深度學習如何增加資料量，問題不錯。我覺得，學習時只思考看到的是增加不了多少資料量的，增加的方法主要兩點就可以1.看得更多自知道的自然就多然資料量就多（但是容易忘）2.從更多思路看待問題，同一個問題用更多的方法不一樣的方法去解決

深度學習模型的訓練，為了避免出現過擬合（Overfitting）的現象，就離不開大量的資料作為支撐。如ImageNet的公開資料集就有幾十萬之多張圖片。但是資料收集和標註工作需耗費大量的人力和時間。因此在實踐中就需要對原有的資料集進行擴充，即資料增強（Data Augmentation）。

資料增強就是透過對原有的影象資料進行一種或者多種變換，來成倍的擴充資料量。有助於網路學習到影象不變性的特徵。

常見的變換有：

l 翻轉變換（Flip）：沿著水平或垂直方向對影象進行翻轉；

l 旋轉（Rotation）：對影象進行隨機角度的旋轉，從而改變圖片的朝向；

l 平移（Shift）：在影象平面上對影象進行某一方向上的平移，如水平或垂直方向，改變圖片內容的位置

l 縮放（Zoom）：按照一定比例來縮小或放大影象，改變了影象的大小；

l 裁剪（Crop）：對影象中的部位進行隨機的裁剪；

l 尺度變換（Scale）：對影象按照指定的尺度因子, 進行放大或縮小; 或者SIFT特徵提取，利用指定的尺度因子對影象濾波構造尺度空間，改變影象內容的大小或模糊程度；

l 新增噪聲擾動（Noise）：向影象中加入隨機的畫素擾動，如高斯噪聲等等。

l 對比度變換（Contrast）：在影象的HSV顏色空間中，改變飽和度通道S和亮度通道V分量，並保持色調通道H不變，改變影象的對比度和亮度；

l 顏色變換（Color）：對影象的RGB顏色空間進行PCA變換，得到主方向向量和特徵值。改變特徵值的大小，再反變換回影象，就可以得到變換後的影象。