Keras深度学习实战（8）——使用数据增强提高神经网络性能

0. 前言

根据经验，我们知道对于给定的图像，即使我们平移，旋转或缩放图像，图像的标签也将保持不变。数据增强是从给定的图像集中创建更多图像的一种方法，即通过旋转，平移或缩放它们并将它们映射到原始图像的标签，以扩充数据集，通过增加训练数据集的数据量能够提高神经网络的模型性能。
在我们的认知中：即使图像稍微旋转或图像中的人从图像的中间移至图像的最右侧，该图像的分类标签仍然不会改变。因此，我们能够通过旋转和平移原始图像来创建更多训练数据，而每个图像相对应的标签并不会改变。

1. 数据集与模型分析

1.1 数据集介绍

在本节中，我们将研究 CIFAR-10 数据集，CIFAR-10 数据集中的图片有 10 个类别，每张图片均为 32x32 的彩色图像，每个类别有 6000 个图像。因此，共有 50000 个训练图像和 10000 个测试图像。类别标签分别为 plane、car、bird、cat、deer、dog、frog、horse、ship 和 truck。

1.2 模型分析

我们首先分析用于实现 CIFAR-10 分类的卷积神经网络 (Convolutional