深度学习之数据扩增

一、数据扩增简介
在深度学习中数据扩增非常重要，可以增加训练样本数量，同时可以在一定程度上缓解模型过拟合，提高模型的泛化能力，可以扩展样本空间。
二、常⻅的数据扩增⽅方法
常见的数据扩增方法主要是从图像颜色，尺寸，形态，空间和像素角度进行变换。不同的数据扩增方法可以自由组合，得到更加丰富的数据扩增方法。以torchvision为例，常用的数据扩增方法包括：

1. transforms.CenterCrop 对图片中心进行裁剪
2. transforms.ColorJitter 对图像颜色的对比度，饱和度和零度进行变换
3. transforms.FiveCrop 对图像四个角和中心进行裁剪得到5份图像
4. transforms.Grayscale 对图像进行灰度变换
5. transforms.Pad 使用固定值进行像素填充
6. transforms.RandomAffine 随机放射变换
7. transforms.RandomCrop 随机区域裁剪
8. transforms.RandomHorizontalFlip 随机水平翻转
9. transforms.RandomRotation 随机旋转
10. transforms.RandomVerticaIFlip随机垂直翻转
    三、常用数据扩增库
    1.torchvision
    https://github.com/pytorch/vision
    pytorch官方提供的数据扩增库，提供了基本的数据扩增方法，可无缝与torch进行集成，数据扩增方法种类较少，速度中等。
    2.imgaug
    https://github.com/aleju/imgaug
    imgaug常用第三方数据扩增库，提供多样数据扩增方法，组合起来方便，速度较快。
    3.albumentations
    https://albumentations.readthedocs.io
    常用第三方数据扩增库，提供多样数据扩增方法，对图像分类、语意分割、物体检测、关键点检测都支持，速度较快。