图像读取

在Python中有很多库可以完成数据读取的操作，比较常见的有Pillow和OpenCV。

Pillow是Python图像处理函式库(PIL）的一个分支。Pillow提供了常见的图像读取和处理的操作，而且可以与ipython notebook无缝集成，是应用比较广泛的库。

OpenCV是一个跨平台的计算机视觉库，最早由Intel开源得来。OpenCV发展的非常早，拥有众多的计算机视觉、数字图像处理和机器视觉等功能。OpenCV在功能上比Pillow更加强大很多，学习成本也高很多。

数据扩增

1、为什么要进行数据扩增？

在深度学习中，数据扩增可以增加训练集的样本，同时也可以有效缓解模型过拟合的情况，也可以给模型带来的更强的泛化能力。

现有深度学习的参数非常多，一般的模型可训练的参数量基本上都是万到百万级别，而训练集样本的数量很难有这么多。

其次数据扩增可以扩展样本空间，假设现在的分类模型需要对汽车进行分类，左边的是汽车A，右边为汽车B。如果不使用任何数据扩增方法，深度学习模型会从汽车车头的角度来进行判别，而不是汽车具体的区别。

2、数据扩增的方法有哪些？

数据扩增方法有很多：从颜色空间、尺度空间到样本空间，同时根据不同任务数据扩增都有相应的区别。

当然不同的数据扩增方法可以自由进行组合，得到更加丰富的数据扩增方法。

对于图像分类，数据扩增一般不会改变标签；

对于物体检测，数据扩增会改变物体坐标位置； 

对于图像分割，数据扩增会改变像素标签。

以torchvision为例，常见的数据扩增方法包括：

transforms.CenterCrop 对图片中心进行裁剪

transforms.ColorJitter 对图像颜色的对比度、饱和度和零度进行变换

transforms.FiveCrop 对图像四个角和中心进行裁剪得到五分图像

transforms.Grayscale 对图像进行灰度变换

transforms.Pad 使用固定值进行像素填充

transforms.RandomAffine 随机仿射变换

transforms.RandomCrop 随机区域裁剪

transforms.RandomHorizontalFlip 随机水平翻转

transforms.RandomRotation 随机旋转

transforms.RandomVerticalFlip 随机垂直翻转

Pytorch读取数据

在Pytorch中数据是通过Dataset进行封装，并通过DataLoader进行并行读取。

Dataset：对数据集的封装，提供索引方式的对数据样本进行读取。

我们只需要重载一下dataset数据读取的逻辑就可以完成数据的读取，即重新定义__init__、__getitem__、__len__等方法，在重载dataset时，我们可以自定义数据扩增的transforms方法，用于自动数据扩增。

DataLoder：对Dataset进行封装，提供批量读取的迭代读取。

我们把重载以后的dateset对象实例传递给DataLoader对象即可。