weixin_45232469的博客

前言 在深度学习的实际工作和比赛中，对于小规模数据集我们可以采用运用opencv的各种操作处理，然后全部读取到内存中再传入tf.data.dataset的pipline完成数据读取（tf.data.dataset的预处理在一般情况只支持TF预置的一些简单图像操作）。但是在大规模数据集中，这种是方案需要大量消耗内存，对于我们这种平民玩家是不可行的方案。对于这种情况，有两个解决方法（是我个人常用的两种...

前言 以下示例显示了包含许多不同增强器的大型增强序列，从而导致增强图像发生重大变化。根据用例，这些增强可能过于强大，有可能导致图像的破坏，为了削弱的影响，可以降低的值来减少。如以下代码的概率 #Sometimes(0.5, ...) 以50%的概率下应用我们指定的图像增强, sometimes = lambda aug: iaa.Sometimes(0.3, aug) 代码 直接上代码，每一段都...