利用pytorch图像增广
图像增广（image augmentation）技术通过对训练图像做一系列随机改变，来产生相似但又不同的训练样本，从而扩大训练数据集的规模。
图像增广的另一种解释是，随机改变训练样本可以降低模型对某些属性的依赖，从而提高模型的泛化能力。
简单说就是，通过一些技巧，让图像数据变多；
图像增广基于现有训练数据生成随机图像从而应对过拟合。
import sysfrom IPython import displayimport matplotlib.pyplot as plt%matplotlib inlineimport timeimport torchfrom torch import nn, optimfrom torch.utils.data import Dataset, DataLoaderimport torchvisionfrom PIL import Image
device = torch.device('cuda' if torch.cuda.is_available() else 'cpu')print(device)cuda
def set_figsize(figsize=(3.5, 2.5)):use_svg_display()# 设置图的尺寸plt.rcParams['figure.figsize'] = figsize
def use_svg_display():"""Use svg format to display plot in jupyter"""display.set_matplotlib_formats('svg')img=Image.open('test.jpg')plt.imshow(img)<matplotlib.image.AxesImage at 0x7fb7abf34d30>
def show_images(imgs, num_rows, num_cols, scale=2):figsize = (num_cols * scale, num_rows * scale)_, axes = plt.subplots(num_rows, num_cols, figsize=figsize)for i in range(num_rows):for j in range(num_cols):axes[i][j].imshow(imgs[i * num_cols + j])axes[i][j].axes.get_xaxis().set_visible(False)axes[i][j].axes.get_yaxis().set_visible(False)return axes
def apply(img,aug,num_rows=2,num_cols=4,scale=1.5):Y=[aug(img) for _ in range(num_rows*num_cols)]show_images(Y,num_rows,num_cols,scale)
apply(img,torchvision.transforms.RandomHorizontalFlip())
apply(img,torchvision.transforms.RandomVerticalFlip())
shape_aug=torchvision.transforms.RandomResizedCrop(200,scale=(0.1,1)) # 将给定的PIL图像裁剪为200*200和0.1到-1的比例尺。apply(img,shape_aug)
apply(img,torchvision.transforms.ColorJitter(brightness=0.5)) # 将亮度变为原图像的(1-0.5~01+.5)
apply(img,torchvision.transforms.ColorJitter(hue=0.5)) # 类似地随机改变图片的色调
apply(img,torchvision.transforms.ColorJitter(contrast=0.5)) # 类似地随机改变图片的对比度
apply(img,torchvision.transforms.ColorJitter(saturation=0.5)) # 类似地随机改变图片的饱和度
color_aug=torchvision.transforms.ColorJitter(brightness=0.5, contrast=0.5, saturation=0.5, hue=0.5)apply(img,color_aug)
augs = torchvision.transforms.Compose([torchvision.transforms.RandomHorizontalFlip(), color_aug, shape_aug])apply(img, augs)
