pytorch学习笔记-高阶篇（数据增强）

为了使网络的性能增强，一个很常见的方法或者说途径就是增大数据集，本篇介绍一种最大化利用已有数据集的方法–数据增强

一、可选优化方法

  对于数据有限这一不可避免的事实，我们可以：

• 减少网络参数量
• Regularization
• 数据增强

二、数据增强

1. Flip

   train_loader = torch.utils.data.DataLoader(
    datasets.MNIST('../data', train=True, download=True,
                   transform=transforms.Compose([
                       # 随机性保证不是所有的图片都做此操作
                       transforms.RandomHorizontalFlip(),
                       transforms.RandomVerticalFlip(),
                       transforms.ToTensor(),
                       # transforms.Normalize((0.1307,), (0.3081,))
                   ])),
    batch_size=batch_size, shuffle=True)
   

2. Rotate

   train_loader = torch.utils.data.DataLoader(
    datasets.MNIST('../data', train=True, download=True,
                   transform=transforms.Compose([
                       # 旋转角度-15°~15°
                       transforms.RandomRotation(15),
                       # 指定旋转角度
                       transforms.RandomRotation([90, 180, 270]),
                       transforms.ToTensor(),
                       # transforms.Normalize((0.1307,), (0.3081,))
                   ])),
    batch_size=batch_size, shuffle=True)
   

3. Random Move & Crop

   train_loader = torch.utils.data.DataLoader(
    datasets.MNIST('../data', train=True, download=True,
                   transform=transforms.Compose([
                       transforms.Resize([32, 32]),
                       # 随机裁剪
                       transforms.RandomCrop([28, 28]),
                       transforms.ToTensor(),
                       # transforms.Normalize((0.1307,), (0.3081,))
                   ])),
    batch_size=batch_size, shuffle=True)
   

4. GAN