第T10周：数据增强

• 🍨 本文为🔗365天深度学习训练营 中的学习记录博客
• 🍖 原作者：K同学啊

从 tensorflow.keras 中导入 layers 模块，包含了常用的神经网络层，用来搭建模型结构。
检查并列出系统中可用的物理 GPU 设备，返回一个 GPU 列表。

img_height, img_width：图片统一 resize 成 224x224。
batch_size：每个训练 batch 中的样本数为 32。
validation_split=0.3：把 30% 数据预留为验证用；
subset=“training”：表示当前提取的是训练数据；
seed=12：用于保证训练/验证划分一致；
自动读取所有图像并打标签，resize 到指定大小，分成批次。输出：总共 600 张图像，420 用于训练。
subset=“validation”：这次提取的是验证集；同样参数以确保训练验证划分方式一致。
输出：验证集为 180 张图像。
cardinality()：获取 val_ds 中 batch 的总数（为 5）；val_ds.take(n)：取前 n 个 batch 作为 test_ds；val_ds.skip(n)：剩余部分留作 val_ds。相当于把验证集的 20% 再切出来当 test 集（180 张图中约 36 张是测试集，剩余 144 张继续作验证集）。
每个 batch 有 32 张图像。
获取类别名称，[‘cat’, ‘dog’]。

自定义预处理函数：
把图像像素值归一化到 [0, 1]（原始值是 0~255）；保留原标签。
map()：将上面定义的预处理函数应用到数据集中每个元素；num_parallel_calls=AUTOTUNE：启用多线程并行处理。
.cache()：将数据缓存到内存中，加快读取速度；
.prefetch()：训练时提前准备好下一个 batch，减少训练等待时间。
take(1)：从训练集中取出 1 个 batch（共 32 张图）；迭代取出其中的图像和标签。
只显示前 8 张图片；plt.subplot(5, 8, i + 1)：在 5x8 的网格中放置图像；plt.imshow()：显示图片；plt.title()：显示类别；plt.axis(“off”)：隐藏坐标轴。

RandomFlip(“horizontal_and_vertical”)
随机水平 & 垂直翻转图像。
RandomRotation(0.2)
随机将图像旋转 ±20% 的角度。
images[i] 是单张图像的张量，形状是 [height, width, channels]；模型要求输入带有 batch 维度，即 [1, height, width, channels]；所以expand_dims(…, 0) 在最前加了一个维度，构成一个 batch。
创建一个 3x3 网格画布；每次对同一张图 image 进行数据增强；用 plt.imshow() 显示增强后的图像；隐藏坐标轴。
使用 Keras 增强层对图像进行随机翻转和旋转，并将同一张原始图片经过 9 次增强后的结果可视化。

data_augmentation表示训练时自动进行数据增强；Conv2D(16, 3, …)：卷积层，16 个 3x3 的卷积核，激活函数 ReLU；MaxPooling2D()：池化层，降低特征图空间维度。将数据增强模块嵌入训练数据集（用 training=True 激活增强）；map() 函数在 TensorFlow Dataset 中遍历每个样本 (x, y)；设置 num_parallel_calls=AUTOTUNE 自动调节线程数。train_ds 数据会自动带数据增强。
Conv2D + ReLU，三层卷积提取空间特征；MaxPooling2D，每层后面做降采样，减小计算量；Flatten，将多维张量展平，连接到全连接层；Dense(128)，全连接隐藏层，128 个神经元，ReLU 激活；Dense(len(class_names))， 输出层，单元个数 = 类别数，未加激活函数。
使用 Adam 优化器；SparseCategoricalCrossentropy：适用于标签是整数编码；from_logits=True：表示最后一层未经过 softmax，loss 会自动处理；指标使用 accuracy 来评估性能。


用 train_ds 训练，val_ds 验证；总共训练了 20 轮（epoch）；
每一轮都输出了：
accuracy：训练集准确率；
loss：训练损失；
val_accuracy：验证集准确率；
val_loss：验证损失。
初始 val_accuracy 为 59.4%，逐轮提升，最终达到 92.5%；
loss 和 val_loss 都稳定下降，没有过拟合；从第 10 轮开始准确率就提升很高。
用分离出来的测试集 test_ds 评估最终模型性能，表示模型在从未见过的数据上仍能达到 87.5% 的分类准确率。
使用 stateless_random_contrast：给图像加入对比度增强；使用固定种子 (seed, 0)：可以控制随机性、实现复现。
将训练图像 [3] 乘回 255，还原为原始像素；使用 expand_dims 添加 batch 维；打印最小/最大像素值：表明增强后图像仍保持合理亮度范围，没有过度偏暗或偏亮。

创建一个新的图像窗口，大小为 8x8 英寸。
对同一张图像 image 进行 9 次增强；每次调用 aug_img() 函数，使用tf.image.stateless_random_contrast() 添加随机对比度。
创建一个 3x3 网格的子图，把当前增强图像放在第 i+1 个位置。
augmented_image 的 shape 是 [1, h, w, c]，取出 [0] 表示取出图像本身；
.numpy()：将 Tensor 转为 NumPy 数组；.astype(“uint8”)：把图像像素转回标准的 8-bit 整数格式，然后去除坐标轴。