SpringBoot中數據增強的示例分析

這篇文章將為大家詳細講解有關SpringBoot中數據增強的示例分析，小編覺得挺實用的，因此分享給大家做個參考，希望大家閱讀完這篇文章后可以有所收獲。

數據增強（Date Augmentation）

增加數據集大小是解決過擬合最重要的途徑。但是收集樣本數據和標注往往是代價昂貴的，在有限的數據集上，通過數據增強技術可以增加訓練的樣本數量，獲得一定程度上的性能提升。
**數據增強(Data Augmentation)**是指在維持樣本標簽不變的條件下，根據先驗知識改變樣本的特征，使得新產生的樣本也符合或者近似符合數據的真實分布。
常見的數據增強方式：旋轉、縮放、平移、裁剪、改變視角、遮擋某局部區域，這樣都不會改變圖片的類別標簽。

基本數據增強方式實現

TensorFlow 中提供了常用圖片的處理函數，位于 tf.image 子模塊中。
1.縮放
通過tf.image.resize 函數可以實現圖片的縮放功能。

# 將輸入圖片x縮放到224*224x = tf.image.resize(x, [224, 224])

2.旋轉
通過 tf.image.rot90(x, k=1)可以實現圖片按逆時針方式旋轉 k 個 90 度。

# 圖片逆時針旋轉180度x = tf.image.rot90(x, 2)

3.翻轉
可以通過 tf.image.random_flip_left_right 和 tf.image.random_flip_up_down 實現圖片在水平方向和豎直方向的隨機翻轉操作

# 水平方向翻轉(左右顛倒，鏡像圖片)x = tf.image.random_flip_left_right(x)# 豎直方向翻轉（上下顛倒）x = tf.image.random_flip_up_down(x)

4.裁剪
通過在原圖的左右或者上下方向去掉部分邊緣像素，可以保持圖片主體不變，同時獲得新的圖片樣本。
在實際裁剪時，一般先將圖片縮放到略大于網絡輸入尺寸的大小，再進行裁剪到合適大小，例如網絡的輸入大小為 224x224，那么我們先通過 resize 函數將圖片縮放到 244x244 大小，再隨機裁剪到 224x224 大小。

# 圖片先縮放到稍到尺寸x = tf.image.resize(x, [224, 224])# 再隨機裁剪到合適尺寸x = tf.image.random_crop(x, [224,224,3])

5.其他方法，比如：添加噪聲，變換視角、隨機遮擋等。
下圖展示了上述不同數據增強方法后的效果：

生成數據

除此之外，還可以通過條件生成對抗網絡(Conditional GAN, CGAN)可以生成帶標簽的樣本數據。
通過生成模型在原有數據上學習到數據的分布，從而生成新的樣本，這種方式也可以在一定程度上提升網絡性能。

關于“SpringBoot中數據增強的示例分析”這篇文章就分享到這里了，希望以上內容可以對大家有一定的幫助，使各位可以學到更多知識，如果覺得文章不錯，請把它分享出去讓更多的人看到。