兴扬汽车网站谁做的,公司网站建设开源平台,保定中小企业网站制作,建设电子商务系统网站文章目录 图像数据增强一、作用二、增强方法三、代码体现四、增强体现 总结 图像数据增强
数据增强#xff08;Data Augmentation#xff09;#xff0c;也称为数据增广#xff0c;是一种在机器学习和深度学习中常用的技术#xff0c;它通过对现有数据进行各种变换和处理… 文章目录 图像数据增强一、作用二、增强方法三、代码体现四、增强体现 总结 图像数据增强
数据增强Data Augmentation也称为数据增广是一种在机器学习和深度学习中常用的技术它通过对现有数据进行各种变换和处理来生成新的训练样本从而增加数据集的多样性和数量。这种方法在解决数据稀缺、提高模型泛化能力和鲁棒性方面具有重要意义。
一、作用
缓解了深度学习中数据不足的场景在图像领域首先得到广泛使用进而延伸到 NLP 领域并在许多任务上取得效果。一个主要的方向是增加训练数据的多样性从而提高模型泛化能力。
二、增强方法
图像数据增强
几何变换如翻转、旋转、缩放、平移、裁剪等改变图像的空间位置或尺寸。颜色变换调整图像的亮度、对比度、饱和度等颜色属性。噪声添加在图像中添加随机噪声如高斯噪声、椒盐噪声等。模糊处理使用高斯模糊、运动模糊等模糊技术处理图像。仿射变换进行更复杂的图像变换如透视变换等。
三、代码体现
方法
-- RandomRotation() -- 随机旋转
-- CenterCrop() -- 中心剪裁
-- RandomHorizontalFlip() -- 随机水平旋转
-- RandomVerticalFlip() -- 随机垂直旋转
-- ColorJitter() -- 颜色变换
-- RandomGrayscale() -- 转化为灰度图
-- Normalize() -- 标准化from torchvision import transforms
-----创建数据集的类---数据增强-----
data_transforms {train:transforms.Compose([transforms.Resize([300,300]),transforms.RandomRotation(45), # 随机旋转-45到45度之间随便选transforms.CenterCrop(216), # 从中心开始剪裁transforms.RandomHorizontalFlip(p0.5),# 随机水平反转设定一个概率transforms.RandomVerticalFlip(p0.5),# 随机垂直反转transforms.ColorJitter(brightness0.2,contrast0.1,saturation0.1,hue0.1),# 参数1亮度参数2对比度参数3饱和度参数4色相transforms.RandomGrayscale(p0.1),# 转化为灰度图transforms.ToTensor(),transforms.Normalize([0.485,0.456,0.406],[0.229,0.224,0.225]) # 标准化均值标准差统一的]),valid:transforms.Compose([transforms.Resize([216,216]),transforms.ToTensor(),transforms.Normalize([0.485,0.456,0.406],[0.229,0.224,0.225])]),
}上述代码中完全体现了当有图像传入之后图像会进行的变化。
四、增强体现
从上述代码中我们也能发现上述的操作只是将传入的图像进行调整变换并没有增加训练集呀不像是在机器学习时进行的过采样拟合数据直观的看到100条数据拟合成了1000条数据数据明显增多了。这里的数据增强仅仅只是将传入的图像进行调整变换训练的数据集数量并没有动那它是怎么将上述代码的作用体现出来从而实现数据增强的呢
重点环节就在epochs循环中
epochs 50
for t in range(epochs):print(fEpoch {t1} \n-------------------------)train(train_dataloader,model,loss_fn,optimizer)
print(Done!)我们在进行epochs循环时每次都需要调用train_dataloader我们再看看train_dataloader数据加载器是什么
train_dataloader DataLoader(training_data,batch_size64,shuffleTrue)我们又发现了train数据加载器是对training_data训练集数据的处理那我们再看看训练集数据是什么
training_data food_dataset(file_pathtrain_labels.txt,transformdata_transforms[train])在这里我们发现transform预处理参数设置的是数据增强的代码所以意味着每次循环时原始数据集都会进入到transform操作中进行变换每次变换都是随机的也就意味着每次循环训练时都会有大量不同的数据进行训练从而使得神经网络训练了大量的数据集。
总结
本篇介绍了
数据增强的方法。数据增强是如何体现的。
注意数据增强与过采样直接拟合大量数据不同数据增强体现在每次循环训练数据前都给数据进行一次随机变换使得每次训练的数据都不一样从而实现训练大量的数据。
