数据增广
数据增广的话就不局限于图片，对文本、语音等都可以进行增广，这里主要是针对图片的技术。
代码
简简单单一个左右翻转的图像增广，就可以有效缓解让cifar10的过拟合情况。
其实不要奇怪，在ImageNet上，如果数据增广做的比较狠的话，经常是可以看到test acc高于train acc的，是因为测试环境不会对图片做数据增广，而训练环境把图片都增广（一堆鬼样子）。
QA
- 理论上，是不是原始样本足够多，就不用做增广了？
是的，但是这样的情况很难发生。
还有图片多，并不代表数据集的多样性好。
还有就是真正应用的时候，其实还有可能会出现更加奇怪的图片。
- num_worker的值是不是根据机器GPU性能而设定？
不是GPU，是CPU...
如果你CPU是双核的，那么num_worker就取2。
虽然我们说深度学习拼的GPU，但是CPU也不能太差，否则数据预处理的时候就会非常的拉跨。（CPU至少要个8核吧）
- 测试一般怎么做增广呢？
测试集一般是不做增广的。
但是如果是输入的一张随机图片，那么就会保留短边，然后按照比例去resize成(224*224)。
- 关于cifar10的训练
cifar10的测试精度是可以很高的，可以到95%，大概需要200个epoch。
但是trian acc和test acc之间的gap是不会减少的，一般也很少减少，最终train acc可以达到100%。
- 图片增广后需要人工一张张的确认效果吗？
不用一张张，但是要大致看一下，保证不要太奇怪就行了。