Κοινή χρήση τεχνολογίας

한어Русский языкEnglishFrançaisIndonesianSanskrit日本語DeutschPortuguêsΕλληνικάespañolItalianoSuomalainenLatina

1. Βελτίωση δεδομένων

1. Προσθέστε ένα υπάρχον σύνολο δεδομένων για να προσφέρετε μεγαλύτερη ποικιλομορφία, όπως η προσθήκη διαφορετικού θορύβου φόντου και η αλλαγή του χρώματος και του σχήματος της εικόνας.

2. Τα βελτιωμένα δεδομένα δημιουργούνται ηλεκτρονικά

3. Τύπος ενίσχυσης:

(1) Αναποδογυρίστε

(2) Κοπή

(3) Χρώμα

(4) Ακονίστε και προσθέστε κηλίδες

2. Περίληψη

1. Η αύξηση δεδομένων αποκτά ποικιλομορφία παραμορφώνοντας τα δεδομένα, καθιστώντας έτσι το μοντέλο πιο γενικεύσιμο.

2. Οι κοινές βελτιώσεις εικόνας περιλαμβάνουν το γύρισμα, το κόψιμο και τον αποχρωματισμό

3. Απλώς αλλάξτε το σύνολο δεδομένων

4. Για να λάβουμε ακριβή αποτελέσματα κατά τη διαδικασία πρόβλεψης, συνήθως εκτελούμε μόνο αύξηση εικόνας στα δείγματα εκπαίδευσης και δεν χρησιμοποιούμε επαύξηση εικόνας με τυχαίες πράξεις κατά τη διαδικασία πρόβλεψης.

5. Το πλαίσιο βαθιάς μάθησης παρέχει πολλές διαφορετικές μεθόδους αύξησης εικόνας, οι οποίες μπορούν να εφαρμοστούν ταυτόχρονα.

3. Κωδ

1. Μέθοδος αύξησηςaug

def apply(img, aug, num_rows=2, num_cols=4, scale=1.5):
    Y = [aug(img) for _ in range(num_rows * num_cols)]
    d2l.show_images(Y, num_rows, num_cols, scale=scale)

2. Αναποδογυρίστε

apply(img, torchvision.transforms.RandomHorizontalFlip())
apply(img, torchvision.transforms.RandomVerticalFlip())

3. Κοπή

#面积为原始面积10%到100%的区域，宽高比从0.5～2之间随机取值
shape_aug = torchvision.transforms.RandomResizedCrop(
    (200, 200), scale=(0.1, 1), ratio=(0.5, 2))
apply(img, shape_aug)

4. Φωτεινότητα

apply(img, torchvision.transforms.ColorJitter(
    brightness=0.5, contrast=0, saturation=0, hue=0))

5. Χρωματικός τόνος

apply(img, torchvision.transforms.ColorJitter(
    brightness=0, contrast=0, saturation=0, hue=0.5))

λάμψη(brightness), αντίθεση (contrast),κορεσμός(saturation) και απόχρωση (hue）

6. Ανακατεύουμε

augs = torchvision.transforms.Compose([
    torchvision.transforms.RandomHorizontalFlip(), color_aug, shape_aug])
apply(img, augs)