🧠 深度学习ID: data-augmentation

数据增强

Q: 写出 Mixup 的公式? 为什么 Mixup 等价于正则化?

【数据增强 核心考点 1】写出 Mixup 的公式? 为什么 Mixup 等价于正则化?。技术解析：定义: 对训练样本施加保持标签的变换以扩充数据。几何类: 水平翻转、随机裁剪、旋转、缩放、色彩抖动 (利用图像的平移/翻转不变性先验); 混合类: Mixup 在样本间线性插值 x' = \lambda x_i + (1-\lambda) x_j, y' = \lambda y_i + (1-\lambda) y_j, 其中 \lambda \sim \text{Beta}(\alpha, \alpha), CutMix 则混合图像区域而非像素。增强等价于正则化: 隐式约束模型在变换空间与样本邻域上平滑, 抑制过拟合, 效果上近似于在损失中引入额外先验/... 完整推导与工程落地见：https://talentme.airsota.com/resources/tech/roadmap/mindmap/DL/card/data-augmentation

Q: 随机裁剪/翻转为什么有效? 利用了图像的什么先验?

【数据增强 核心考点 2】随机裁剪/翻转为什么有效? 利用了图像的什么先验?。技术解析：定义: 对训练样本施加保持标签的变换以扩充数据。几何类: 水平翻转、随机裁剪、旋转、缩放、色彩抖动 (利用图像的平移/翻转不变性先验); 混合类: Mixup 在样本间线性插值 x' = \lambda x_i + (1-\lambda) x_j, y' = \lambda y_i + (1-\lambda) y_j, 其中 \lambda \sim \text{Beta}(\alpha, \alpha), CutMix 则混合图像区域而非像素。增强等价于正则化: 隐式约束模型在变换空间与样本邻域上平滑, 抑制过拟合, 效果上近似于在损失中引入额外先验/... 完整推导与工程落地见：https://talentme.airsota.com/resources/tech/roadmap/mindmap/DL/card/data-augmentation

Q: 数据增强与 dropout/weight decay 在正则化上的关系?

【数据增强 核心考点 3】数据增强与 dropout/weight decay 在正则化上的关系?。技术解析：定义: 对训练样本施加保持标签的变换以扩充数据。几何类: 水平翻转、随机裁剪、旋转、缩放、色彩抖动 (利用图像的平移/翻转不变性先验); 混合类: Mixup 在样本间线性插值 x' = \lambda x_i + (1-\lambda) x_j, y' = \lambda y_i + (1-\lambda) y_j, 其中 \lambda \sim \text{Beta}(\alpha, \alpha), CutMix 则混合图像区域而非像素。增强等价于正则化: 隐式约束模型在变换空间与样本邻域上平滑, 抑制过拟合, 效果上近似于在损失中引入额外先验/... 完整推导与工程落地见：https://talentme.airsota.com/resources/tech/roadmap/mindmap/DL/card/data-augmentation

Q: 增强在自监督学习中如何构造正负样本 (SimCLR)?

【数据增强 核心考点 4】增强在自监督学习中如何构造正负样本 (SimCLR)?。技术解析：定义: 对训练样本施加保持标签的变换以扩充数据。几何类: 水平翻转、随机裁剪、旋转、缩放、色彩抖动 (利用图像的平移/翻转不变性先验); 混合类: Mixup 在样本间线性插值 x' = \lambda x_i + (1-\lambda) x_j, y' = \lambda y_i + (1-\lambda) y_j, 其中 \lambda \sim \text{Beta}(\alpha, \alpha), CutMix 则混合图像区域而非像素。增强等价于正则化: 隐式约束模型在变换空间与样本邻域上平滑, 抑制过拟合, 效果上近似于在损失中引入额外先验/... 完整推导与工程落地见：https://talentme.airsota.com/resources/tech/roadmap/mindmap/DL/card/data-augmentation

Q: 过度增强有什么副作用? 如何避免?

【数据增强 核心考点 5】过度增强有什么副作用? 如何避免?。技术解析：定义: 对训练样本施加保持标签的变换以扩充数据。几何类: 水平翻转、随机裁剪、旋转、缩放、色彩抖动 (利用图像的平移/翻转不变性先验); 混合类: Mixup 在样本间线性插值 x' = \lambda x_i + (1-\lambda) x_j, y' = \lambda y_i + (1-\lambda) y_j, 其中 \lambda \sim \text{Beta}(\alpha, \alpha), CutMix 则混合图像区域而非像素。增强等价于正则化: 隐式约束模型在变换空间与样本邻域上平滑, 抑制过拟合, 效果上近似于在损失中引入额外先验/... 完整推导与工程落地见：https://talentme.airsota.com/resources/tech/roadmap/mindmap/DL/card/data-augmentation

Data Augmentation

🎯核心定义

对训练样本施加保持标签的变换以扩充数据。几何类: 水平翻转、随机裁剪、旋转、缩放、色彩抖动 (利用图像的平移/翻转不变性先验); 混合类: Mixup 在样本间线性插值

x' = \lambda x_i + (1-\lambda) x_j

y' = \lambda y_i + (1-\lambda) y_j

, 其中

\lambda \sim \text{Beta}(\alpha, \alpha)

, CutMix 则混合图像区域而非像素。增强等价于正则化: 隐式约束模型在变换空间与样本邻域上平滑, 抑制过拟合, 效果上近似于在损失中引入额外先验/平滑性。

💡使用场景

数据量不足的 CV 任务 (分类/检测/分割)、自监督学习 (SimCLR 等用随机增强构造正样本对)、半监督一致性训练; 面试问增强为什么有效、与正则化的关系。

⚡解决的核心痛点

标注数据昂贵, 增强以近乎零成本扩容: 翻转/裁剪注入不变性先验, Mixup/CutMix 通过让输出在样本间线性过渡来平滑决策边界、提升泛化 (隐式平滑正则); 与 dropout/weight decay 同属正则化家族、可组合使用。副作用: 过度增强会破坏语义 (标签失效) 或增加训练成本, 需按任务选择变换。

🎯核心面试考点体系 (Exam Points)

基础原理 · 工业场景 · 深入排雷

基础·定义

请阐明【数据增强】的本质定义、底层数学/架构运作机制与关键原理。

基础·场景

在实际工业生产体系中，【数据增强】适用于哪些典型场景？解决了什么核心工程痛点？

🔥 高频进阶实战考点 (Top 5 Deep-Dive Questions)

写出 Mixup 的公式? 为什么 Mixup 等价于正则化?

随机裁剪/翻转为什么有效? 利用了图像的什么先验?

数据增强与 dropout/weight decay 在正则化上的关系?

增强在自监督学习中如何构造正负样本 (SimCLR)?

过度增强有什么副作用? 如何避免?

📖 关联深度指南:📄 debugging-and-dl-comp →

更新于 2026-08-12

🎯

检验攻克程度：针对「数据增强」专属刷题排雷

做单选排雷题、推导选项机制，答错自动收录进专属错题本。

🚀 开始本考点专项刷题 ➔

← 上一个知识点梯度检查下一个知识点 →迁移学习与微调

数据增强

🔗 更多 深度学习 知识点卡片

🔗 更多深度学习知识点卡片