Python 如何使用Pytorch将增强图像添加到原始数据集？

据我所知，RandomHorizontalFlip等会替换图像，而不是向数据集添加新图像。如何通过使用PyTorch向数据集添加增强图像来增加数据集大小

我已经浏览了发布的链接&还没有找到解决方案。我想通过添加翻转/旋转的图像来增加数据的大小，但本文解决了图像的就地处理问题

---

谢谢。

你为什么想要它？一般来说，增加数据集上的历元数就足够了，您的模型将至少看到一次每个图像的原始版本和增强版本（假设历元数相对较高）

说明：

例如，如果您的增强有50%的机会被应用，在100个历元之后，对于每个样本，您将获得约50个原始图像样本和约50个增强样本。因此，增加数据集大小相当于增加历代，但（可能）在内存方面效率较低（需要将图像存储在内存中以获得高性能）。

需要一些解释。

transforms.Compose

创建

（您可以通过使用

type（）

来了解它的类 e、 g

因此，它不是数据集，因此无法直接协调

在代码中搜索以查看携带扩充指令的变量是如何执行的

应该有某种数据读取器，可以是

那么可以使用：

concat_dataset = ConcatDataset([train_set_1, train_set_2])

---

检查可能的重复是否增加历元会破坏增强的目的？随着历元数的增加，模型将趋向于过度拟合。我是否遗漏了什么？请纠正我。不一定。首先，这取决于您试图解决的任务。例如，训练生成模型，如GAN、VAE不会过度拟合your数据集（只要您避免模式崩溃）。在分类任务的情况下，也很难通过添加历代来过度拟合您的模型（不要忘记，您只是增加了数据以使模型更通用）。

concat_dataset = ConcatDataset([train_set_1, train_set_2])