学习笔记——pytorch中数据增强

pytorch的数据增强功能并非是事先对整个数据集进行数据增强处理，而是在从dataloader中获取训练数据的时候(获取每个epoch的时候)才进行数据增强。

举个例子，如下面的数据增强代码：

transform_train = transforms.Compose([
transforms.RandomCrop(32, padding=4), # 对图像四周各填充4个0像素，然后随机裁剪成32*32
transforms.RandomHorizontalFlip(), # 按0.5的概率水平翻转图片
transforms.ToTensor(),
transforms.Normalize((0.4914, 0.4822, 0.4465), (0.2023, 0.1994, 0.2010)),
])
假设数据集一共有100张图片，pytorch并非对数据集中的每张图片进行随机裁剪，再随机翻转，将数据集扩增到200张，然后用这固定的200张图来训练网络，这是错误的理解。

正确的理解应该是dataloader在每次生成epoch时才对数据集进行以上数据增强操作。由于数据增强有些操作是具有随机性的（例如上面的随机裁剪和随机翻转），导致每次epoch产生的数据都不相同，例如同一张图片在有的epoch翻转了，在有的epoch没有翻转，或者同一张图片在各个epoch裁剪的位置不一样，所以每次用来训练的数据不相同，到达了数据增强的目的。

当然，有些数据增强操作不具有随机性，如CenterCrop，每次都是对图片中间位置进行裁剪，不管在哪个epoch，裁剪出来的图片都一样。
————————————————
版权声明：本文为CSDN博主「Mr.Jcak」的原创文章，遵循CC 4.0 BY-SA版权协议，转载请附上原文出处链接及本声明。
原文链接：https://blog.csdn.net/weixin_38314865/article/details/104318112