Pytorch Note33 数据增强
全部笔记的汇总贴: Pytorch Note 快乐星球
前面我们已经讲了几个非常著名的卷积网络的结构,但是单单只靠这些网络并不能取得 state-of-the-art 的结果,现实问题往往更加复杂,非常容易出现过拟合的问题,而数据增强的方法是对抗过拟合问题的一个重要方法,可以提高模型的准确率和泛化能力。
2012 年 AlexNet 在 ImageNet 上大获全胜,图片增强方法功不可没,因为有了图片增强,使得训练的数据集比实际数据集多了很多’新’样本,减少了过拟合的问题,下面我们来具体解释一下。
常用的数据增强方法
常用的数据增强方法如下:
- 对图片进行一定比例缩放
- 对图片进行随机位置的截取
- 对图片进行随机的水平和竖直翻转
- 对图片进行随机角度的旋转
- 对图片进行亮度、对比度和颜色的随机变化
这些方法 pytorch 都已经为我们内置在了 torchvision 里面,我们在安装 pytorch 的时候也安装了 torchvision,下面我们来依次展示一下这些数据增强方法
from PIL import Image
from torchvision