在 pytorch 中使用 torchvision.transforms 进行数据增强答案

【问题标题】：Data Augmentation with torchvision.transforms in pytorch在 pytorch 中使用 torchvision.transforms 进行数据增强
【发布时间】：2019-07-25 03:12:11
【问题描述】：

我发现数据增强可以在 PyTorch 中使用 torchvision.transforms 完成。我还读到在每个时期都应用了转换。所以我想知道多次复制每个样本然后对它们应用随机变换的效果是否与在原始数据集（唯一图像）上使用 torchvision.transforms 并只是训练它更长的时间（更多时期）相同. 提前致谢。

【问题讨论】：

"在每个 epoch 对原始数据集进行随机变换，然后运行更多 epoch" - 老实说非常令人困惑
我希望编辑澄清它。
如果有任何变换中带有“随机”这个词，那么不，不一样。
是否可以预测哪一个会带来更好的性能？
在每个 epoch 的开始应用，bcz 这就是“随机”转换的全部意义，即生成不同的样本。

标签： pytorch data-augmentation

【解决方案1】：

这是一个需要广泛回答的问题。不要误解 TorchVision 转换不会增加您的数据集。它在运行时对当前数据集应用随机或非随机转换。（因此每次和每个时代都是唯一的）。

多次复制每个样本然后对其应用随机变换的效果与在原始数据集（唯一图像）上使用 torchvision.transforms 并仅对其进行更长时间的训练（更多时期）相同。

答案- 要增加数据集，可以复制粘贴，也可以使用 pyTorch 或 WEKA 软件。然而，更多的时代是一个完全不同的概念。当然，你使用的 epoch 越多，模型就会越好（直到验证损失和训练损失相互交叉）希望这可以帮助。

【讨论】：