数据增强

数据增强是从现有的训练样本中生成更多的训练数据，其方法是利用多种能够生成可信图像的随机变换来增加样本，其目标是让模型在训练时不会两次查看完全相同的图像。

对于一张图片的样本数据，每次迭代时都会先随机变换，然后再输入网络，所以使用数据增强来训练一个新网络，那么该网络将不会两次看到同样的输入。

在Keras中使用数据增强：

from keras.preprocessing.image import ImageDataGenerator

generator = ImageDataGenerator(rotation_range=40,
                        width_shift_range=0.2,
                        height_shift_range=0.2,
                        shear_range=0.2,
                        zoom_range=0.2,
                        horizontal_flip=True,
                        fill_mode='nearest')

rotation_range： 角度值(0,180)，表示图像随机旋转的角度范围。
width_shift_range和height_shift_range： 是图像在水平或垂直方向上平移的范围(相对于总宽度或总高度的比例)。
shear_range： 随机错切变换的角度。
zoom_range： 是图像随机缩放的范围。
horizontal_flip： 是随机将一半图像水平翻转。如果没有水平不对称的假设(比如真实世界的图像)，这种做法是有意义的。
fill_mode： 是用于填充新创建像素的方法，这些新像素可能来自于旋转或宽度/高度平移。

参考：
1､弗朗索瓦·肖莱《Python深度学习》