參考：《解析深度學習——卷積神經網路原理與視覺實踐》
**：
資料擴充
有效的資料擴充不僅能擴充訓練樣本數量,還能增加訓練樣本的多樣性,一方面可避免過擬合,另一方面又會帶來模型效能的提公升，但實際使用時需要「量體裁衣」。
注：如果是 影象檢測任務 或者是 影象分割任務 ，記得 將 影象資料 和 標記資料 進行 同步擴充（比如影象翻轉時，對應的標記座標跟著做相應翻轉）
一、常用的資料擴充方法：
水平翻轉、隨機摳圖、尺度變換、旋轉、色彩抖動
色彩抖動是在rgb顏色空間對原有rgb色彩分布進行輕微的擾動,也可在hsv顏色空間嘗試隨機改變影象原有的飽和度和明度(即,改變 s和v通道的值)或對色調進行微調(小範圍改變該通道的值)。
二、特殊的資料擴充方法：
監督式資料擴充（海康威視研究院提出）——利用高層語義資訊
gan資料擴充
gan根據隨機向量通過生成對抗形式可以生成不同的資料型別，可以作為資料擴充的一種方法。
資料預處理
中心式歸一化
先對資料集進行劃分，訓練集、驗證集、測試集，影象減均值只對訓練集操作。
減均值操作的原理是,我們預設自然影象是一類平穩的資料分布(即資料每乙個維度的統計都服從相同分布),此時,在每個樣本上減去資料的統計平均值(逐樣本計算)可以移除共同部分,凸顯個體差異。
資料預處理06 資料變換和資料離散化
光滑 去掉資料中的雜訊，包括分箱 回歸和聚類。屬性構造 特徵構造 可以由給定的屬性構造新的屬性並新增到屬性集中。聚集 把資料進行彙總或聚集。例如 可以聚集日銷售資料，計算月和年銷售量。規範化 把屬性資料按比例縮放，使之落入指定區間。離散化 數值屬性 例如 年齡 的原始值用區間標籤或者概念標籤替換。這...
資料預處理
現實世界中資料大體上都是不完整，不一致的髒資料，無法直接進行資料探勘，或挖掘結果差強人意。為了提前資料探勘的質量產生了資料預處理技術。資料預處理有多種方法 資料清理，資料整合，資料變換，資料歸約等。這些資料處理技術在資料探勘之前使用，大大提高了資料探勘模式的質量，降低實際挖掘所需要的時間。一 資料清...
資料預處理
常見的資料預處理方法，以下通過sklearn的preprocessing模組來介紹 變換後各維特徵有0均值，單位方差。也叫z score規範化 零均值規範化 計算方式是將特徵值減去均值，除以標準差。sklearn.preprocessing scale x 一般會把train和test集放在一起做標...