深度篇——神经网络(六) 细说数据增强与fine-tuning

最新推荐文章于 2025-09-03 19:26:12 发布

原创

最新推荐文章于 2025-09-03 19:26:12 发布 · 2.4k 阅读

6 ·

CC 4.0 BY-SA版权

文章标签：

#深度学习

本文详细探讨了数据增强和fine-tuning在深度学习中的应用，包括各种空间几何、像素颜色变换以及多样本合成类的数据增强方法，并介绍了fine-tuning的四种模式和注意事项，强调在模型调优过程中的重要性。

返回主目录

返回神经网络目录

上一章：深度篇——神经网络(五) 细说优化器

下一章：深度篇——神经网络(七) 细说 DNN神经网络手写数字代码演示

本小节，细说数据增强与fine-tuning，下一小节细说神经网络手写数字代码演示

本小节的数据增强与fine-tuning，还是属于对神经网络的调优过程。

5. 调优神经网络

(9). 数据增强

数据增强是深度学习中常用的技巧之一，主要用于增加训练数据集，让数据尽可能的多样化，是的训练的偶像具有更强的泛化能力。现有的各大深度学习框架都已经自带了数据增强，平时在使用的时候直接调用对应的接口函数，但是只要的话，缺少对数据进行详细的分析。在实际应用中，并非所有的数据增强方式都使用于当前的训练数据。这需要用户根据自己的数据集特征来确定应该使用哪几种数据增强方式。数据增强方式常用有以下3种：

原图：

①. 空间几何变换类

a. 翻转

翻转包括水平翻转和垂直翻转，其变换公式如下：

水平翻转：

$\large \left\{\begin{matrix} x = - x_{0} \\ y = y_{0} \end{matrix}\right.$

垂直翻转：

$\large \left\{\begin{matrix} x = x_{0} \\ y = - y_{0} \end{matrix}\right.$

矩阵变换公式如下：

水平翻转：

$\large \left[\begin{matrix} x \\ y \\ 1 \end{matrix}\right] = \left[\begin{matrix} -1 & 0 & 0 \\0 & 1 & 0 \\ 0 & 0 &1 \end{matrix}\right] \left[\begin{matrix} x_{0} \\ y_{0} \\ 1 \end{matrix}\right]$

垂直翻转：

$\large \left[\begin{matrix} x \\ y \\ 1 \end{matrix}\right] = \left[\begin{matrix} 1 & 0 & 0 \\0 & - 1 & 0 \\ 0 & 0 &1 \end{matrix}\right] \left[\begin{matrix} x_{0} \\ y_{0} \\ 1 \end{matrix}\right]$

b. 旋转

对图像做一定角度旋转操作，其变换公式如下：

顺时针旋转：

$\large \left\{\begin{matrix} x = x_{0} cos \alpha - y_{0} sin \alpha \\ y = x_{0} sin \alpha + y_{0} cos \alpha \end{matrix}\right.$

逆时针旋转：

$\large \left\{\begin{matrix} x = x_{0} cos \alpha + y_{0} sin \alpha \\ y = -x_{0} sin \alpha + y_{0} cos \alpha \end{matrix}\right.$

矩阵变换公式如下：

顺时针旋转：

$\large \left[\begin{matrix} x \\ y \\ 1 \end{matrix}\right] = \left[\begin{matrix} cos \alpha & - sin \alpha & 0 \\ sin \alpha & cos \alpha & 0 \\ 0 & 0 &1 \end{matrix}\right] \left[\begin{matrix} x_{0} \\ y_{0} \\ 1 \end{matrix}\right]$

逆时针旋转：

$\large \left[\begin{matrix} x \\ y \\ 1 \end{matrix}\right] = \left[\begin{matrix} cos \alpha & sin \alpha & 0 \\ - sin \alpha & cos \alpha & 0 \\ 0 & 0 &1 \end{matrix}\right] \left[\begin{matrix} x_{0} \\ y_{0} \\ 1 \end{matrix}\right]$

c. 平移

平移是指所有的图像在 x 轴和 y 轴方向各平移和。其变换公式如下：

$\large \left\{\begin{matrix} x = x_{0} + \triangle x \\ y = y_{0} + \triangle y \end{matrix}\right.$

矩阵的变换公式如下：

$\large \left[\begin{matrix} x \\ y \\ 1 \end{matrix}\right] = \left[\begin{matrix} 1 & 0 & \triangle x \\0 & 1 & \triangle y \\ 0 & 0 &1 \end{matrix}\right] \left[\begin{matrix} x_{0} \\ y_{0} \\ 1 \end{matrix}\right]$