PyTorch入门实战教程笔记，二十二：卷积神经网络CNN 4
PyTorch入门实战教程笔记（二十二）：卷积神经网络CNN 4
数据增强
Data argumentation，Big Data 能够使网strain的很好，并且可以有效地防止过拟合。但是现实生活中对于照片的获得不太容易，并且还要对照片进行标注（打label）。如何解决神经网络对数据的需求，是一种挑战，使用数据增强能够解决这个挑战。如果现在对于有限的数据，可以进行Small network capacity，Regularzation，Data argumentation（旋转、裁剪、调色、加噪声等等）等来优化网络。
常用的数据增强的方法：Flip（翻转），Rotate（旋转），Random Move && Crop(随机平移/裁剪）、GAN(生成对抗网络）。
- Flip（翻转）
翻转操作的pytorch实现，.RandomHorizontalFlip()水平角度的翻转，.RandomVerticalFlip()竖直方向的翻转，因为它是random，意味着把这个操作写到transform以后，然后会对图片的每一个图片做一个transform，如果没有Random，那就会先水平翻转，再竖直翻转，在转换成tensor数据(如果有Normalize的话，就做一次标准化)。这样的话，其实图片还是没变化的，所以有Random，也就是水平翻转或者竖直翻转，可能做， 也可能不做，这样能够使数据多样化，达到数据增强的效果。
- Rotate（旋转）
旋转操作的pytorch实现，.RandomRotation()，参数为旋转角度，比如15，那就是随机从（-15°,15°）范围内旋转，如果要固定这个角度，就传入list数据，如[0, 90, 180, 270]，它会随机的在这三个角度中挑一个，随机旋转。
- Scale（缩放）
缩放操作的pytorch实现，我们调用 .Resize( [32, 32] )，就可以把原来的[28, 28]放大到 [32, 32]. 需要注意传入参数为list。
- Crop Part （裁剪部分）
随机裁剪在实践中用的更多一点，具体的实现: 调用 .RandomCrop( [28,28] ）即可随机裁剪所需要的照片的大小。我们将随机旋转和随机裁剪结合起来，能够进一步达到数据增强的目的。
这些操作都是在transforms里面实现的，transforms是torchvision这个包提供的，并且还有一个transforms.Compose()，与nn.Module里面的nn.Sequential()操作类似，将一系列的transforms打包到一块，然后传进去一个list，一次过完就可以啦。直接调用transforms(x)，就可以将x传进去，直接实现里面的一些列操作。
此外，需要强调的是，虽然数据增强理论上可以变化无数多的照片，但是变换幅度（variance）还是很小的，也不会接近于无数的真实的照片。也就是说，Data argumentation虽然有帮助，但是不会帮助太多。