Pytorch小技巧-數據增強（下）

• 2019 年 12 月 9 日
• 筆記

Scale（縮放操作）

上圖可見，圖片由左至右分別增大了20%、40%。

利用之前知識可以採用Resize操作，如將28*28轉化成32*32。

train_loader = torch.utils.data.DataLoader(      datasets.MNIST('data', train=True, download=True,                     transform=transforms.Compose([                         transforms.RandomHorizontalFlip(),  # transforms.RandomHorizontalFlip()為水平翻轉                         transforms.RandomVerticalFlip(),  # transforms.RandomHorizontalFlip()為上下翻轉                         transforms.RandomRotation(15),  # 隨機旋轉了-15°至15°                         transforms.ToTensor(),                         transforms.RandomRotation([90, 180, 270]),  # 或者自定義旋轉了90°, 180°, 270°                         transforms.Resize([32, 32]),  # 轉化到32*32                     ])),       batch_size=batch_size, shuffle=True)

還有Crop Part（裁剪）部分

局部增強，一般裁剪操作是配合圖片旋轉操作共同進行，先裁減掉一部分，再進行旋轉即可。

程式碼如下

train_loader = torch.utils.data.DataLoader(      datasets.MNIST('data', train=True, download=True,                     transform=transforms.Compose([                         transforms.RandomHorizontalFlip(),  # transforms.RandomHorizontalFlip()為水平翻轉                         transforms.RandomVerticalFlip(),  # transforms.RandomHorizontalFlip()為上下翻轉                         transforms.RandomRotation(15),  # 隨機旋轉了-15°至15°                         transforms.ToTensor(),                         transforms.RandomRotation([90, 180, 270]),  # 或者自定義旋轉了90°, 180°, 270°                         transforms.Resize([32, 32]),  # 轉化到32*32                         transforms.RandomCrop([28, 28])  # 先旋轉了15°，轉換成32*32，再取28*28部分                     ])),       batch_size=batch_size, shuffle=True)

還有一個不是很常見的操作Noise（雜訊處理）

pytorch中暫時還沒有相關介面，這裡不再贅述

要注意的是，這種數據增強的操作是會對模型的訓練有所幫助，因為它或多或少的增加了一些可用於學習的數據。

即便理論上他可以將少數的照片擴展成無數張照片，但作用並不會有那麼大。因為他們間的差別很小，反而會導致訓練時間延長。