数据增强

原则释读

书里最精彩的工程感之一，就是没有急着把模型搞复杂，而是先让已有样本变得更多样。很多时候，模型性能提升并不来自更深更大的结构，而来自训练数据更接近真实变化世界。

为什么重要

它帮助初学者尽早理解：机器学习的改进很多时候发生在数据侧，而不只在模型侧。

怎么用到自己的学习/工程系统

当模型对小变化很脆弱时，先想能否用合理变换扩展样本分布。

行动规则

• 增强要贴近真实变化。
• 先从小角度旋转这类低成本变化开始。
• 数据侧改进常常比盲目加复杂模型更有效。

常见误区

• 只会加层，不会扩样本。
• 增强方式和真实场景脱节。

辨析题

为什么简单的旋转操作就能显著提高模型表现？

关联章节

关联图版

表格

旋转增广：同一个数字的多个合理变化

表格式图版特别适合转译成自己的建模清单、实验提示卡和复盘对照表，而不是只停留在‘看懂了’。

图表

性能与世代：增广角度如何影响结果

图表在这里更像训练透视图：它帮助你看见性能、变化率和参数关系，而不是只记住一句口号。