数据增广

图像增广在对训练图像进行一系列的随机变化之后，生成相似但不同的训练样本，从而扩大了训练集的规模

随机改变训练样本可以减少模型对某些属性的依赖，从而提高模型的泛化能力

例如，我们可以以不同的方式裁剪图像，使感兴趣的对象出现在不同的位置，减少模型对于对象出现位置的依赖。我们还可以调整亮度、颜色等因素来降低模型对颜色的敏感度。

比如先导入一张图片

%matplotlib inline
import torch
import torchvision
from torch import nn
from d2l import torch as d2l

d2l.set_figsize()

img = d2l.Image.open('../Jupyter/img/cat1.jpg')
d2l.plt.imshow(img);

Image

# 用图片增广方法在一个图片上进行多次，然后打印出图片
def apply(img, aug, num_rows=2, num_cols=4, scale=1.5):
    Y = [aug(img) for _ in range(num_rows * num_cols)]
    d2l.show_images(Y, num_rows, num_cols, scale=scale)

# 水平方向随机翻转
apply(img, torchvision.transforms.RandomHorizontalFlip())

Image

# 随机上下翻转
apply(img, torchvision.transforms.RandomVerticalFlip())

Image

# 随机剪裁
# 第一项是最后输出大小，scale表示从原始图片10%-100%中随机保留,ratio表示高宽比,要么是1:2，要么是2:1
shape_aug = torchvision.transforms.RandomResizedCrop(
    (200, 200), scale=(0.1, 1), ratio=(0.5, 2)) 

apply(img, shape_aug)

Image

# 改变颜色
# brightness表示亮度上下0.5，contrast对比度，saturation饱和度, hue颜色
apply(img, torchvision.transforms.ColorJitter(
    brightness=0.5, contrast=0, saturation=0, hue=0))

Image

# 改变色调
apply(img, torchvision.transforms.ColorJitter(
    brightness=0, contrast=0, saturation=0, hue=0.5))

color_aug = torchvision.transforms.ColorJitter(
    brightness=0.5, contrast=0.5, saturation=0.5, hue=0.5)

apply(img, color_aug)

Image

# 结合各种增广方法
augs = torchvision.transforms.Compose([
    torchvision.transforms.RandomHorizontalFlip(), color_aug, shape_aug])
apply(img, augs)

Image