数据增强无疑是一种很好的正则化方法，它提高了我在未见过的测试集上的准确性。但是，我不明白为什么会降低网络的收敛速度？我知道每个 epoch 都需要更长的时间来训练，因为图像转换是动态应用的。但是为什么会影响收敛呢？对于我目前的设置，网络在没有数据增强的情况下在 5 个 epoch 后达到 100% 的训练准确度（并且明显过拟合） - 在数据增强的情况下，需要 23 个 epoch 才能达到 95% 的训练准确度，但似乎永远不会达到 100%。
关于这背后的原因的研究论文或 cmets 的任何链接？
【问题讨论】：
标签： keras computer-vision conv-neural-network data-augmentation
我猜你正在评估训练集的准确性，对吧？这是一个错误......
如果不进行扩充，您的网络只会过度拟合。您有预定义数量的图像，例如 1000 张，并且您的网络在训练期间可以轻松记住数据集标签。您正在对固定（非增强）数据集上的模型进行评估。
当您使用数据增强训练网络时，基本上，您是在无限大小的数据集上训练模型。您正在动态进行增强，这意味着模型每次都会“看到”新图像，并且无法以 100% 的准确度完美地记住它们。您正在增强（无限）数据集上评估模型。
当您在使用和不使用增强的情况下训练模型时，您会在不同的数据集上对其进行评估，因此比较它们的准确性是不正确的。
建议： 不要看训练集的准确性，当您使用增强时，它只会产生误导。相反 - 在未增强的测试集（或验证集）上评估您的模型。通过这样做 - 您将看到模型的真正准确度提高。
附：如果您想了解有关图像增强的更多信息，我真的建议您查看本指南 - https://notrocketscience.blog/complete-guide-to-data-augmentation-for-computer-vision/
【讨论】：