数据增强(Data Augmentation）

我们常常会遇到数据不足的情况。比如，你遇到的一个任务，目前只有小几百的数据，然而，你知道目前现在流行的最先进的神经网络都是成千上万的图片数据。
为了获得更多的数据，我们只要对现有的数据集进行微小的改变。比如旋转（flips）、移位（translations）、旋转（rotations）等微小的改变。我们的网络会认为这是不同的图片。
一个卷积神经网络，如果能够对物体即使它放在不同的地方也能稳健的分类，就被称为具有不变性的属性。更具体的，CNN可以对移位（translation）、视角（viewpoint）、大小（size）、照明（illumination）（或者以上的组合）具有不变性。
这本质上是数据增强的前提。在现实场景中，我们可能会有一批在有限场景中拍摄的数据集。但是我们的目标应用可能存在于不同的条件，比如在不同的方向、位置、缩放比例、亮度等。

import matplotlib.pyplot as plt
import torchvision
from PIL import Image

path = ["imgs/1.jpg"]
for index, p in enumerate(path):
    plt.subplot(2,2,1+index)
    img_array = Image.open(p)
    print("原始图像大小为：",img_array.size)
    # 一定比例对图像进行缩放
    # new_img_array = torchvision.transforms.Resize((224,224))(img_array)
    # 随机剪裁
    # new_img_array = torchvision.transforms.RandomCrop((224, 224))(img_array)
    # 随即水平翻转
    # new_img_array  = torchvision.transforms.RandomHorizontalFlip()(img_array)
    # print("resize后的图像大小为：",new_img_array.size)
    # 随机角度翻转
    # new_img_array = torchvision.transforms.RandomRotation(45)(img_array)
    # 亮度、对比度
    # new_img_array = torchvision.transforms.ColorJitter(brightness=1)(img_array)
    # new_img_array = torchvision.transforms.ColorJitter(contrast=1)(img_array)
    # 彩色图转灰色图
    new_img_array = torchvision.transforms.Grayscale()(img_array)
    # transforms.Compose()串联多个transform操作
    trans_totensor = torchvision.transforms.Compose([torchvision.transforms.ToTensor()])
    img_tensor = trans_totensor(new_img_array)
    print(img_tensor.shape)
    plt.imshow(new_img_array)
    plt.show()