深度学习中的Data Augmentation方法（转）基于keras

在深度学习中，当数据量不够大时候，常常采用下面4中方法： 1.  人工增加训练集的大小. 通过平移, 翻转, 加噪声等方法从已有数据中创造出一批"新"的数据.也就是Data Augmentation 2.  Regularization. 数据量比较小会导致模型过拟合, 使得训练误差很小而测试误差特别大. 通过在Loss Function 后面加上正则项可以抑制过拟合的产生. 缺点是引入了一个需要

>>阅读原文<<