深度學習中的Data Augmentation方法（轉）基於keras

在深度學習中，當數據量不夠大時候，常常採用下面4中方法： 1.  人工增加訓練集的大小. 通過平移, 翻轉, 加噪聲等方法從已有數據中創造出一批"新"的數據.也就是Data Augmentation 2.  Regularization. 數據量比較小會導致模型過擬合, 使得訓練誤差很小而測試誤差特別大. 通過在Loss Function 後面加上正則項可以抑制過擬合的產生. 缺點是引入了一個需要

>>阅读原文<<