数据增强：一份数据吃出十份效果

猫照片不够，怎么办

训练一个猫分类器，你只有 500 张照片，远远不够第一章说的「成千上万」的规模。重新拍 5000 张？成本太高。数据增强的思路是：对已有照片做不改变含义的小改动，一张照片变十张。

图像里的常用招式

把照片水平翻转——猫还是猫；轻微旋转 10 度、放大缩小、裁剪掉一个角、调亮调暗一点——猫依然是猫。这些改动对人是「同一张照片」，对网络却是全新的训练样本，逼着它学会「不管角度亮度怎么变，抓住猫的本质」。数据量仿佛凭空翻了十倍，过拟合立刻缓解。这招还能对付「偏科」：如果你的照片全是猫朝左，模型可能误以为「朝左」是猫的特征，翻转一半照片就把这个偏见消掉了。

不止图片

语音可以加一点背景噪音、稍微变速变调——唤醒词识别器就是这样在嘈杂环境里练出来的。文本也能增强：同义词替换、句子顺序微调。但有一条铁律：改动不能改变标签——把「6」旋转 180 度变成「9」，标签还是 6，那就是亲手教模型犯错。

常见误区

增强不是越多越好：改动太狠（把猫裁得只剩一个耳朵），训练样本变成噪音；也别指望增强代替真实数据，它只是放大已有数据的多样性。

练一练：拿一张自己的照片，列出 3 种「改动后你还是你」的处理和 1 种「改动后不像你了」的处理。