tf.data.Dataset 的扩充

Question

按照this 指南，我偶然发现了这个：为了增加 tf.data 数据集，我们手动使用 map 函数来映射原始数据集的每个图像中的图像转换：

def convert(image, label):
  image = tf.image.convert_image_dtype(image, tf.float32) # Cast and normalize the image to [0,1]
  return image, label

def augment(image,label):
  image,label = convert(image, label)
  image = tf.image.convert_image_dtype(image, tf.float32) # Cast and normalize the image to [0,1]
  image = tf.image.resize_with_crop_or_pad(image, 34, 34) # Add 6 pixels of padding
  image = tf.image.random_crop(image, size=[28, 28, 1]) # Random crop back to 28x28
  image = tf.image.random_brightness(image, max_delta=0.5) # Random brightness

  return image,label

BATCH_SIZE = 64
# Only use a subset of the data so it's easier to overfit, for this tutorial
NUM_EXAMPLES = 2048

augmented_train_batches = (
    train_dataset
    # Only train on a subset, so you can quickly see the effect.
    .take(NUM_EXAMPLES)
    .cache()
    .shuffle(num_train_examples//4)
    # The augmentation is added here.
    .map(augment, num_parallel_calls=AUTOTUNE)
    .batch(BATCH_SIZE)
    .prefetch(AUTOTUNE)
) 

据我所知，它的作用是：它采用原始的train_dataset 并创建一个新的augmented_train_batches 数据集，该数据集具有相同数量的由地图转换改变的图像。之后，它的作用是提供这个数据集像这样进入.fit：

model_with_aug.fit(augmented_train_batches, epochs=50, validation_data=validation_batches)

所以我似乎无法理解的是：不是每个 epoch 之后都应该更改数据，以便（根据文档）我们的模型不会多次看到相同的图像，而且使我们的过拟合几率更低？

在本教程中，augmented_train_batches 不只是一个稍微改变的数据集，它会一遍又一遍地输入到我们的模型中吗？

或者在每个 epoch 之后以某种我无法理解的方式应用增强？

P.S.我认为增强（如果正确完成）必须在每个 epoch 之后以相同的方式更改预转换的数据，而不是继续将转换应用于相同的更改数据集。

Answer 1

在每个 epoch 之后以某种我无法理解的方式应用增强？

不，在本教程中，增强只进行一次，而不是在每个 epoch。 当我们想使用 Data Augmentation 来训练每个 epoch 生成增强数据的网络时，使用 TF Keras Image Data Generator 来生成它会更容易。这将创建一个迭代器，您可以直接向模型提供增强数据。您可以在link 中了解更多信息。

本教程只是向您介绍数据增强的基本概念和好处。

请注意教程中的这一部分：

BATCH_SIZE = 64
# Only use a subset of the data so it's easier to overfit, for this tutorial
NUM_EXAMPLES = 2048

本教程仅打算使用数据子集，这就是它更容易过度拟合的原因，因此这可能是您担心过度拟合机会更高的原因。

扩充是为了获得更多的数据，我们只需要对现有数据集进行微小的改动。您可以使用tf.image 进行轻微更改，例如翻转或平移或旋转，并使用映射方法.map() 将其应用于数据集中的每个项目。无论如何，我们的神经网络会认为这些是不同的图像。

在本教程中，将非增强数据与增强数据分开训练只是为了比较并显示差异有多小。

在这个例子中，增强模型在验证集上收敛到了约 95% 的准确度。这比没有数据增强训练的模型略高（+1%）。

我们可以清楚地看到，两者之间并没有太大的区别。但通常使用扩充的目的是为您的数据集提供更多更改的数据，因此如果您将其与原始数据集组合并增加 epoch 的数量，结果可能会提供更大的差异。