一个完整的深度学习图像分割例子（三）：数据准备

在[项目简介][环境搭建]中我们已经为模型训练做好了准备，但是，接下来，还不能开始训练，我们要完成训练前的一项重要内容：数据预处理。

数据预处理应该属于特征工程的范畴，是人工智能必备的步骤，我们通常将数据划分为训练集，验证集，测试集，训练过程就是让模型从训练集中学习经验，然后在验证集和测试集中评估模型，最终在未见过的数据中评估模型泛化能力，在未见过的数据中模型表现的好才是真好，那如何才能做到呢？目前除了在模型上下功夫外，还有就是从数据上做文章，如何优化模型我们以后再讲，今天我们主要讲数据预处理。

首先就是数据增广，如果模型在训练数据中没见过某种类型的数据，那模型学到的知识就会受限，在未来预测中，当输入这种数据类型时，他还是不认识，所以针对这种情况，我们可以增加训练数据集的分布广度，让训练数据集的分布更加接近真实的数据分布。

在图像领域，常见的数据增广手段包括随机对比度，图像随机缩放，图像水平垂直翻转，图像随机旋转，随机裁剪等等，具体要使用哪种手段要根据实际使用场景来决定，举个例子，自然条件下拍摄的图像，由于拍摄时间的不同，光照条件不同，致使图像对比度不同，我们可以改变对比度来模拟光照变化，医疗图像虽然不会受到自然光的影响，但在不同扫描参数下，图像的对比度也会不同，这时就可以用对比度增强手段模拟不同的扫描参数，还有