Pytorch Note33 数据增强

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：

1. 对图片进行一定比例缩放
2. 对图片进行随机位置的截取
3. 对图片进行随机的水平和竖直翻转
4. 对图片进行随机角度的旋转
5. 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