用keras进行猫狗识别（二）

通过少量的训练集，我们成功训练出了模型，但是正确率只有75%左右，而且出现了过拟合的情况，出现这种情况，我们可以采用数据增强的方法。
通过数据增强，我们可以增加训练样本的数量，来解决样本不够的问题。
数据增强的作用 ：

1. 增加训练的数据量，提高模型的泛化能力
2. 增加噪声数据，提升模型的鲁棒性

如何获得大量的数据 ：
一种方法是获得新的数据，这种方法比较麻烦，需要大量的成本，而第二种方法则是对数据进行增强，即利用已有的数据比如翻转、平移或旋转，创造出更多的数据，来使得神经网络具有更好的泛化效果。

数据增强的分类 ：
数据增强可以分为两类，一类是离线增强，一类是在线增强。
离线增强 ： 直接对数据集进行处理，数据的数目会变成增强因子 x 原数据集的数目 ，这种方法常常用于数据集很小的时候
在线增强 ： 这种增强的方法用于，获得 batch 数据之后，然后对这个 batch 的数据进行增强，如旋转、平移、翻折等相应的变化，由于有些数据集不能接受线性级别的增长，这种方法长用于大的数据集，很多机器学习框架已经支持了这种数据增强方式，并且可以使用 GPU 优化计算。

常用的数据增强方法：
1.旋转： 可通过在原图上先放大图像，然后剪切图像得到。
2.平移：先放大图像，然后水平或垂直偏移位置剪切
3.缩放：缩放图像
4