數據增強讓有限的數據產生更多的數據，增加訓練樣本的數量以及多樣性（噪聲數據），提升模型魯棒性，一般用于訓練集。神經網絡需要大量的參數，許許多多的神經網路的參數都是數以百萬計，而使得這些參數可以正確工作則需要大量的數據進行訓練，但在很多實際的項目中，我們難以找到充足的數據來完成任務。隨機改變訓練樣本可以降低模型對某些屬性的依賴，從而提高模型的泛化能力。

數據增強方法：

例如，我們可以對圖像進行不同方式的裁剪，讓物體以不同的實例出現在圖像的不同位置，這同樣能夠降低模型對目標位置的敏感性。此外，調整亮度、對比度、飽和度和色調 等因素來降低模型對色彩的敏感度。再有，隨機裁剪、隨機反轉、隨機對比度增強、顏色變化等等。一般來講隨機反轉和一個小比例的random resize，再接隨機裁剪比較常用。NLP中將字和詞連接起來就形成了一個新樣本，也屬于數據增強。

數據增強的分類：

數據增強可以分為兩類，一類是離線增強，一類是在線增強。

· 離線增強 ： 直接對數據集進行處理，數據的數目會變成增強因子乘以原數據集的數目，這種方法常常用于數據集很小的時候。

· 在線增強 ： 這種增強的方法用于，獲得批量(batch)數據之后，然后對這個批量(batch)的數據進行增強，如旋轉、平移、翻折等相應的變化，由于有些數據集不能接受線性級別的增長，這種方法長用于大的數據集，很多機器學習框架已經支持了這種數據增強方式，并且可以使用 GPU 優化計算。

總結

以上是生活随笔為你收集整理的什么是数据增强（Data Augmentation）的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。