在 PyTorch 中進行數據增強通常使用 torchvision.transforms 模塊。這個模塊提供了大量的預定義數據增強操作，比如隨機裁剪、翻轉、旋轉、縮放等。你也可以自定義數據增強操作。
以下是一個簡單的例子，展示了如何在 PyTorch 中進行數據增強：
import torch
from torchvision import datasets, transforms
# 定義數據增強操作
transform = transforms.Compose([
transforms.RandomHorizontalFlip(),
transforms.RandomRotation(degrees=10),
transforms.ToTensor(),
])
# 加載數據集并應用數據增強
train_dataset = datasets.CIFAR10(root='./data', train=True, download=True, transform=transform)
train_loader = torch.utils.data.DataLoader(train_dataset, batch_size=64, shuffle=True)
# 遍歷數據集
for images, labels in train_loader:
# 在這里對圖像進行訓練
pass
在這個例子中，我們定義了一些數據增強操作，并將它們組合成一個 transforms.Compose 對象。然后，我們在加載 CIFAR-10 數據集的過程中，將這些數據增強操作應用到數據集上。
你可以根據需要自定義數據增強操作，并按照上面的例子將它們組合起來。PyTorch 的數據增強功能非常強大，可以幫助你提高訓練模型的效果。
