一、数据增强

当你训练一个机器学习模型时，你实际做工作的是调参，以便将特定的输入（一副图像）映像到输出（标签）。我们优化的目标是使模型的损失最小化， 以正确的方式调节优化参数即可实现这一目标[参考][参考]。

人工智能的核心是机器学习，深度学习需要大量的数据，那么当数据有限是如何进行深度学习？
 

1.1 常用的增强技术

每个技术都定义了一个增强因子，用以增强数据集（也成为数据增强因子）

1、翻转

2、旋转

关于这个操作，需要注意的一个关键问题是，在旋转之后，图像维度可能不会被保留。如果是正方型图像，旋转90度之后图像的尺寸会被保存。如果图像是长方形，旋转180度之后图像尺寸也会保存。 但用更小的角度旋转图像，将会改变最终图像的尺寸。在下面的章节中我们将会看到如何解决这个问题。下面是方形图像旋转90度的例子。

3、缩放

放大时，放大后的图像尺寸会大于原始尺寸。大多数图像处理架构会按照原始尺寸对放大后的图像进行裁切。

4、裁剪

5、平移

平移是将图像沿X或Y方向（或者同时沿2个方向）移动。在下面的例子中， 我们假设在图像边界之外是黑色的背景，也同步被移动。这一数据增强方法非常有用，因为大多数对象有可能分布在图像的任何地方。这迫使你的卷积神经网络需要看到所有地方。

6. 高斯噪声

通过添加适量的噪声能够有效提升神经网络的学习能力。

一个“弱化”的版本是椒盐噪声，它以随机的白色和黑色像素点呈现并铺满整个图片。这种方式对图像产生的作用和添加高斯噪声产生的作用是一样的，只是效果相对较弱。

7.  颜色变换类，指通过模糊、颜色变换、擦除、填充等方式对图像进行处理

1.2 高级增强技术

1. 条件型生成对抗网络（Conditional GANs）将夏日风光的图片转换为冬季风景的例子（风格迁移）