图像数据不足时，你可以试试数据扩充

在EZDL到底怎样，试试看…中，我们谈到百度的在线AI设计工具EasyDL不需要调整任何参数，对于用户而言就是一个吃数据的黑盒子。也许系统会选择最优的参数和算法来训练出一个好的模型，如果此时准确率仍然达不到我们的需求，我们是否就完全束手无策了呢？

也不完全是。我们知道，丰富的高质量数据是训练出好的机器学习模型的关键。但是良好的数据不会从天上掉下来，靠人工收集数据是一个非常费时费力的工作，关键是，在特定的领域，有效的数据很难获取，比如医学影像数据。

这个时候，采用一些程序手段扩充数据集就成为了解决数据缺乏的一种方法，它可以将训练集的大小增加10倍或更多。更让人鼓舞的是，这样训练出的模型通常会更加健壮，减少过拟合。

数据扩充(Data Augmentation) 是指根据一些先验知识，在保持特定信息的前提下，对原始数据进行适当变换以达到扩充数据集的效果。这个其实很好理解，一张猫的图片，对其进行旋转、缩放等变换，我们人类还是能辨认出。具体到图像分类任务中，在保持图像类别不变的前提下，可以对训练集中的每幅图像进行一下变换：

1. 一定程度内的随机旋转、平移、缩放、裁剪、填充、左右翻转等，这些变换对应着同一个目标在不同角度的观察结果。
2. 对图像中的像素添加噪声扰动，比如椒盐噪声、高斯白噪声等。
3. 颜色变换。
4. 改变图像的亮度、清晰度、对比度、锐度等。

如果你对图像处理并不是那么熟悉，不用慌张，对于万能的python而言，只要有需求，总有人提供程序库，github上就有一个imgaug的python库，下面展示一些图像扩充的样例：

通过数据扩充，我们可以将原来的数据集规模扩大64倍。

这个imgaug库，功能相当强大，文档也还算比较全。如果你觉得引入第三方库太麻烦，也可以考虑keras提供的数据扩充API。

keras图像扩充API

与Keras的其他部分一样，图像增强API简单而强大。

Keras提供了ImageDataGenerator类，提供如下功能：

• 样本标准化
• 功能标准化
• ZCA增白
• 随机旋转，移位，剪切和翻转。
• 尺寸重组
• 将增强的图像保存到磁盘。

以下代码创建ImageDataGenerator

datagen = ImageDataGenerator()

API不是在内存中对整个图像数据集执行操作，而是训练模型的迭代过程中实时创建增强的图像数据，这可以减少内存开销，但会增加一些额外的训练时间成本。

创建并配置ImageDataGenerator后，必须将其应用到数据集上，这将计算实际执行图像数据转换所需的信息，该操作通过调用数据生成器上的fit()函数并将其传递给训练数据集来完成。

datagen.fit(train)

数据生成器本身实际上是一个迭代器，在请求时返回批量的图像样本。我们可以通过调用flow()函数来配置批量大小并获取批量图像。

X_batch, y_batch = datagen.flow(train, train, batch_size=32)

最后，我们可以使用数据生成器，必须调用fit_generator()函数并传入数据生成器和每个轮次的样本数以及要训练的轮次总数，而不是在我们的模型上调用fit()函数。

fit_generator(datagen, samples_per_epoch=len(train), epochs=100)

更多关于keras图像扩充API的信息，还请参考官方文档：https://keras.io/preprocessing/image/。

参考

1. 百面机器学习 - 算法工程师带你去面试，诸葛越主编，人民邮电出版社
2. https://keras.io/preprocessing/image/
3. https://github.com/aleju/imgaug
4. https://machinelearningmastery.com/image-augmentation-deep-learning-keras/

往期回顾

提高模型性能，你可以尝试这几招…

百度推出EZDL，编程小白也可训练AI

EZDL到底怎样，试试看…