pytorch笔记01-数据增强

Posted 2023-03-04

参考技术A

数据增强是扩充数据样本规模的一种有效地方法。深度学习是基于大数据的一种方法，我们当前希望数据的规模越大、质量越高越好。模型才能够有着更好的泛化能力，然而实际采集数据的时候，往往很难覆盖掉全部的场景，比如：对于光照条件，在采集图像数据时，我们很难控制光线的比例，因此在训练模型的时候，就需要加入光照变化方面的数据增强。再有一方面就是数据的获取也需要大量的成本，如果能够自动化的生成各种训练数据，就能做到更好的开源节流。

数据增强可以分为两类，一类是离线增强，一类是在线增强。

pytorch中数据增强的常用方法如下：

torchvision中内置的transforms包含了这些些常用的图像变换，这些变换能够用Compose串联组合起来。

原图：

class torchvision.transforms.CenterCrop(size)

原图像尺寸：(658, 411)
中心裁剪后尺寸:(200, 200)

class torchvision.transforms.ColorJitter(brightness=0, contrast=0, saturation=0, hue=0)

class torchvision.transforms.Grayscale(num_output_channels=1))

class torchvision.transforms.Pad(padding, fill=0, padding_mode=\'constant\')

class torchvision.transforms.RandomCrop(size, padding=0, pad_if_needed=False)

class torchvision.transforms.RandomHorizontalFlip(p=0.5)

class torchvision.transforms.RandomVerticalFlip(p=0.5)

class torchvision.transforms.RandomRotation(degrees, resample=False, expand=False, center=None)