跳轉到

4.3 Data Augmentation

範例程式：Open In Colab

使用 Keras preprocessing layers 建立資料增強流程，讓 CNN 在圖片平移、翻轉、旋轉與縮放時更穩定。這篇接續 flower_photos 影像分類範例，示範如何把 augmentation layer 放進模型，讓訓練資料在每個 epoch 產生不同變化。

1. 學習目標

影像資料量不足時，CNN 很容易記住訓練圖片細節而過擬合。Data augmentation 會在訓練時隨機產生圖片變化，讓模型學到更穩定的特徵。

2. 常見增強方式

  1. RandomFlip
  2. RandomRotation
  3. RandomZoom
  4. RandomTranslation
  5. RandomContrast

資料增強只應用於訓練資料，不應該套用到驗證與測試資料。

3. Keras 寫法

data_augmentation = tf.keras.Sequential([
    tf.keras.layers.RandomFlip('horizontal'),
    tf.keras.layers.RandomRotation(0.1),
    tf.keras.layers.RandomZoom(0.1),
])

這些 layer 可以直接放進模型，訓練時啟用，推論時自動關閉隨機行為。

4. 實作流程

Notebook 使用 flower_photos 資料集，先載入 train/validation dataset，再建立 RandomFlip、RandomRotation、RandomZoom 與 RandomContrast。接著會視覺化同一張圖片經過 augmentation 後的多種結果，最後把 augmentation 放進 CNN 模型訓練。

5. 如何套用自己的資料？

套用到自己的圖片時，augmentation 要符合影像語意。例如花朵、零件或一般物體可使用水平翻轉與小角度旋轉；但醫療影像、文字圖片或有固定方向的瑕疵照片，不一定適合任意翻轉。原則是只加入「不會改變標籤意義」的變化。

6. 小結

Data augmentation 是影像分類最常用的正則化技巧之一，特別適合小型圖片資料集。