数据增强----mixup

雪豹不会梦到瑞克5

已于 2023-02-28 16:23:47 修改

阅读量572

点赞数

CC 4.0 BY-SA版权

分类专栏：动手学习深度学习文章标签： python 深度学习机器学习

于 2023-02-28 10:44:46 首次发布

本文链接：https://blog.csdn.net/szn1316159505/article/details/129256949

动手学习深度学习专栏收录该内容

37 篇文章

订阅专栏

本文展示了在数据量有限的情况下，如何利用MixUp技术进行数据增强。通过Python实现，结合随机Beta分布生成权重lam，将两张图片按权重叠加，并在神经网络模型中应用CrossEntropyLoss函数计算损失。同时计算了预测的准确性。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

在数据量较少的时候可以采用数据mixup数据增强，具体实现代码如下，将两张图叠加

alpha=1.0   
loss_fun = nn.CrossEntropyLoss()
loss_fun = loss_fun.to(device) 

for x,data in enumerate(tqdm(train_dataloader)):#加个tqdm可以显示进度条
        imgs,targets = data
        imgs = imgs.to(device)
        targets = targets.to(device)
        lam = np.random.beta(alpha, alpha)
        index = torch.randperm(imgs.size(0))
        images_a, images_b = imgs, imgs[index]
        labels_a, labels_b = targets, targets[index]
        mixed_images = lam * images_a + (1 - lam) * images_b
        outputs = model(mixed_images)
        _, preds = torch.max(outputs, 1)
        loss = lam * loss_fun(outputs, labels_a) + (1 - lam) * loss_fun(outputs, labels_b)

#计算正确率
acc = (lam * preds.eq(labels_a.data).cpu().sum().float()
                    + (1 - lam) * preds.eq(labels_b.data).cpu().sum().float())/100