2025-08-10 李沐深度学习15——数据增广与微调

已于 2025-08-11 02:32:53 修改
阅读量657 收藏 26
点赞数 13
CC 4.0 BY-SA版权
分类专栏： 李沐深度学习 文章标签： 深度学习 人工智能 数据增强 图像增强 微调 迁移学习
于 2025-08-11 02:26:36 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/zheliku/article/details/150182575

文章目录

1 数据增强

**数据增强（Data Augmentation）**是指通过对已有数据进行变换，来增加其多样性，从而提高模型的泛化能力。虽然这个概念不仅限于图片，也可以应用于文本和语音等数据。

image-20250810232651725

1.1 案例

  • 案例： 一家做智能售货机的国内公司，在拉斯维加斯CES展会上进行产品演示时，发现模型效果很差。

  • 原因分析：

    1. 光照与色温问题： CES展馆的灯光昏暗且偏黄，色温（约3000K）与公司内部测试环境（约5000K）差异很大，导致图片颜色发生严重偏差。
    2. 反光问题： 机器被放置在一个反光的亮面桌子上，灯光反射导致采集到的图片质量变差。

  • 解决方法：

    1. 色温问题： 工程师连夜在现场采集新数据，发回国后重新训练模型。
    2. 反光问题： 购买桌布铺在桌子上，解决了反光问题。

总结： 这个案例说明了训练环境和实际部署环境可能存在巨大差异。数据增强的目标，就是在训练时尽可能地模拟部署时可能遇到的各种场景（如不同的光照、背景噪音等），从而提高模型对未见过数据的泛化能力。

1.2 常用方法

图片数据增强的方法有很多，最常用的包括：

1.2.1 翻转 (Flipping)

  • 左右翻转： 将图片沿垂直中线进行翻转。这是最常用的方法之一。
  • 上下翻转： 将图片沿水平中线进行翻转。但这种方法要根据数据集的性质来决定是否使用。例如，翻转猫的图片会导致头朝下，这在现实中很不常见；但如果是叶子分类等对称性较强的数据集，则可以考虑使用。
image-20250811005044853

1.2.2 裁剪 (Cropping)

  • 目的： 从图片中裁剪出一部分区域，并将其缩放到固定尺寸（例如，ImageNet常用的 224x224）。
  • 常用做法： 随机裁剪。每次训练时，从同一张图片中随机选择不同的区域进行裁剪。这种随机性通常体现在三个方面：
    1. 随机宽高比： 在一个预设的范围（如 3/4 到 4/3）内随机选取宽高比。
    2. 随机缩放比例： 在一个预设的比例（如 8% 到 100%）内随机选取裁剪区域占原图的百分比。
    3. 随机位置： 在图片中的随机位置进行裁剪。
image-20250811005106437

1.2.3 颜色变换 (Color Jittering)

  • 目的： 改变图片的颜色属性，以模拟不同的光照条件。
  • 常用属性：
    • 色调（Hue）： 改变图片的颜色倾向（如偏黄、偏蓝、偏红）。
    • 饱和度（Saturation）： 改变颜色的“浓度”。
    • 明亮度（Brightness）： 改变图片的亮度。
  • 实现方式： 通常是在当前值的基础上，在一定范围内随机调整。例如，将明亮度在 0.5 到 1.5 的范围内随机调整，这意味着亮度可以降低 50% 或增加 50%。
image-20250811005157498

1.3 实现细节

image-20250810233026660
  • 在线生成： 数据增强通常在训练过程中“在线”进行。这意味着，你不会预先生成并保存所有增强后的图片。每次训练时，从原始数据集中读取图片，然后随机应用不同的增强方法，生成一张新的图片后，立即将其送入模型进行训练。
  • 仅用于训练： 数据增强只在训练阶段使用，而测试或验证时通常不使用。这是因为数据增强可以被视为一种正则化手段，它通过增加训练数据的多样性来防止模型过拟合，提高泛化能力。
image-20250810233058147

1.4 其他方法

除了上述三种最常用的方法外，还有许多其他高级方法，例如：

  • 高斯模糊（Gaussian Blur）
  • 锐化（Sharpening）
  • 添加随机黑块
  • 几何变形（Geometric Transformation）

这些方法可以看作是图片处理软件（如 Photoshop）中的各种滤镜和工具。是否使用这些方法，取决于你认为在实际部署环境中是否可能出现类似效果的图片。

image-20250811010033135

1.5 代码实现

from io import BytesIO
import requests
import os
from PIL import Image
from matplotlib import pyplot as plt
import torch
import torchvision
from torch import nn

url = "https://pytorch.org/assets/images/pytorch-ecosystem.png"
# 发送请求获取图片
response = requests.get(url, stream=True)
response.raise_for_status()  # 检查请求是否成功

# 将响应内容转换为PIL Image对象
image = Image.open(BytesIO(response.content))

# 数据增强方法
rhf_aug = torchvision.transforms.RandomHorizontalFlip(p=1)  # 水平翻转概率为 1
rvf_aug = torchvision.transforms.RandomVerticalFlip(p=1)  # 垂直翻转概率为 1
shape_aug = torchvision.transforms.RandomResizedCrop((200, 200), scale=(0.1, 1), ratio=(0.5, 2))  # 随机裁剪到200x200大小
# 亮度（brightness）、对比度（contrast）、饱和度（saturation）、色调（hue）
cj_aug = torchvision.transforms.ColorJitter(brightness=0, contrast=0, saturation=0, hue=0.5)  # 随机颜色抖动


def show_images(imgs, num_rows, num_cols, titles=None, scale=1.5):
    """绘制图像列表"""
    figsize = (num_cols * scale, num_rows * scale)
    _, axes = plt.subplots(num_rows, num_cols, figsize=figsize)
    # axes = axes.flatten()
    for i, (ax, img) in enumerate(zip(axes, imgs)):
        # PIL图片
        ax.imshow(img)
        ax.axes.get_xaxis().set_visible(False)
        ax.axes.get_yaxis().set_visible(False)
    plt.show()
    return axes


# 显示图片
show_images(
    [image, rhf_aug(image), rvf_aug(image), shape_aug(image), cj_aug(image)],
    1, 5,
    titles=['原图', '水平翻转', '垂直翻转', '随机裁剪', '颜色抖动'],
    scale=2.5
)
image-20250811015353571

2 微调

微调（Fine-tuning），也称为迁移学习（Transfer Learning），是计算机视觉，特别是深度学习领域中一个至关重要的技术。它的核心思想是：在一个大型数据集上预先训练好的模型，可以作为基础，来帮助我们提升在小型数据集上的任务表现。

这个思想类似于人类的学习方式：一个具有丰富经验的人，在面对一个新事物时，通常只需要很少的例子就能快速掌握，而不是从头开始学习。

image-20250811015853661
  • 数据集大小的差距： 像 ImageNet 这样的大型数据集包含了 1000 多万张图片和 1000 个类别，其标注成本高昂。而我们实际工作中遇到的数据集通常要小得多，比如可能只有 5 万张图片和 100 个类别。
  • 小数据集的局限性： 即使是 5 万张图片，对于训练一个大型深度学习模型来说也可能不够，容易导致过拟合，模型泛化能力差。
  • 利用先验知识： 微调允许我们利用在大规模数据集上学到的通用知识（如边缘、纹理、形状等特征），并将其迁移到我们的特定任务中。
image-20250811015656400

2.1 工作原理

一个典型的深度神经网络通常可以分为两部分：

  1. 特征提取层： 位于网络的前几层，负责将原始像素信息转换为更抽象、更有意义的特征表示。
  2. 分类层： 位于网络的最后一层，通常是一个全连接层加上一个 Softmax 回归，负责根据特征进行最终的分类。
image-20250811015919232

微调的核心思路是：

  1. 加载预训练模型： 使用一个在大数据集（如 ImageNet）上训练好的模型，这个模型通常被称为预训练模型（Pre-trained Model）。

  2. 复用特征提取层： 认为预训练模型的特征提取层已经学习了通用的视觉特征，这些特征对于我们的新任务同样有用。因此，我们将这些层的权重（参数）原封不动地复制过来，作为我们新模型的初始化参数。

    image-20250811020006472

  3. 替换并重新训练分类层： 由于我们的新任务的类别数量与预训练模型不同，所以需要替换掉预训练模型的最后一层分类器，并用随机初始化的新分类层代替。

    image-20250811020147929

  4. 进行训练： 在我们自己的小型数据集上，使用上述初始化的模型进行训练。这时，模型会根据我们自己的数据，对特征提取层进行“微调”，同时训练新的分类层。

通过这种方式，模型一开始就拥有了很好的特征表示能力，只需对网络进行小幅度的调整，就能很快地适应新的任务，从而实现更高的精度和更快的训练速度。

2.2 微调的常用技巧

  • 更小的学习率： 在微调时，通常会使用比从头训练时更小的学习率。因为预训练模型的参数已经很接近最优解，我们只需要对其进行小幅度的调整，而不是大刀阔斧地改变。
  • 更少的迭代次数： 微调通常只需要更少的 epochs（数据迭代次数）。
image-20250811020246782
  • 冻结底层： 一个更强的正则化方法是**冻结（freeze）**底层。由于神经网络的底层通常学习的是更通用的特征（如边缘、颜色），而高层学习的是与具体任务更相关的语义特征。当你的数据集非常小时，可以固定住底层参数不进行更新，只训练高层参数。这能有效降低模型复杂度，防止过拟合。
image-20250811020626087
  • 预训练模型的质量： 预训练模型的质量至关重要。一个在更大、更复杂数据集上训练出来的模型，其特征表示能力通常也更强，微调效果也会更好。
image-20250811020719895

2.3 代码步骤

2.3.1 获取和准备数据集

首先，你需要准备好你的目标数据集。在这个例子中，我们使用一个包含热狗和非热狗图像的数据集。

  • 下载数据集： 使用 d2l 库中的 download_extract 函数下载并解压数据集。数据集结构通常是 train 和 test 文件夹，每个文件夹下又包含按类别命名的子文件夹（hotdog 和 not-hotdog）。

    #@save
d2l.DATA_HUB['hotdog'] = (d2l.DATA_URL + 'hotdog.zip',
                         'fba480ffa8aa7e0febbb511d181409f899b9baa5')

data_dir = d2l.download_extract('hotdog')

  • 加载数据： 使用 torchvision.datasets.ImageFolder 来加载数据集，它可以自动识别文件夹结构作为类别。

    train_imgs = torchvision.datasets.ImageFolder(os.path.join(data_dir, 'train'))
test_imgs = torchvision.datasets.ImageFolder(os.path.join(data_dir, 'test'))

  • 定义数据增强和标准化：

    • 训练集（train_augs）： 为了增加数据多样性并防止过拟合，对训练集应用数据增强技术。常用的包括随机裁剪（RandomResizedCrop）和随机水平翻转（RandomHorizontalFlip）。
    • 测试集（test_augs）： 测试集通常只进行标准化处理，以保证评估的准确性。通常包括调整大小（Resize）和中心裁剪（CenterCrop）。
    • 标准化（Normalize）： 对图片的 RGB 三个通道进行标准化，即减去均值并除以标准差。这有助于模型更快地收敛。
    # 定义标准化方法，使用在ImageNet上训练模型的均值和标准差
normalize = torchvision.transforms.Normalize(
[0.485, 0.456, 0.406], [0.229, 0.224, 0.225])

# 训练集的数据增强
train_augs = torchvision.transforms.Compose([
torchvision.transforms.RandomResizedCrop(224),
torchvision.transforms.RandomHorizontalFlip(),
torchvision.transforms.ToTensor(),
normalize])

# 测试集的数据增强
test_augs = torchvision.transforms.Compose([
torchvision.transforms.Resize([256, 256]),
torchvision.transforms.CenterCrop(224),
torchvision.transforms.ToTensor(),
normalize])

2.3.2 定义和初始化模型

这是微调的核心步骤。你需要加载一个预训练模型，并对其进行修改。

  • 加载预训练模型： 使用 torchvision.models 加载一个预训练模型，例如 ResNet-18。通过设置 pretrained=True，PyTorch 会自动下载在 ImageNet 上训练好的模型参数。
pretrained_net = torchvision.models.resnet18(pretrained=True)
  • 修改输出层： 检查预训练模型的输出层。对于 ResNet-18，输出层是一个全连接层（fc），其输出维度是 1000（因为 ImageNet 有 1000 个类别）。我们需要将其替换为适应我们新任务（热狗和非热狗，共 2 个类别）的新层。
  • 随机初始化新层： 新的全连接层参数需要随机初始化，因为它是针对新任务从零开始学习的。使用 nn.init.xavier_uniform_ 可以进行良好的随机初始化。
# 获取预训练模型
finetune_net = torchvision.models.resnet18(pretrained=True)

# 获取原全连接层的输入特征数
num_features = finetune_net.fc.in_features

# 替换为新的全连接层，输出类别数为2
finetune_net.fc = nn.Linear(num_features, 2)

# 随机初始化新层的参数
nn.init.xavier_uniform_(finetune_net.fc.weight)

2.3.3 设置训练参数

在微调过程中，训练参数的设置至关重要。

  • 不同的学习率： 预训练部分的参数（所有层，除了最后一层）已经训练得很好，我们只需要对其进行微调，所以使用较小的学习率。而新初始化的输出层需要从头开始训练，所以使用更大的学习率。通常，输出层的学习率设置为其他层的几倍（例如 10 倍）。
  • 定义优化器： 使用 torch.optim.SGD 优化器，并为不同参数组设置不同的学习率。
# 将参数分为两组：预训练层和新输出层
params_1x = [param for name, param in net.named_parameters()
             if name not in ["fc.weight", "fc.bias"]]

trainer = torch.optim.SGD([{'params': params_1x},  # 预训练层
                           {'params': net.fc.parameters(), 'lr': learning_rate * 10}], # 新输出层
                          lr=learning_rate,
                          weight_decay=0.001)

2.3.4 训练模型

最后，调用训练函数进行微调。

  • 训练函数： 使用一个通用的训练函数，它接受网络、学习率、批量大小和迭代次数等参数。
  • 比较： 为了证明微调的有效性，可以与一个从头开始训练的相同模型进行比较。从头训练的模型需要更大的学习率，并且通常表现不如微调模型，因为它的初始参数是随机的。
# 如果param_group=True，输出层中的模型参数将使用十倍的学习率
def train_fine_tuning(net, learning_rate, batch_size=128, num_epochs=5,
                      param_group=True):
    train_iter = torch.utils.data.DataLoader(torchvision.datasets.ImageFolder(
        os.path.join(data_dir, 'train'), transform=train_augs),
        batch_size=batch_size, shuffle=True)
    test_iter = torch.utils.data.DataLoader(torchvision.datasets.ImageFolder(
        os.path.join(data_dir, 'test'), transform=test_augs),
        batch_size=batch_size)
    devices = d2l.try_all_gpus()
    loss = nn.CrossEntropyLoss(reduction="none")
    if param_group:
        params_1x = [param for name, param in net.named_parameters()
             if name not in ["fc.weight", "fc.bias"]]
        trainer = torch.optim.SGD([{'params': params_1x},
                                   {'params': net.fc.parameters(),
                                    'lr': learning_rate * 10}],
                                lr=learning_rate, weight_decay=0.001)
    else:
        trainer = torch.optim.SGD(net.parameters(), lr=learning_rate,
                                  weight_decay=0.001)
    d2l.train_ch13(net, train_iter, test_iter, loss, trainer, num_epochs,
                   devices)

# 微调模型，使用较小的学习率
train_fine_tuning(finetune_net, 5e-5)

# 从头训练的模型，使用较大的学习率
# scratch_net = torchvision.models.resnet18()
# scratch_net.fc = nn.Linear(scratch_net.fc.in_features, 2)
# train_fine_tuning(scratch_net, 5e-4, param_group=False)
深度学习 —— 个人学习笔记15（图像增广、微调）
Springer的博客
08-07 316
本文章为个人学习使用，版面观感若有不适请谅解，文中知识仅代表个人观点，若出现错误，欢迎各位批评指正。文中部分知识参考：B 站 —— 跟李沐学AI；
动手深度学习13——计算机视觉：数据增广、图片分类
qq_56591814的博客
05-17 4844
一、数据增广 1.1 为何进行数据增广？ CES真实案例： 几年前，一家做无人售货的公司发现演示机器在现场的效果很差，因为现场在赌城拉斯维加斯，现场与之前的开发测试办公室： 色温不同。赌城灯光很暗，偏黄 测试demo时机器放在桌子上，桌子很亮，反射后图片取景有变化 解决：开场前一天现场测试有问题，马上现场采集数据发回国内，训练一个新的模型，并且买了一块桌布就没有反光了。 例如语音识别、CV等场景，训练模型时可以模拟部署场景的各种情况，是提高模型泛化性的一种手段。 数据增广的优点： 数据增⼴可以
动手学深度学习-（李沐）PyTorch版本
weixin_64338372的博客
04-04 1万+
《动手学深度学习》PyTorch版本和TendorFlow版本（内有所有代码和PDF版下载地址）
[课程笔记]（李沐-动手学深度学习）
weixin_38800498的博客
06-09 8367
比如y=|x|的导数，可以在[-1,1]之间取任意值 将导数拓展到向量->梯度 第一种情况：y标量x向量 （y标量x向量）补充：内积 可以这样来理解向量内积：向量a、b的内积等于向量a在b方向的分量（或投影）与b的内积，当a、b垂直时，a在b方向上无分量，所以内积为0。其他几何意义：从内积数值上我们可以看出两个向量的在方向上的接近程度。 当内积值为正值时，两个向量大致指向相同的方向（方向夹角小于90度）； 当内积值为负值时，两个向量大致指向相反的方向（方向角大于90度）； 当内积值为0时，两个向量互相垂
李沐36_数据增广——自学笔记
Rrrrrr900的博客
04-15 1165
1.数据增广通过变形数据来获得多样性，从而使得模型泛化性能更好2.常见操作：翻转、切割、变色。
2025三掌柜赠书活动第一期：动手学深度学习（PyTorch版）
热门推荐
全沾软贱开发攻城狮
01-02 1万+
人工智能是引领未来发展的战略性技术，是新一轮科技革命和产业变革的重要驱动力量。深度学习作为机器学习的一个分支，近年来在图像识别、自然语言处理、游戏智能等领域取得了显著的进展。PyTorch，作为一个开源的深度学习框架，因其动态计算图、易用性和灵活性而受到广泛欢迎。那么本文就来详细介绍如何使用PyTorch进行深度学习，包括基础概念、核心API和实际代码示例，旨在帮助大家快速上手深度学习项目。关于深度学习的概念，其实深度学习通过构建多层神经网络模拟人脑处理信息的方式，以识别模式和特征。
玩转Kaggle：CIFAR-10图像分类
Liu Feng's Blog
09-02 4603
文章目录1. CIFAR-10简介2. 获取并组织数据集3. 图像增广4. 数据读取5. 模型定义6. 训练模型7. 测试生成提交结果 1. CIFAR-10简介 (比赛网址 https://www.kaggle.com/c/cifar-10) 数据集描述:   比赛数据集分为训练集和测试集，其中训练集包含 50000 张、测试集包含 300000 张图像。在测试集中，10000 张图像将被用于评估，而剩下的 290000 张图像将不会被进行评估，包含它们只是为了防止手动标记测试集并提交标记结果。   两个
动手学深度学习 PyTorch版 李沐 视频笔记
weixin_45729566的博客
08-06 449
04 数据操作+数据预处理。
动手深度学习13：计算机视觉——目标检测：锚框算法原理与实现、SSD、R-CNN
qq_56591814的博客
05-23 5976
一、区域卷积神经网络系列（R-CNN） 参考《区域卷积神经网络系列（R-CNN）》 1.1 R-CNN 使用启发式算法选择锚框 使用预训练模型对每个锚框进行特征提取（每个锚框当做一张图片） 将每个锚框的提取特征及其标注的类别作为一个样本，训练多SVM对每个锚框进行分类，每个支持向量机用来判断样本是否属于某一个类别。（计算机视觉在神经网络之前主流分类器是SVM） 将每个锚框的提取特征及其标注的标注的边界框作为一个样本，训练线性回归模型来预测真实边界框 RoI 池化层 这里有一个问题：锚框的大小是不一
21年更新-李沐《动手学深度学习第二版》:讲义+数据+代码等
04-15
gitignore Dockerfile INFO.md Jenkinsfile LICENSE Makefile README.md setup.py STY LE_GUIDE.md TERMINOLOGY.md build chapter _appendix chapter_computational-performa nce chapter_computer-vision ...img
精品--️李沐 【动手学深度学习】课程学习笔记：使用pycharm编程，基于pytorch框架实现。.zip
02-05
【标题】中的“精品--️李沐 【动手学深度学习】课程学习笔记”指的是由李沐教授的深度学习课程，这是一门旨在帮助学生通过实践掌握深度学习理论和技术的课程。学习笔记通常包括课程的主要概念、关键算法以及编程...
李沐的动手学深度学习的windows环境安装说明
07-06
### 李沐的动手学深度学习的Windows环境安装说明 #### 一、环境搭建 **1.1 安装 CUDA 和 cuDNN** 在搭建深度学习环境时，CUDA（Compute Unified Device Architecture）与 cuDNN（CUDA Deep Neural Network ...
【动手学深度学习v2】深度学习-李沐老师课程中代码详解-softmax
08-09
【动手学深度学习v2】深度学习——李沐老师课程中代码详解——softmax
【深度学习新浪潮】遥感图像风格化迁移研究工作介绍
智能守恒_HengAI
08-10 166
遥感图像风格化迁移是将艺术风格（如油画、素描、赛博朋克等）迁移到遥感图像中，同时保留其地理结构和关键地物信息的技术。由于遥感图像具有分辨率高、地物结构复杂（如建筑、道路、植被等）、可能包含多光谱信息等特点，其风格化迁移与自然图像相比存在特殊挑战（如需避免破坏地理特征的可识别性）。以下从方法、研究进展、代码与数据三个方面进行说明。
SimBA算法实现过程
2301_80349130的博客
08-09 991
L2：关注全局扰动能量L∞：关注局部最大变化。
《零基础入门AI：深度学习基础核心概念解析（从激活函数到反向传播）》
最新发布
m0_75034893的博客
08-11 544
避免使用固定值初始化当网络使用 sigmoid 或 tanh 激活函数时，优先选择 Xavier 初始化当网络使用 ReLU 或其变体时，优先选择 He 初始化随机初始化时，应使用较小的标准差（如 0.01）回归问题：使用 MSE 或 MAE，MSE 更常用但对异常值敏感二分类问题：使用 BCELoss，配合 sigmoid 激活函数多分类问题：使用 CrossEntropyLoss，配合 softmax 激活函数。
【深度学习新浪潮】近三年3DGS在大规模场景重建中的研究进展（2022-2025）
智能守恒_HengAI
08-08 226
（2024-2025，清华大学/ETH Zurich）（2025，法国国家信息与自动化研究所）（2025，新加坡国立大学）
深度学习·MAFT
2301_80132162的博客
08-08 403
效率上：为每个图片叠加提议生成多个子图像，并使用子图像分类效率低下，本文提出了一种同时处理多个提议的方法。所以也要考虑使用提议时，保留原本的全局信息。性能上：子图像之外的区域都为0,导致。＋　实验：对不同的提议，
3深度学习Pytorch-神经网络--全连接神经网络、数据准备（构建数据类Dataset、TensorDataset 和数据加载器DataLoader）
2202_75674969的博客
08-07 1222
深度学习是机器学习的一个分支，核心是通过多层非线性神经网络自动学习数据的抽象特征，无需人工设计特征。与传统机器学习相比，它能处理更复杂的数据（如图像、文本、语音），且随着数据量和计算能力的提升，性能会显著提高。端到端学习：直接从原始数据学习目标输出层次化特征提取：底层学简单特征（边缘），高层学复杂特征（物体部件）大数据驱动：需要海量训练数据表示学习：自动发现数据的内在表示。
李沐深度学习笔记数据增广
01-07
### 李沐深度学习笔记中的数据增广技术细节 在处理图像分类任务时，为了提升模型性能并增强其泛化能力，采用数据增广是一种有效手段。通过应用各种变换操作于原始图片之上，不仅能够扩充可用的数据量，而且有助于减少过拟合现象的发生。 #### 图像增广的作用机制 通过对训练图像执行一系列随机变化来创建相似却有所区别的新样本，以此方式增加训练集多样性[^3]。具体而言： - **扩展数据规模**：生成更多样化的输入实例供网络学习； - **减轻偏差影响**：防止模型过分关注特定特征或模式； - **改善泛化表现**：使模型更稳健地应对未曾见过的真实场景下的测试案例； #### 常见的图像增广方法 针对不同应用场景需求，可以选择多种类型的转换策略组合使用，包括但不限于以下几种基本形式： - **几何变形**：如翻转（水平/垂直）、旋转、缩放和平移等； - **颜色调整**：亮度调节、对比度修改、饱和度变动及色调偏移等； - **噪声注入**：向原图添加高斯白噪或其他形式干扰信号； - **裁剪与填充**：截取部分区域作为新的子图或将边界处补全至指定尺寸； #### 使用PyTorch实现简单的图像增广流程 下面给出一段基于`torchvision.transforms`库构建自定义Transform对象的例子，该对象可以在加载器阶段自动应用于每一批次传入的数据上： ```python from torchvision import transforms transform = transforms.Compose([ transforms.RandomHorizontalFlip(), # 随机水平翻转 transforms.ColorJitter(brightness=0.2, contrast=0.2), # 调整色彩属性 transforms.ToTensor() # 将PIL Image 或 numpy.ndarray转化为tensor ]) ``` 上述代码片段展示了如何利用链式调用来串联多个预处理步骤，并最终形成一个完整的转化管道。每当有新批次的数据被读取进来之后，都会依次经历这里所设定的各项处理环节。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

蔗理苦

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值