PyTorch深度学习实战（12）——数据增强

0. 前言

数据增强是指通过对原始数据进行一系列变换和处理，生成更多、更丰富的训练样本的技术方法。数据增强在机器学习和深度学习领域中被广泛应用，它可以有效地解决数据不足的问题，提高模型的泛化能力和鲁棒性。我们已经了解了卷积神经网络 (Convolutional Neural Network, CNN) 有助于解决图像平移问题，但如果平移的范围过大同样可能影响模型的性能。在本节中，我们将学习如何使用数据增强确保模型能够得到正确的预测结果，即使图像移动较大范围。

1. 图像增强

数据增强的目的是通过对原始数据进行合理的变换，生成新的样本，使得这些样本在保持原始类别标签不变的情况下，尽可能涵盖更多的数据特征和变化情况。在计算机视觉领域，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。
基于上述原理，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。通过随机平移输入图像并将它们传递给网络来训练神经网络，相同的图像将在不同批次中作为不同的图像处理，因为在每