深度学习-数据增强方法

1. 图像增广（image augmentation）

  数据增广技术通过对训练图像做一系列随机改变，来产生相似但又不同的训练样本，从而扩大训练数据集的规模。

2.图像增广方法:

 1. 翻转和裁剪    左右翻转图像通常不改变物体的类别。它是最早也是最广泛使用的一种图像增广方法。下面我们通过transforms模块创建RandomFlipLeftRight实例来实现一半概率的图像左右翻转。
 代码复现:
 apply(img, gdata.vision.transforms.RandomFlipLeftRight())
 
 上下翻转不如左右翻转通用。但是至少对于样例图像，上下翻转不会造成识别障碍。下面我们创建RandomFlipTopBottom实例来实现一半概率的图像上下翻转。
 代码复现:
 apply(img, gdata.vision.transforms.RandomFlipTopBottom())
 
 2.变化颜色      另一类增广方法是变化颜色。我们可以从4个方面改变图像的颜色：亮度、对比度、饱和度和色调。在下面的例子里，我们将图像的亮度随机变化为原图亮度的 50（即 1−0.5） ∼150%（即 1+0.5 ）。
 代码复现:   apply(img, gdata.vision.transforms.RandomBrightness(0.5))
 也可以随机变化图像的色调--代码复现
 apply(img, gdata.vision.transforms.RandomHue(0.5))
3. 左右翻转         代码:   tf.image.random_flip_left_right(cat) 
4. 上下翻转         代码:  tf.image.random_flip_up_down(cat) 
5.  随机裁剪        代码:  tf.image.random_crop(cat,(200,200,3)) 
6.  颜色变换        代码:  tf.image.random_brightness(cat,0.5)