1. 数据增强Data Augmentation

• 数据增强让有限的数据产生更多的数据，增加训练样本的数量以及多样性（噪声数据），提升模型鲁棒性。神经网络需要大量的参数，许许多多的神经网路的参数都是数以百万计，而使得这些参数可以正确工作则需要大量的数据进行训练，但在很多实际的项目中，我们难以找到充足的数据来完成任务。
• 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。
  1. 例如，我们可以对图像进行不同方式的裁剪，让物体以不同的实例出现在图像的不同位置，这同样能够降低模型对目标位置的敏感性。
  2. 例如，我们也可以调整亮度、对比度、饱和度和色调 等因素来降低模型对 色彩的敏感度。

2. 数据增强的分类

数据增强可以分为两类，一类是离线增强，一类是在线增强。

1. 离线增强 ： 直接对数据集进行处理，数据的数目会变成增强因子乘以原数据集的数目，这种方法常常用于数据集很小的时候。

2. 在线增强 ： 这种增强的方法用于，获得 batch 数据之后，然后对这个 batch 的数据进行增强，如旋转、平移、翻折等相应的变化，由于有些数据集不能接受线性级别的增长，这种方法长用于大的数据集，很多机器学习框架已经支持了这种数据增强方式，并且可以使用 GPU 优化计算。

3. 数据增强实现

数据增强一般是图像用的多，都是一些常用的方法，比如random crop，随机反转，随机对比度增强，颜色变化等等，一般来讲随机反转和一个小比例的random resize，再接random crop比较常用。NLP中将字和词连接起来就形成了一个新样本，也属于数据增强。

图片数据增强通常只是针对训练数据，对于测试数据则用得较少。