fast-autoaugment

收录理由

训练图像分类卷积网络时，手动调整数据增强策略常常比调模型本身更耗时。这个仓库实现了Fast AutoAugment，一种NeurIPS 2019上提出的方法，它能自动搜索有效的增强策略，相比原始AutoAugment，搜索时间从几天压缩到数GPU小时。与其靠直觉猜测随机裁剪或颜色抖动对数据集有没有帮助，它通过密度匹配策略挑选能提升泛化能力的变换，并附带多个架构在CIFAR-10和CIFAR-100上的训练权重，包括Wide-ResNet和Shake-Shake。代码属于研究级别，使用前需要针对自己的数据和模型做适配，不能当作即插即用的库，但对于想复现或扩展自动化增强搜索的人来说，这是很扎实的参考。如果你处理视觉问题时难以获取更多数据，这个工具能从现有数据中多榨取一些准确率。