数据增广+代码实现+Q&A

最新推荐文章于 2024-09-09 23:24:42 发布

小白抗小枪

最新推荐文章于 2024-09-09 23:24:42 发布

阅读量475

点赞数

分类专栏：动手学深度学习文章标签：人工智能

本文链接：https://blog.csdn.net/qq_60567866/article/details/125696575

版权

本文介绍PyTorch中数据增广的重要性和实施步骤，包括加载数据集、应用增广、构建dataloader及训练模型。通过对比实验展示数据增广能提升模型的泛化能力，减少过拟合。同时探讨了不同场景下增广的策略，并讨论了数据量、测试集增广等话题。

摘要由CSDN通过智能技术生成

前言

在做kaggle叶子分类竞赛的时候，我发现我无法完整的布置一个项目尤其是对dataloader无法自我部署，包括数据预处理方面。我看了几篇博客，其实最重要的就是dataloader的书写。所以我暂时放弃了kaggle，专心将计算机视觉的相关学完后再去做沐神创办的竞赛。

数据增广

就是增强，为了是增大数据集添加噪音更好的泛化之类的操作。

代码实现

对他所有的每个项目的部署进行分解。

pytorch中加载数据的顺序是：
①创建一个dataset对象
②创建一个dataloader对象
③循环dataloader对象，将data,label拿到模型中去训练

1.加载数据集dataset

加载数据集并随机打印32个


all_images = torchvision.datasets.CIFAR10(
    train=True, root="../data", download=True)
d2l.show_images([
    all_images[i][0] for i in range(32)], 4, 8, scale=0.8);

2.数据增广

#totensor将他变成4d的矩阵
train_augs = torchvision.transforms.Compose([
     torchvision.transforms.RandomHorizontalFlip(),
     torchvision.transforms.ColorJitter(brightness=0.5, contrast=0, saturation=0, hue=0),
     torchvision.