在我们处理有关图像的任务，比如目标检测，分类，语义分割等等问题当中，我们常常需要对训练集当中的图片进行数据增强（data augmentation）,这样会让训练集的样本增多，同时让神经网络模型的泛化能力更强。在进行图片的数据增强时，我们一般会对图像进行翻转，剪裁，灰度变化，对比度变化，颜色变化 ...

　　喜欢摄影的盆友都知道图像的亮度，对比度等属性对图像的影响是非常大的，相同物体在不同亮度，对比度下差别非常大。然而在很多图像识别问题中，这些因素都不应该影响最后的结果。所以本文将学习如何对图像数据进行预处理使训练得到的神经网络模型尽可能小地被无关因素所影响。但与此同时，复杂的预处理过程可能导致 ...

正则化： 一般可以通过减少特征或者惩罚不重要特征的权重来缓解过拟合，但是我们通常不知道该惩罚那些特征的权重，而正则化就是帮助我们惩罚特征权重的，即特征的权重也会成为模型的损失函数一部分。可以理解为， ...

一、图片数据读取 　　在做模型训练前，需要读取数据集数据，对图片数据的读取方法做一下介绍。 　　数据的存放如下：数据集存放在C:\Users\Administrator\Desktop\train\datasets文件夹，该文件夹下有两个文件夹，train存放训练集，test存放测试集。图片 ...

开始之前，需要思考一些基本问题 1、为什么需要大量数据 当您训练机器学习模型时，您真正在做的是调整其参数，以便它可以将特定输入（例如，图像）映射到某个输出（标签）。我们的优化目标是追逐我们模型损失较低的最佳位置，这种情况发生在您的参数以正确的方式调整时。 现在 ...

一、概念 1、为什么需要数据增强 1）数据是机器学习的原材料，而大部分机器学习任务都是有监督任务，所以非常依赖训练数据，而训练数据就是一种有标注数据，比如做文本分类的任务，就需要一些标注好的文本数据，算法起到一个拟合有标注的数据的作用，从数据中找到一定规律，比如某个数据属于某一类是由于某种特征 ...

图像增广 在5.6节（深度卷积神经网络）里我们提到过，大规模数据集是成功应用深度神经网络的前提。图像增广（image augmentation）技术通过对训练图像做一系列随机改变，来产生相似但又不同的训练样本，从而扩大训练数据集的规模。图像增广的另一种解释是，随机改变训练样本可以降低模型 ...

1 什么是数据增强？ 来自 <https://www.infoq.cn/article/kyXx3sRKNsdFgqapv2Gw?utm_source=rss&utm_medium=article> 数据增强也叫数据扩增，意思是在不实质性的增加数据的情况下，让有限的数据产生 ...