Datawhale AI 夏令营 第五期-CV方向-Task3

数据集增强

常用的数据增强方法有：

平移（Shift）变换：对原始图片在图像平面内以某种方式（预先定义或者随机方式确定平移的步长、范围及其方向）进行平移。

翻转（Flip）变换：沿竖直或者水平方向对原始图片进行翻转。

随机裁剪（Random Crop）：随机定义感兴趣区域以裁剪图像，相当于增加随机扰动。

噪声扰动（Noise）：对图像随机添加高斯噪声或者椒盐噪声等。

对比度变换（Contrast）：改变图像对比度，相当于在HSV空间中，保持色调分量H不变，而改变亮度分量V和饱和度S，用于模拟现实环境的光照变化。

缩放变换（Zoom）：以设定的比例缩小或者放大图像。

尺度变换（Scale）：与缩放变换有点类似，不过尺度变换的对象是图像内容而非图像本身（可以参考SIFT特征提取方法），构建图像金字塔以得到不同大小、模糊程度的图像。

设置模型训练参数

一般来说，超参数有：学习率，迭代次数，网络的层数，每层神经元的个数等等。

可以分为三类：网络结构（神经元数量），优化参数（优化器，学习率，衰减策略），正则化系数

学习率的调整太大，可能会不收敛，太小可能会训练得很慢，一般是使用warm_up的学习率衰减策略(刚开始设计的时候需要较大的学习率，随着学习的深入就逐渐下降学习率，但是不能小于0)。

详情见：深度学习之快速实现数据集增强的方法-CSDN博客

训练方式调参技巧_训练过程中改变模型传入参数-CSDN博客

深度学习模型训练中 学习率参数 设置大小问题及设置合适值_模型训练时学习率高低-CSDN博客