交叉验证中的数据扩充
Data augmentation in cross-validation
我是否正确理解对象分类任务中的数据增强应该只在训练集上进行？
如果是这样，您如何使用增强数据实现 10 折交叉验证？每次测试折叠变化时（即 10 次）是否创建增强数据？
奖金问题：你能告诉我如何在 Tensorflow 中执行此操作的资源吗？
数据增强通常用于帮助我们的模型更好地概括 test/real 世界数据。对于许多实际应用，数据分为 train/valid/test。可以在训练和有效数据集中扩充数据。在测试集中进行数据扩充没有意义。
对于交叉验证，检查 sklearn 库中的 kfold 函数，该函数可以在 numpy 数组上运行。您可以直接在 tensorflow
的 model.fit() 中使用它们的 return 值
是的，你的理解是正确的。 验证数据可让您了解您的模型在未见过的真实示例中的表现， 例如测试数据。所以你应该保持真实而不是通过扩充破坏它。
现在进行 10 折交叉验证：工程方面的考虑开始了。进行扩充在计算上是否昂贵？也许您可以预先计算增强数据，然后选择原始+增强数据进行训练，选择原始数据进行验证。你想要大量的扩充数据 and/or 扩充容易吗？即时执行，可能作为从数据集中获取样本的一部分。
我无法帮助您解决 TF 奖金问题，但 there is a nice example 可以帮助您在 PyTorch 中进行整合。
我是否正确理解对象分类任务中的数据增强应该只在训练集上进行？
如果是这样，您如何使用增强数据实现 10 折交叉验证？每次测试折叠变化时（即 10 次）是否创建增强数据？
奖金问题：你能告诉我如何在 Tensorflow 中执行此操作的资源吗？
数据增强通常用于帮助我们的模型更好地概括 test/real 世界数据。对于许多实际应用，数据分为 train/valid/test。可以在训练和有效数据集中扩充数据。在测试集中进行数据扩充没有意义。
对于交叉验证，检查 sklearn 库中的 kfold 函数，该函数可以在 numpy 数组上运行。您可以直接在 tensorflow
的 model.fit() 中使用它们的 return 值是的，你的理解是正确的。 验证数据可让您了解您的模型在未见过的真实示例中的表现， 例如测试数据。所以你应该保持真实而不是通过扩充破坏它。
现在进行 10 折交叉验证：工程方面的考虑开始了。进行扩充在计算上是否昂贵？也许您可以预先计算增强数据，然后选择原始+增强数据进行训练，选择原始数据进行验证。你想要大量的扩充数据 and/or 扩充容易吗？即时执行，可能作为从数据集中获取样本的一部分。
我无法帮助您解决 TF 奖金问题，但 there is a nice example 可以帮助您在 PyTorch 中进行整合。