深度学习之正则化系列（2）：数据集增强（数据增广）

让机器学习模型泛化得更好的最好办法是使用更多的数据进行训练。当然，在实践中，我们拥有的数据量是很有限的。解决这个问题的一种方法是创建假数据并添加到训练集中。对于一些机器学习任务，创建新的假数据相当简单。对分类来说这种方法是最简单的。分类器需要一个复杂的高维输入 x，并用单个类别标识 y 概括 x。这意味着分类面临的一个主要任务是要对各种各样的变换保持不变。我们可以轻易通过转换训练集中的 x 来生成新的 (x; y) 对。

目前在做过的图像处理里面比较多，常见有对数据几何变换，灰度处理等！但旋转的时候也需要特别注意，比如，数字6和9在手写中旋转就…….

常见的几何变换有:（1）翻转,（2）平移（3）部分置黑
水平翻转，竖直翻转！其实翻转也不是随意翻转的，要根据实际情况来翻转，比如，关于人脸，你上下翻转了就变成倒的人脸了，这个就没有了实际意义，如果是左右翻转了，也没有太大的实际意义，因为人脸是对称的，你翻转之后还是一样的！但是对于那些没有对称结构的物体图片，你做翻转还是挺有作用的，就相当于有两条数据了啊！