数据增强

  过拟合的原因是学习样本太少，导致无法训练出能够泛华到新数据的模型。如果拥有无限的数据，那么模型能够观察到数据分布的所有内容，这样就永远不会过拟合。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(augment)样本。其目标是，模型在训练时不会两次查看相同的图像。这让模型能够观察到数据的更多内容，从而具有更好的泛华能力。

  在Keras中，这可以通过对ImageDataGenerator实例读取的图像执行多次随机变换来实现。我们先来看一下例子。

datagen = 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')

这里只选择了几个参数。我们来快速了解一下这些参数的含义。

• rotation_range是角度值(在0-180范围内)，表示图像随机旋转的角度范围。
• width_shift和height_shift是图像在水平或者垂直方向上平移的范围(相当于总宽度或总高度的比例)。
• shear_range是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。