機器學習或深度學習模型的訓練的目標是成為“通用”模型。這就需要模型沒有過度擬合訓練數據集，或者換句話說，我們的模型對看不見的數據有很好的了解。數據增強也是避免過度擬合的眾多方法之一。
擴展用于訓練模型的數據量的過程稱為數據增強。通過訓練具有多種數據類型的模型，我們可以獲得更“泛化”的模型。“多種數據類型”是什么意思呢？本片文章只討論“圖像”數據增強技術，只詳細地介紹各種圖片數據增強策略。我們還將使用 PyTorch 動手實踐并實現圖像數據或計算機視覺中主要使用的數據增強技術。
因為介紹的是數據增強技術。所以只使用一張圖片就可以了，我們先看看可視話的代碼
import PIL.Image as Image
import torch
from torchvision import transforms
import matplotlib.pyplot as plt
import numpy as np
import warnings
def imshow（img\_path, transform）：
“”“
FuncTIon to show data augmentaTIon
Param img\_path: path of the image
Param transform: data augmentaTIon technique to apply
”“”
img = Image.open（img\_path）
fig, ax = plt.subplots（1, 2, figsize=（15, 4））
ax[0].set\_TItle（f'Original image {img.size}‘）
ax[0].imshow（img）
img = transform（img）
ax[1].set\_title（f'Transformed image {img.size}’）
ax[1].imshow（img）
Resize/Rescale
此函數用于將圖像的高度和寬度調整為我們想要的特定大小。下面的代碼演示了我們想要將圖像從其原始大小調整為 224 x 224。
path = './kitten.jpeg'
transform = transforms.Resize（（224, 224））
imshow（path, transform）
Cropping
該技術將要選擇的圖像的一部分應用于新圖像。例如，使用 CenterCrop 來返回一個中心裁剪的圖像。
transform = transforms.CenterCrop（（224, 224））
imshow（path, transform）
RandomResizedCrop
這種方法同時結合了裁剪和調整大小。
transform = transforms.RandomResizedCrop（（100, 300））
imshow（path, transform）
Flipping
水平或垂直翻轉圖像，下面代碼將嘗試應用水平翻轉到我們的圖像。
transform = transforms.RandomHorizontalFlip（）
imshow（path, transform）
Padding
填充包括在圖像的所有邊緣上按指定的數量填充。我們將每條邊填充50像素。
transform = transforms.Pad（（50,50,50,50））
imshow（path, transform）
Rotation
對圖像隨機施加旋轉角度。我們將這個角設為15度。
transform = transforms.RandomRotation（15）
imshow（path, transform）
Random Affine
這種技術是一種保持中心不變的變換。這種技術有一些參數：
degrees：旋轉角度
translate：水平和垂直轉換
scale：縮放參數
share：圖片裁剪參數
fillcolor：圖像外部填充的顏色
transform = transforms.RandomAffine（1, translate=（0.5, 0.5）， scale=（1, 1）， shear=（1,1）， fillcolor=（256,256,256））
imshow（path, transform）
Gaussian Blur
圖像將使用高斯模糊進行模糊處理。
transform = transforms.GaussianBlur（7, 3）
imshow（path, transform）
Grayscale
將彩色圖像轉換為灰度。
transform = transforms.Grayscale（num\_output\_channels=3）
imshow（path, transform）
顏色增強，也稱為顏色抖動，是通過改變圖像的像素值來修改圖像的顏色屬性的過程。下面的方法都是顏色相關的操作。
Brightness
改變圖像的亮度當與原始圖像對比時，生成的圖像變暗或變亮。
transform = transforms.ColorJitter（brightness=2）
imshow（path, transform）
Contrast
圖像最暗和最亮部分之間的區別程度被稱為對比度。圖像的對比度也可以作為增強進行調整。
transform = transforms.ColorJitter（contrast=2）
imshow（path, transform）
Saturation
圖片中顏色的分離被定義為飽和度。
transform = transforms.ColorJitter（saturation=20）
imshow（path, transform）
Hue
色調被定義為圖片中顏色的深淺。
transform = transforms.ColorJitter（hue=2）
imshow（path, transform）
總結
圖像本身的變化將有助于模型對未見數據的泛化，從而不會對數據進行過擬合。
更多信息可以來這里獲取==>>電子技術應用-AET<<
