Data augmentation

目前深度学习神经网络对数据的要求很高，不仅数据要相关，而且要求有尽可能更大的数据集。在现实生活中，要想得到大量的数据，不仅要收集各种情景下、各种角度、各个位置的照片，还要确保数据的多样性，只有这样才能确保神经网络学到的特征更加全面

但在现实中，若想达到以上的目的要付出巨大的代价，并且还要对照片上出现的东西进行准确标注，另外对于一些稀有的物种信息收集更是十分困难

因此我们这里介绍一些为神经网络提供更多数据的方法——数据增强（Data argumentation）

数据增强有很多手段，包括对原照片进行旋转、拉伸、加噪声等。但是采用这种方法加入的数据肯定没有新照片的效果好，因为其本质上仍是原图片

如下图所示：

数据增强的手段包括：

Flip（翻转）
Rotate（旋转）
Random Move & Crop（随机移动、剪裁）
GAN（GAN神经网络）

首先看图像翻转

如上图所示，原图片黄人在右边，经过左右翻转后，黄人在左边；经过上下翻转后，整个图片倒立。代码实现如下

import torch
import torch.nn
import torch.nn.functional as F
from torchvision import datasets, transforms

train_loader = torch.utils.data.DataLoader(
    datasets.MNIST('../data', train=True, download=True,
                   transform=transforms.Compose([
                       # Random表示有可能做，所以也可能不做
                       transforms.RandomHorizontalFlip(),# 水平翻转
                       transforms.RandomVerticalFlip(), # 上下翻转
                       transforms.ToTensor(),
                   ])),
    batch_size=batch_size, shuffle=True
)

旋转操作也十分常见

上面分别经过了90°、180°的旋转。代码实现如下

import torch
import torch.nn
import torch.nn.functional as F
from torchvision import datasets, transforms

train_loader = torch.utils.data.DataLoader(
    datasets.MNIST('../data', train=True, download=True,
                   transform=transforms.Compose([
                       # Random表示有可能做，所以也可能不做
                       transforms.RandomHorizontalFlip(),# 水平翻转
                       transforms.RandomVerticalFlip(), # 上下翻转
                       transforms.RandomRotation(15), # 随机旋转-15°~15°
                       transforms.RandomRotation([90, 180]), # 随机在90°、180°中选一个度数来旋转，如果想有一定概率不旋转，可以加一个0进去
                       transforms.ToTensor(),
                   ])),
    batch_size=batch_size, shuffle=True
)

还可以把图片进行缩放

如上图所见，图片由右至左分增大了20%、40%。利用之前Resize操作，就可以将例如28*28大小转化为32*32。代码实现如下

import torch
import torch.nn
import torch.nn.functional as F
from torchvision import datasets, transforms

train_loader = torch.utils.data.DataLoader(
    datasets.MNIST('../data', train=True, download=True,
                   transform=transforms.Compose([
                       # Random表示有可能做，所以也可能不做
                       transforms.RandomHorizontalFlip(),# 水平翻转
                       transforms.RandomVerticalFlip(), # 上下翻转
                       transforms.RandomRotation(15), # 随机旋转-15°~15°
                       transforms.RandomRotation([90, 180]), # 随机在90°、180°中选一个度数来旋转，如果想有一定概率不旋转，可以加一个0进去
                       transforms.Resize([32,32]),
                       transforms.ToTensor()
                   ])),
    batch_size=batch_size, shuffle=True
)

还有Crop Part（裁剪部分）

局部增强，一般裁剪操作是配合图片旋转共同进行，先裁剪掉一部分，再进行旋转。代码实现如下

import torch
import torch.nn
import torch.nn.functional as F
from torchvision import datasets, transforms

train_loader = torch.utils.data.DataLoader(
    datasets.MNIST('../data', train=True, download=True,
                   transform=transforms.Compose([
                       # Random表示有可能做，所以也可能不做
                       transforms.RandomHorizontalFlip(),# 水平翻转
                       transforms.RandomVerticalFlip(), # 上下翻转
                       transforms.RandomRotation(15), # 随机旋转-15°~15°
                       transforms.RandomRotation([90, 180]), # 随机在90°、180°中选一个度数来旋转，如果想有一定概率不旋转，可以加一个0进去
                       transforms.Resize([32,32]),
                       transforms.RandomCrop([28, 28]),
                       transforms.ToTensor()
                   ])),
    batch_size=batch_size, shuffle=True
)

最后还有一个不是很常见的操作Noise（噪声处理）

PyTorch中暂时还没有相关接口。这里就不多赘述了