数据增广

最新推荐文章于 2025-05-07 09:26:51 发布

Zed

最新推荐文章于 2025-05-07 09:26:51 发布

阅读量3.4k

点赞数 5

分类专栏：深度学习 Pytorch

本文链接：https://blog.youkuaiyun.com/weixin_44696221/article/details/104482472

版权

图像增广通过随机改变训练图像，扩大训练数据集规模，降低模型对特定属性的依赖，提高模型泛化能力。常用方法包括翻转、裁剪、变换颜色等。在训练模型时，通常只在训练阶段应用图像增广，如使用RandomHorizontalFlip、调整亮度、对比度、饱和度和色调等，以增强模型的鲁棒性。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

图像增广

大规模数据集是成功应用深度神经网络的前提。图像增广（image augmentation）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

图像增广的另一种解释是，随机改变训练样本可以降低模型对某些属性的依赖，从而提高模型的泛化能力。例如，我们可以对图像进行不同方式的裁剪，使感兴趣的物体出现在不同位置，从而减轻模型对物体出现位置的依赖性。我们也可以调整亮度、色彩等因素来降低模型对色彩的敏感度

可以说图像增广的作用有：扩大训练集规模、降低模型对某些属性的依赖

导入实验用的数据

%matplotlib inline
import os
os.listdir("/home/kesci/input/img2083/")

import time
import torch
from torch import nn, optim
from torch.utils.data import Dataset, DataLoader
import torchvision
import sys
from PIL import Image

sys.path.append("/home/kesci/input/")
#置当前使用的GPU设备仅为0号设备
os.environ["CUDA_VISIBLE_DEVICES"] = "0"   

import d2lzh1981 as d2l

# 定义device，是否使用GPU，依据计算机配置自动会选择
device = torch.device('cuda' if torch.cuda.is_available() else 'cpu')
print(torch.__version__)
print(device)

图像增广的例子：

d2l.set_figsize()
img = Image.open('/home/kesci/input/img2083/img/cat1.jpg')
d2l.plt.imshow(img)

在这里插入图片描述
定义绘图函数

# 本函数已保存在d2lzh_pytorch包中方便以后使用
def show_images(imgs, num_rows, num_cols, scale=2):
    figsize = (num_cols * scale, num_rows * scale)
    _, axes = d2l.plt.subplots(num_rows, num_cols, figsize=figsize)
    for i in range(n

最低0.47元/天解锁文章