float = 0.5)

2.3 图像转换为张量

transforms.ToTensor()
# 将图像数据转换为PyTorch的Tensor格式，这是在深度学习中处理图像数据的常用格式。
torchvision.transforms.v2.ToTensor

2.4 归一化

# 归一化
transforms.Normalize([0.485, 0.456, 0.406], [0.229, 0.224, 0.225])
# 对图像进行归一化处理，这里的均值和标准差是根据ImageNet数据集计算得出的，用于将图像像素值标准化，这有助于模型的训练稳定性和收敛速度。
# 写成V2版本
torchvision.transforms.v2.Normalize(mean: Sequence[float], std: Sequence[float], inplace: bool = False)

2.5 图像裁剪

# 随机裁剪
torchvision.transforms.v2.RandomCrop