這篇文章將為大家詳細(xì)講解有關(guān)SpringBoot中數(shù)據(jù)增強(qiáng)的示例分析，小編覺(jué)得挺實(shí)用的，因此分享給大家做個(gè)參考，希望大家閱讀完這篇文章后可以有所收獲。

創(chuàng)新互聯(lián)是一家集網(wǎng)站建設(shè),扶風(fēng)企業(yè)網(wǎng)站建設(shè),扶風(fēng)品牌網(wǎng)站建設(shè),網(wǎng)站定制,扶風(fēng)網(wǎng)站建設(shè)報(bào)價(jià),網(wǎng)絡(luò)營(yíng)銷,網(wǎng)絡(luò)優(yōu)化,扶風(fēng)網(wǎng)站推廣為一體的創(chuàng)新建站企業(yè)，幫助傳統(tǒng)企業(yè)提升企業(yè)形象加強(qiáng)企業(yè)競(jìng)爭(zhēng)力。可充分滿足這一群體相比中小企業(yè)更為豐富、高端、多元的互聯(lián)網(wǎng)需求。同時(shí)我們時(shí)刻保持專業(yè)、時(shí)尚、前沿，時(shí)刻以成就客戶成長(zhǎng)自我，堅(jiān)持不斷學(xué)習(xí)、思考、沉淀、凈化自己，讓我們?yōu)楦嗟钠髽I(yè)打造出實(shí)用型網(wǎng)站。

數(shù)據(jù)增強(qiáng)（Date Augmentation）

增加數(shù)據(jù)集大小是解決過(guò)擬合最重要的途徑。但是收集樣本數(shù)據(jù)和標(biāo)注往往是代價(jià)昂貴的，在有限的數(shù)據(jù)集上，通過(guò)數(shù)據(jù)增強(qiáng)技術(shù)可以增加訓(xùn)練的樣本數(shù)量，獲得一定程度上的性能提升。
**數(shù)據(jù)增強(qiáng)(Data Augmentation)**是指在維持樣本標(biāo)簽不變的條件下，根據(jù)先驗(yàn)知識(shí)改變樣本的特征，使得新產(chǎn)生的樣本也符合或者近似符合數(shù)據(jù)的真實(shí)分布。
常見的數(shù)據(jù)增強(qiáng)方式：旋轉(zhuǎn)、縮放、平移、裁剪、改變視角、遮擋某局部區(qū)域，這樣都不會(huì)改變圖片的類別標(biāo)簽。

基本數(shù)據(jù)增強(qiáng)方式實(shí)現(xiàn)

TensorFlow 中提供了常用圖片的處理函數(shù)，位于 tf.image 子模塊中。
1.縮放
通過(guò)tf.image.resize 函數(shù)可以實(shí)現(xiàn)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(zhuǎn)
通過(guò) tf.image.rot90(x, k=1)可以實(shí)現(xiàn)圖片按逆時(shí)針方式旋轉(zhuǎn) k 個(gè) 90 度。

# 圖片逆時(shí)針旋轉(zhuǎn)180度x = tf.image.rot90(x, 2)

3.翻轉(zhuǎn)
可以通過(guò) tf.image.random_flip_left_right 和 tf.image.random_flip_up_down 實(shí)現(xiàn)圖片在水平方向和豎直方向的隨機(jī)翻轉(zhuǎn)操作

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

4.裁剪
通過(guò)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(shí)獲得新的圖片樣本。
在實(shí)際裁剪時(shí)，一般先將圖片縮放到略大于網(wǎng)絡(luò)輸入尺寸的大小，再進(jìn)行裁剪到合適大小，例如網(wǎng)絡(luò)的輸入大小為 224x224，那么我們先通過(guò) resize 函數(shù)將圖片縮放到 244x244 大小，再隨機(jī)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(jī)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(jī)遮擋等。
下圖展示了上述不同數(shù)據(jù)增強(qiáng)方法后的效果：

生成數(shù)據(jù)

除此之外，還可以通過(guò)條件生成對(duì)抗網(wǎng)絡(luò)(Conditional GAN, CGAN)可以生成帶標(biāo)簽的樣本數(shù)據(jù)。
通過(guò)生成模型在原有數(shù)據(jù)上學(xué)習(xí)到數(shù)據(jù)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(wǎng)絡(luò)性能。

關(guān)于“SpringBoot中數(shù)據(jù)增強(qiáng)的示例分析”這篇文章就分享到這里了，希望以上內(nèi)容可以對(duì)大家有一定的幫助，使各位可以學(xué)到更多知識(shí)，如果覺(jué)得文章不錯(cuò)，請(qǐng)把它分享出去讓更多的人看到。

網(wǎng)頁(yè)題目：SpringBoot中數(shù)據(jù)增強(qiáng)的示例分析
瀏覽地址：http://chinadenli.net/article28/gsjijp.html

成都網(wǎng)站建設(shè)公司_創(chuàng)新互聯(lián)，為您提供移動(dòng)網(wǎng)站建設(shè)、軟件開發(fā)、網(wǎng)站建設(shè)、App開發(fā)、網(wǎng)站策劃、電子商務(wù)

廣告

聲明：本網(wǎng)站發(fā)布的內(nèi)容（圖片、視頻和文字）以用戶投稿、用戶轉(zhuǎn)載內(nèi)容為主，如果涉及侵權(quán)請(qǐng)盡快告知，我們將會(huì)在第一時(shí)間刪除。文章觀點(diǎn)不代表本網(wǎng)站立場(chǎng)，如需處理請(qǐng)聯(lián)系客服。電話：028-86922220；郵箱：631063699@qq.com。內(nèi)容未經(jīng)允許不得轉(zhuǎn)載，或轉(zhuǎn)載時(shí)需注明來(lái)源： 創(chuàng)新互聯(lián)