防止过拟合（三）：数据增强（增加训练样本）

た入场券 2023-07-14 10:47 70阅读 0赞

[深度学习笔记：欠拟合、过拟合][Link 1]  
[防止过拟合（一）：正则化][Link 2]  
[防止过拟合（二）：Dropout][Dropout]

## 数据增强（Date Augmentation） ##

增加数据集大小是解决过拟合最重要的途径。但是收集样本数据和标注往往是代价昂贵的，在有限的数据集上，通过数据增强技术可以增加训练的样本数量，获得一定程度上的性能提升。  
\*\*数据增强(Data Augmentation)\*\*是指在维持样本标签不变的条件下，根据先验知识改变样本的特征，使得新产生的样本也符合或者近似符合数据的真实分布。  
常见的数据增强方式：**旋转、缩放、平移、裁剪、改变视角、遮挡某局部区域**，这样都不会改变图片的类别标签。

## 基本数据增强方式实现 ##

TensorFlow 中提供了常用图片的处理函数，位于 tf.image 子模块中。  
1.缩放  
通过tf.image.resize 函数可以实现图片的缩放功能。

# 将输入图片x缩放到224*224
    x = tf.image.resize(x, [224, 224])

2.旋转  
通过 tf.image.rot90(x, k=1)可以实现图片按**逆时针**方式旋转 k 个 90 度。

# 图片逆时针旋转180度
    x = tf.image.rot90(x, 2)

3.翻转  
可以通过 tf.image.random\_flip\_left\_right 和 tf.image.random\_flip\_up\_down 实现图片在**水平方向**和**竖直方向**的随机翻转操作

# 水平方向翻转(左右颠倒，镜像图片)
    x = tf.image.random_flip_left_right(x)
    # 竖直方向翻转（上下颠倒）
    x = tf.image.random_flip_up_down(x)

4.裁剪  
通过在原图的左右或者上下方向去掉部分边缘像素，可以保持图片主体不变，同时获得新的图片样本。  
在实际裁剪时，一般先将图片缩放到略大于网络输入尺寸的大小，再进行裁剪到合适大小，例如网络的输入大小为 224x224，那么我们先通过 resize 函数将图片缩放到 244x244 大小，再随机裁剪到 224x224 大小。

# 图片先缩放到稍到尺寸
    x = tf.image.resize(x, [224, 224])
    # 再随机裁剪到合适尺寸
    x = tf.image.random_crop(x, [224,224,3])

5.其他方法，比如：添加噪声，变换视角、随机遮挡等。  
下图展示了上述不同数据增强方法后的效果：  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dqaW5qaWU_size_16_color_FFFFFF_t_70]

## 生成数据 ##

除此之外，还可以通过**条件生成对抗网络**(Conditional GAN, CGAN)可以生成带标签的样本数据。  
通过生成模型在原有数据上学习到数据的分布，从而生成新的样本，这种方式也可以在一定程度上提升网络性能。

[Link 1]: https://blog.csdn.net/wjinjie/article/details/104849774
[Link 2]: https://blog.csdn.net/wjinjie/article/details/104851821
[Dropout]: https://blog.csdn.net/wjinjie/article/details/104857877
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dqaW5qaWU_size_16_color_FFFFFF_t_70]: /images/20230529/34ea22b882c049d9bbb322ca86d72220.png