我有兴趣了解数据增强的重要性（以不同角度旋转、翻转图像），同时为机器学习问题提供数据集。
是否真的需要？或者无论数据转换有多么不同，使用的 CNN 网络也会处理这个问题？
所以我做了一个2类的分类任务来总结一些结果
这个想法是只用一个方向训练形状（我用箭头指向右边）并检查模型用不同的方向（我用向下的箭头），这在训练阶段根本没有给出。
训练中使用的一些样本
测试中使用的一些样本
这是我用于创建 tensorflow 模型的整个数据集。 https://bitbucket.org/akhileshmalviya/samples/src/bab50b85d826?at=master
我想知道我得到的结果，
(i) 除了几个向下的箭头外，所有其他的都被正确预测为箭头。这是否意味着根本不需要数据增强？
(ii) 或者这是我用来理解数据增强重要性的正确用例？
请分享您的想法，非常感谢任何帮助！
【问题讨论】：
标签： machine-learning tensorflow conv-neural-network
您正在解决的任务可以轻松解决，无需任何神经网络，甚至无需机器学习。
仅仅因为问题如此简单，是否进行数据增强并不重要。数据增强的需求是特定于任务的，并且取决于很多事情：
n 暗淡中训练线性回归，您将拥有n + 1 参数。你真的不需要增加这个。此外，如果您已经拥有 100 亿个数据点，则增强可能不会有帮助。【讨论】：
数据扩充是一个依赖数据的过程。
一般来说，当您的训练数据很复杂且样本较少时，您需要它。
神经网络可以轻松学会提取简单的模式，如弧线或直线，这些模式足以对您的数据进行分类。
在您的情况下，数据增强几乎没有帮助，网络将学习提取的特征很容易，并且彼此之间存在很大差异。
相反，当您必须处理复杂的结构（猫、狗、飞机等）时，您不能依赖边缘、弧线等简单的特征。 相反，您必须向网络表明您尝试分类的实例具有很高的方差，并且提取的特征可以针对同一主题以多种不同方式组合。
想象一只猫：它可以是任何颜色，可以在不同的光线条件下拍摄照片，它的整个身体可以在任何位置，可以在某个方向上拍摄照片...... 为了正确分类如此不同的实例，网络必须学会提取鲁棒的特征，这些特征只有在看到大量不同的输入后才能学习。
在您的情况下，相反，简单的功能可以完全区分您的输入，因此任何类型的数据增强都可以提供一点帮助。
【讨论】：
3x3 区域（或任何过滤器大小）中看到的内容。因此，如果第一层学习提取边缘，第二层学习将它们组合成直线和弧（例如）。最后一层将线分类为箭头，将弧分类为圆。 @Karthik 我想如果你降低类间变异性，问题会更难。试试吧！