数据增强有哪些方法

数据增强也叫做数据扩增，数据增广，意思是在不实质增加数据的情况下，从有限的数据产生更多变种，让有限的数据产生等驾驭更多的数据价值

数据增强：降低成本，提高模型的泛化能力

基本数据增强方法：
采用固定的预设规则进行数据扩增，包括单样本数据增强和多样本数据增强
单样本：几何操作类和颜色操作类
几何操作对像素空间重新分布
多尺度裁剪，先裁剪再进行缩放

多样本增强：离散样本点连续化来进行插值拟合 smot方法对一不平衡的比例确定好采样倍率

samplepairing：随机抽取两张图片分别经过基础数据增强操作（如随机反转）处理后，直接叠加合成一个新的样本，标签为原样本标签中的一种

Mixup：facebook提出的对图像和标签都进行了线性插值
开源库imgaug 覆盖了主流的数据增强方法
在特定领域有特定的数据增强思路 比如人脸

自动数据增强方法：
aotoaugment框架：学习已有的数据增强的组合，不同的任务，需要不同的数据增强操作  有16个数据操作

从零生成性的数据（无中生有）： 生成对抗网络，生成新的数据
 

from torchvision import transforms

#常见的数据增强方法
# torchvision.transforms.RandomCrop()  #随机位置裁剪
# torchvision.transforms.RandomHorizontalFlip(p=1) #以一定的比列，随机水平反转
# torchvision.transforms.RandomVerticalFlip(p=1) #以一定比列随机上下翻转
# torchvision.transforms.RandomRotation() #随机旋转一个角度
# torchvision.transforms.ColorJitter(brightness=1)
# #对于颜色的变换 可以设置亮度，
# #contrast 对比度，saturation 饱和度，hue 随机调整颜色
#
# torchvision.transforms.RandomGrayscale(p=0.5)#随机灰度化

#测试时不需要做数据增强 只对train数据增强

train_transformer = torchvision.transforms.Compose([transforms.Resize(224,224),
                                                    transforms.RandomCrop(192,192),
                                                    transforms.RandomHorizontalFlip(),
                                                    transforms.RandomRotation(0.2),
                                                    transforms.ColorJitter(brightness=0.5),
                                                    transforms.ColorJitter(contrast=4),
                                                    transforms.ToTensor(),
                                                    transforms.Normalize(mean=[0.5,0.5,0.5],std=[0.5,0.5,0.5])])

test_transformer = torchvision.transforms.Compose([transforms.Resize(192,192),
                                                   transforms.ToTensor(),
                                                   transforms.Normalize(mean=[0.5,0.5,0.5],std=[0.5,0.5,0.5])])