1. 图像增广

在对常用图像增广方法的探索时，我们将使用下面这个尺寸为400 x 500的图像作为示例。

从github上把img下载下来后，放到同一目录下：

d2l.set_figsize()
img = d2l.Image.open('./img/cat1.jpg')
d2l.plt.imshow(img);

大多数图像增广方法都具有一定的随机性。为了便于观察图像增广的效果，我们下面定义辅助函数apply。 此函数在输入图像img上多次运行图像增广方法aug并显示所有结果。

# num_rows = 2,num_cols = 4，表示对图片作用aug（数据增广）8次，生成2行4列
# scale = 1.5把图片画的尺寸为1.5倍
def apply(img,aug,num_rows = 2,num_cols = 4,scale = 1.5):
    Y = [aug(img) for _ in range(num_rows*num_cols)]
    d2l.show_images(Y,num_rows,num_cols,scale = scale)

2. 翻转和裁剪

2.1 左右翻转

# torchvision.transforms.RandomHorizontalFlip()在水平方向随机地翻转
apply(img,torchvision.transforms.RandomHorizontalFlip())
# 通过运行结果可以看到，50%的概率保持不变，50%的概率翻一面

2.2 上下翻转

apply(img, torchvision.transforms.RandomVerticalFlip())

在我们使用的示例图像中，猫位于图像的中间，但并非所有图像都是这样。 在 之前，我们解释了汇聚层可以降低卷积层对目标位置的敏感性。 另外，我们可以通过对图像进行随机裁剪，使物体以不同的比例出现在图像的不同位置。 这也可以降低模型对目标位置的敏感性。

2.3 随机裁剪

下面的代码将随机裁剪一个面积为原始面积10%到100%的区域，该区域的宽高比从0.5～2之间随机取值。 然后，区域的宽度和高度都被缩放到200像素。 在本节中（除非另有说明），a和b之间的随机数指的是在区间中[a,b]通过均匀采样获得的连续值。

# (200, 200)是输出图像的大小，不管crop多大的区域，最后会resize成200*200
# scale=(0.1, 1)是指裁出来的图片是保存原始图片多大的占比，范围是10%～100%
# ratio=(0.5, 2) 图片的高宽比
shape_aug = torchvision.transforms.RandomResizedCrop(
    (200, 200), scale=(0.1, 1), ratio=(0.5, 2))
apply(img, shape_aug)

这些图片不需要保存下来，只需要每次train的时候随机增强即可。

3. 改变颜色

另一种增广方法是改变颜色。 我们可以改变图像颜色的四个方面：亮度、对比度、饱和度和色调。

在下面的示例中，我们随机更改图像的亮度，随机值为原始图像的50%（1-0.5）到150%（1+0.5）之间。

# brightness亮度，contrast对比度，saturation饱和度，hue色度
apply(img, torchvision.transforms.ColorJitter(
    brightness=0.5, contrast=0, saturation=0, hue=0))

运行结果如下：

同样，我们可以随机更改图像的色调。

apply(img, torchvision.transforms.ColorJitter(
    brightness=0, contrast=0, saturation=0, hue=0.5))

运行结果：

我们还可以创建一个RandomColorJitter实例，并设置如何同时随机更改图像的亮度（brightness）、对比度（contrast）、饱和度（saturation）和色调（hue）。

color_aug = torchvision.transforms.ColorJitter(
    brightness=0.5, contrast=0.5, saturation=0.5, hue=0.5)
apply(img, color_aug)

运行结果：

4. 结合多种图像增广方法

在实践中，我们将结合多种图像增广方法。

比如，我们可以通过使用一个Compose实例来综合上面定义的不同的图像增广方法，并将它们应用到每个图像。

augs = torchvision.transforms.Compose([
    torchvision.transforms.RandomHorizontalFlip(), color_aug, shape_aug])
apply(img, augs)

运行结果：

5. 使用图像增广进行训练

让我们使用图像增广来训练模型。 这里，我们使用CIFAR-10数据集，而不是我们之前使用的Fashion-MNIST数据集。 这是因为Fashion-MNIST数据集中对象的位置和大小已被规范化，而CIFAR-10数据集中对象的颜色和大小差异更明显。 CIFAR-10数据集中的前32个训练图像如下所示。

CIFAR-10数据集可以看做是imgNet中采样了10个类，然后把图片做得特别小 32 x 32，也是一个常用的入门数据集。比Fashion-MNIST数据集难一点，因为是彩色图片。在学术界特别流行。

all_images = torchvision.datasets.CIFAR10(train=True, root="../data",
                                          download=True)
d2l.show_images([all_images[i][0] for i in range(32)], 4, 8, scale=0.8);

为了在预测过程中得到确切的结果，我们通常对训练样本只进行图像增广，且在预测过程中不使用随机操作的图像增广。

在这里，我们只使用最简单的随机左右翻转。 此外，我们使用ToTensor实例将一批图像转换为深度学习框架所要求的格式，即形状为（批量大小，通道数，高度，宽度）的32位浮点数，取值范围为0～1。

train_augs = torchvision.transforms.Compose([
     torchvision.transforms.RandomHorizontalFlip(), 
     torchvision.transforms.ToTensor()])

test_augs = torchvision.transforms.Compose([
     torchvision.transforms.ToTensor()])

接下来，我们定义一个辅助函数，以便于读取图像和应用图像增广。PyTorch数据集提供的transform参数应用图像增广来转化图像。

def load_cifar10(is_train, augs, batch_size):
    # 加入transform=augs参数，会使得每一次读取数据集时，都去apply一下augs
    dataset = torchvision.datasets.CIFAR10(root="./data", train=is_train,
                                           transform=augs, download=True)
    # 把数据集放到dataloader中使得每次读取一个batch_size
    # d2l.get_dataloader_workers() = 4，等价于num_workers=4
    # 一般做了augmentation，都要让num_workers大一点
    dataloader = torch.utils.data.DataLoader(dataset, batch_size=batch_size,
                    shuffle=is_train, num_workers=d2l.get_dataloader_workers())
    return dataloader

6. 多GPU训练

我们在CIFAR-10数据集上训练 ResNet-18模型。 回想一下对多GPU训练的介绍。 接下来，我们定义一个函数，使用多GPU对模型进行训练和评估。

def train_batch_ch13(net, X, y, loss, trainer, devices):
    """用多GPU进行小批量训练"""
    if isinstance(X, list): # 如果X时list的话，一个一个挪到GPU上面
        # 微调BERT中所需
        X = [x.to(devices[0]) for x in X]
    else:
        X = X.to(devices[0])
    y = y.to(devices[0]) # 把真实的label也挪到GPU上
    net.train() # 调整为train模式
    trainer.zero_grad() # 梯度清零
    pred = net(X) # 得到预测值
    l = loss(pred, y) # 得到loss
    l.sum().backward() # loss一加后，做backward，梯度回传
    trainer.step() # 不断更新参数
    train_loss_sum = l.sum() # 总的损失
    train_acc_sum = d2l.accuracy(pred, y) # 得到预测准确率
    return train_loss_sum, train_acc_sum

def train_ch13(net, train_iter, test_iter, loss, trainer, num_epochs,
               devices=d2l.try_all_gpus()):
    """用多GPU进行模型训练"""
    timer, num_batches = d2l.Timer(), len(train_iter)
    animator = d2l.Animator(xlabel='epoch', xlim=[1, num_epochs], ylim=[0, 1],
                            legend=['train loss', 'train acc', 'test acc'])
    net = nn.DataParallel(net, device_ids=devices).to(devices[0]) # 使用多GPU
    for epoch in range(num_epochs):
        # 4个维度：储存训练损失，训练准确度，实例数，特点数
        metric = d2l.Accumulator(4)
        for i, (features, labels) in enumerate(train_iter):
            timer.start()
            l, acc = train_batch_ch13(
                net, features, labels, loss, trainer, devices)
            metric.add(l, acc, labels.shape[0], labels.numel())
            timer.stop()
            if (i + 1) % (num_batches // 5) == 0 or i == num_batches - 1:
                animator.add(epoch + (i + 1) / num_batches,
                             (metric[0] / metric[2], metric[1] / metric[3],
                              None))
        test_acc = d2l.evaluate_accuracy_gpu(net, test_iter)
        animator.add(epoch + 1, (None, None, test_acc))
    print(f'loss {metric[0] / metric[2]:.3f}, train acc '
          f'{metric[1] / metric[3]:.3f}, test acc {test_acc:.3f}')
    print(f'{metric[2] * num_epochs / timer.sum():.1f} examples/sec on '
          f'{str(devices)}')

现在，我们可以定义train_with_data_aug函数，使用图像增广来训练模型。该函数获取所有的GPU，并使用Adam作为训练的优化算法，将图像增广应用于训练集，最后调用刚刚定义的用于训练和评估模型的train_ch13函数。

batch_size, devices, net = 256, d2l.try_all_gpus(), d2l.resnet18(10, 3)

def init_weights(m):
    # 对于线性层和卷积层是使用xavier来做随机初始化
    if type(m) in [nn.Linear, nn.Conv2d]:
        nn.init.xavier_uniform_(m.weight)

net.apply(init_weights)

def train_with_data_aug(train_augs, test_augs, net, lr=0.001):
    # 加载训练集和测试集，和之前不一样的是，应用了训练的增广和测试集的增广
    # 但是注意这里的测试集的增广实际上只做ToTensor，前面定义了
    train_iter = load_cifar10(True, train_augs, batch_size)
    test_iter = load_cifar10(False, test_augs, batch_size)
    # 计算交叉熵损失
    loss = nn.CrossEntropyLoss(reduction="none")
    # Adam是一个比较平滑的SGD，对学习率不那么敏感
    trainer = torch.optim.Adam(net.parameters(), lr=lr)
    # 调用了 用于训练和评估模型的train_ch13函数
    train_ch13(net, train_iter, test_iter, loss, trainer, 10, devices)

让我们使用基于随机左右翻转的图像增广来训练模型：

train_with_data_aug(train_augs, test_augs, net)

运行结果：

可以发现还是在一个GPU上做的，因为在colab上运行，只能免费使用一个GPU。

可以发现，经过10个epoch还是没有完全收敛，也许能迭代50轮。

另外，有一点overfitting，测试精度和训练精度之间有比较大的gap，可以通过更大的增强，更强的数据增广，或者说加一些weight decay来进行控制。

现在可以来对比一下，不用增广的训练效果：

# 只需要第一个参数也改成test_augs，因为test_augs是只做ToTensor的
train_with_data_aug(test_augs, test_augs, net)

会发现测试精度和训练精度之间的gap更大了，说明过拟合更加严重了。

因此图片增广在一定程度上可以减小 测试精度 和 训练精度的差距。甚至如果增广做的比较狠的话，测试精度会高于训练精度。在训练imageNet时，会发现，测试精度高于训练精度，因为训练时是在一个变得很奇怪的数据上做的，测的精度。