目标：  数据读取与数据扩增

在开始这个task之前，以迫切地心情“围观”了水神的baseline直播讲解，听完直播让我对于“零基础”这个概念产生了深深的误解，还特别去看了下这个活动设计里面的基础要求，只要是会点Python就行，看来我还是太“年轻”了。

       从水神的直播来看，我离能够自由随意地跟上baseline的代码还有比较大的GAP，这个GAP看来只是我自己有，队友们都从善如流。所以，这次task2的任务，又分成了两部分。一、跟上节奏，认真学习task2的文档教程，学习了解什么是数据扩增，以及DATASet和DataLoader是什么关系，如何运用。二、深入研究baseline的每一个字母，企图从一个成功（成熟）案例中找到固定模式，从而发现自己的短板，并尽可能进行补齐。

数据扩增

       数据扩增的意义是什么，是尽可能地提高符合训练目标的样本数据量，并人为地创造人类可识别的差异，去杜绝在机器学习过程中对于样本的过拟合。样本数据，只要是好的样本，从来没人会嫌多的。所以这是数据扩增的第一个目的。另外一个目的是，通过将样本图片的加噪点、翻转、旋转、色彩加工等不改变图片本身含义的基础上，创造出更多的内容，让模型本身更多集中在对于图像真实意义的理解上。比如通过旋转和翻转，模型就不会只认识车头向左的图片中的车辆。有很多种工具都可以实现对于图像的这种加工和处理，文中提供Pillow、opencv的库，来加工需要进行扩增的图像集，还有专门的数据扩增的库，如torchvision、imgaug、albumentations等。

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

数据集

这次推荐的框架用的是Pytorch，在Pytorch中数据是通过Dataset进行封装，并通过DataLoder进行并行读取。

这两个工具是不同概念上的。

Dataset：对数据集的封装，提供索引方式的对数据样本进行读取

DataLoder：对Dataset进行封装，提供批量读取的迭代读取

在使用DataLoder进行封装后，数据的加载的代码就是这样的：

train_loader = torch.utils.data.DataLoader(

        SVHNDataset(train_path, train_label,

                  transforms.Compose([

                      transforms.Resize((64, 128)),

                      transforms.ColorJitter(0.3, 0.3, 0.2),

                      transforms.RandomRotation(5),

                      transforms.ToTensor(),

                      transforms.Normalize([0.485, 0.456, 0.406], [0.229, 0.224, 0.225])

            ])),

    batch_size=10, # 每批样本个数

    shuffle=False, # 是否打乱顺序

    num_workers=10, # 读取的线程个数

)

Baseline的代码理解

还在过程中，内容后补。。。。