一、数据增强方法：

1. 对图片进行比例缩放

2. 对图片进行随机位置的截取

3. 对图片进行随机水平和竖直翻转

4. 对图片进行随机角度的旋转

5. 对图片进行亮度、对比度和颜色随机变化

二、Torch中已经把这些方法内置在了torchvision中，可以直接调用

from PIL import Image
from torchvision import transforms as tfs

im = Image.open('../input/cat.jpg')
im

1. 随机比例缩放

使用：torchvision.transforms.Resize()，参数1表示缩放图片大小，可以为tuple，参数2表示缩放方法，默认为双线性插值

print('before scale, shape: {}'.format(im.size))
new_im = tfs.Resize((100,200))(im)
print('after scale, shape: {}'.format(new_im.size))
new_im

before scale, shape: (121, 121)
after scale, shape: (200, 100)

2.随机位置截取

使用：

（1）torchvision.transforms.RandomCrop()，参数为截取图片的大小

（2）torchvision.transforms.CenterCrop()，参数为截取图片的大小，但以原始图片的中心为中心

# 随机裁剪
random_im = tfs.RandomCrop((60, 60))(im)
random_im

# 中心裁剪
center_im = tfs.CenterCrop((60, 60))(im)
center_im

3.随机水平和竖直翻转

使用torchvision.transforms.RandomHorizontalFlip() 和torchvision.transforms.RandomVerticalFlip()

无参数

horizontal_im = tfs.RandomHorizontalFlip()(im)
horizontal_im

vertical_im = tfs.RandomVerticalFlip()(im)
vertical_im

4.随机角度旋转

使用：torchvision.transforms.RandomRotation()。参数为旋转的角度。比如20，则会随机在-20~20之间进行旋转

rotation_im = tfs.RandomRotation(45)(im)
rotation_im

5. 亮度、对比度和颜色

torchvision.transforms.ColorJitter()。参数1为亮度，参数2为对比度，参数3为饱和度

bright_im = tfs.ColorJitter(brightness=1)(im)  #随机在0~2之间变化，1
bright_im

contrast_im = tfs.ColorJitter(contrast=1)(im) #随机在0~2之间变化，
contrast_im

color_im = tfs.ColorJitter(hue=0.5)(im) # 随机从 -0.5 ~ 0.5 之间变化
color_im

三、联合使用数据增强方法

使用 torchvision.transforms.Compose()。利用List进行组装，然后传递给Compose

im_aug = tfs.Compose([
    tfs.Resize(120),
    tfs.RandomHorizontalFlip(),
    tfs.RandomCrop(96),
    tfs.ColorJitter(brightness=0.5, contrast=0.5, hue=0.5)
])

import matplotlib.pyplot as plt
%matplotlib inline

nrows = 3
ncols = 3
figsize = (8, 8)
fig, figs = plt.subplots(nrows, ncols, figsize=figsize)
for i in range(nrows):
    for j in range(ncols):
        figs[i][j].imshow(im_aug(im))
        figs[i][j].axes.get_xaxis().set_visible(False)
        figs[i][j].axes.get_yaxis().set_visible(False)
plt.show()

四、使用数据增强

（1）训练集采用数据增强

def train_tf(x):
    im_aug = tfs.Compose([
        tfs.Resize(120),
        tfs.RandomHorizontalFlip(),
        tfs.RandomCrop(96),
        tfs.ColorJitter(brightness=0.5, contrast=0.5, hue=0.5),tfs.ToTensor(),
        tfs.Normalize([0.5, 0.5, 0.5], [0.5, 0.5, 0.5])
    ])
    x = im_aug(x)
    return x

（2）测试集不采用数据增强

def test_tf(x):
    im_aug = tfs.Compose([
        tfs.Resize(96),
        tfs.ToTensor(),
        tfs.Normalize([0.5, 0.5, 0.5], [0.5, 0.5, 0.5])
     ])
    x = im_aug(x)
    return x

训练过程省略。。。。。。

通过数据增强，训练集准确率会下降，因为数据特征变的多样性，更加难训练。

通过数据增强，测试集准确率会上升，所以模型的泛化能力提高了。