背景介绍

大量的数据是防止过拟合的关键，但是我们如何去获取大量的数据，是自己去拍摄、录制吗？显然这种方式有极高的成本。我们可以对同一张图片进行变换得到多张图片，比如原来只有10张图片，通过变换变成了20张图片，但是并不能无限的增长，也是有限制的，这种方法就叫做数据增强。数据增强的成本基本为0，虽然最后得到的图片效果也没有原图片好，但是有总比没有强，会在一定程度上增强我们的模型。

翻转（Flip）

代码实现：

train_loader = torch.utils.data.DataLoader(datasets.MNIST('../data', train=True, download=True,transform=transforms.Compose([transforms.RandomHorizontalFlip(),  #水平翻转transforms.RandomVerticalFlip(),  #竖直翻转transforms.ToTensor()])),batch_size=batch_size, shuffle=True)

旋转（Rotate）

代码实现：

train_loader = torch.utils.data.DataLoader(datasets.MNIST('../data', train=True, download=True,transform=transforms.Compose([transforms.RandomRotation(15),  #-15度-15度的角度随机旋转transforms.RandomRotation([90, 180, 270]),  #随机旋转90度，180度，270度transforms.ToTensor()])),batch_size=batch_size, shuffle=True)

 缩放（Scale）

代码实现：

train_loader = torch.utils.data.DataLoader(datasets.MNIST('../data', train=True, download=True,transform=transforms.Compose([transforms.Resize([32, 32]), #scale 缩放transforms.ToTensor()])),batch_size=batch_size, shuffle=True)

裁剪或部分式旋转（Crop Part）

代码实现：

train_loader = torch.utils.data.DataLoader(datasets.MNIST('../data', train=True, download=True,transform=transforms.Compose([transforms.RandomRotation(15),  #-15度-15度的角度随机旋转transforms.RandomRotation([90, 180, 270]),  #随机旋转90度，180度，270度transforms.RandomCrop([28, 28]), #随机裁剪transforms.ToTensor()])),batch_size=batch_size, shuffle=True)

 加噪声（Noise）

参考：课时75 数据增强_哔哩哔哩_bilibili