Pytorch 在Pytork中使用torchvision.transforms增强数据

我发现可以通过使用torchvision.transforms在Pytork中进行数据扩充。我还读到，变换在每个时代都被应用。因此，我想知道多次复制每个样本，然后对其应用随机变换的效果是否与在原始数据集（唯一图像）上使用torchvision.transforms，然后只对其进行更长时间的训练（更多时代）的效果相同。

---

提前感谢。

这是一个需要广泛回答的问题。不要误解TorchVision转换不会增加您的数据集。它在运行时对当前数据集应用随机或非随机变换。（因此每个时代都是独一无二的）

多次复制每个样本，然后对其应用随机变换的效果与在原始数据集（唯一图像）上使用torchvision.transforms并仅对其进行更长时间（更多时代）的训练的效果相同

答复- 要增加数据集，可以复制粘贴，也可以使用pyTorch或WEKA软件。然而，更多的时代与此完全不同。当然，使用的年代越多，模型就越好（直到验证损失和培训损失相互交叉）

---

希望这有帮助

“在每个历元对原始数据集进行随机转换，并只运行更多历元”-非常令人困惑，我希望编辑能够澄清这一点。如果有任何带有“随机”一词的转换，那么不，不一样。是否有可能预测哪一个会带来更好的性能？在每个历元开始时应用，bcz这就是“随机”变换的全部要点，即生成不同的样本。