# Comparing Different Automatic Image Augmentation Methods in PyTorch

- 发布方：Sebastian Raschka 个人博客；作者：Sebastian Raschka
- 形式：文章 · en
- 原始资源：[https://sebastianraschka.com/blog/2023/data-augmentation-pytorch.html](<https://sebastianraschka.com/blog/2023/data-augmentation-pytorch.html>)
- 本站页面：[https://oplearnx.com/resources/res\_c2hdev8h7htk](<https://oplearnx.com/resources/res_c2hdev8h7htk>)
- 学习主题：人工智能 / 机器学习 / 计算机视觉；人工智能 / 机器学习 / 深度学习；人工智能 / 机器学习 / 计算机视觉 / 图像分类
- 内容状态：状态待核验
- 原始发布时间：2023-01-29 17:00
- 本站首次收录：2026-10-26 00:06

## 能学到什么

了解四类自动图像增强方法的原理差异，并能在 PyTorch/torchvision 中套用它们训练图像分类模型。

- 说明数据增强为何有助于减少过拟合、改善泛化
- 区分 AutoAugment、RandAugment、AugMix、TrivialAugment 的策略差异与适用场景
- 使用 torchvision.transforms 中的 AutoAugment、RandAugment、AugMix、TrivialAugmentWide 搭建训练管线
- 在 CIFAR-10 上用 ResNet-18 复现四类增强与无增强、RandomAffine 的对比实验
- 根据实验结果判断在自身模型与数据集上应优先尝试哪种增强方法

## 适合我吗

- 适合：适合已会写 PyTorch 训练循环、想在图像分类任务中快速提升泛化并比较不同自动增强方法的学习者。
- 需要留意：不适合完全没有 PyTorch 基础、或想找某一增强方法的完整源码级实现讲解的读者。

## 前置条件与费用

- 知识前置：需要熟悉 PyTorch 基础（Dataset、DataLoader、模型训练与评估）；了解卷积网络与 ResNet 会更顺畅。
- 软件、账号与硬件：需要可运行 PyTorch、torchvision、Lightning 的 Python 环境；作者实验使用 GPU，未说明必须使用付费算力。
- 内容费用：免费：节选可直接读到正文、代码与实验结果，页面未见付费墙或登录拦截；文中提到的作者付费书刊另属其他资源。
- 实践费用：实践可能产生费用：文中示例配置使用 accelerator="gpu" 训练 CIFAR-10、最长 1000 轮，复现需 GPU 资源，可能产生费用；网页未说明必须付费。
- 转载与修改：按材料分别核对，见本页“来源核验与开课实跑”；仓库许可不自动适用于教材或视频。

## 准备工具

- Python \+ PyTorch/torchvision：运行增强变换与 ResNet-18 训练
- PyTorch Lightning：文中示例使用 lightning 的 Trainer 与 seed\_everything
- [GitHub 配套仓库](<https://github.com/rasbt/comparing-automatic-augmentation-blog>)：获取完整可运行代码

## 学习指南

开课检查：提示词由本站整理，尚未按提示词实际完成开课检查。

### 开课提示词（Windows）

```text
请帮我把「Comparing Different Automatic Image Augmentation Methods in PyTorch」的学习环境一次准备好，让我之后只需要按顺序学习和做练习。
开始前先问我：课程放在哪个目录（等我给出完整路径），确认我的操作系统和已有工具。确认前不要创建文件或安装软件。

课程入口：https://sebastianraschka.com/blog/2023/data-augmentation-pytorch.html
我的系统：Windows。如果实际不符，先调整方案。
本次路线：Windows：本机动手。只准备这条路线需要的工具；只读路线不安装运行环境、不配置模型密钥。
练习：复现文中 CIFAR-10 + ResNet-18 的四类增强对比实验，并尝试在自己的数据集上替换一种增强方法。
课节（官方顺序）：
1. Comparing Different Automatic Image Augmentation Methods in PyTorch：https://sebastianraschka.com/blog/2023/data-augmentation-pytorch.html

1. 环境
- Python 3.x
- PyTorch 与 torchvision
- PyTorch Lightning
- 可选：GPU（作者实验设置为 gpu）
- 安装前先列出要装的软件和命令，等我同意；已装好的直接复用。
2. 材料
- 官方课程页面：只记录链接 https://sebastianraschka.com/blog/2023/data-augmentation-pytorch.html
3. 目录（最外层放在我确认的位置）
pytorch-image-augmentation-raschka/
├── README.md        # 课程入口、课节清单、每次怎么开始
├── progress.md      # 每课：读讲义 / 做练习 / 记笔记
├── questions.md     # 待解决的问题
├── check-env.ps1     # 环境自检，按 README 操作
├── data/            # 练习用到的样例数据
└── lessons/         # 每课一个文件夹：notes.md + exercises/
    └── 01-01-comparing-different-automatic-image-augmentat/
- 每课文件夹里建 notes.md（顶部写本课官方链接）和 exercises/；课节文件夹名称与上面一致。
- 已有课程目录先检查并复用；不覆盖笔记、作业或 progress.md，不重置已有进度。尚未发布的课节保留入口并注明未发布，不能代写讲义或虚构练习。
4. 自检
- 创建 check-env.ps1，逐项检查并记录“通过/未通过”：
- 在课程根目录运行；每项检查独立执行，进入子目录不能影响下一项。将下面检查转换为 PowerShell 命令，不使用 Bash 语法。
  - python -c "import torch, torchvision, lightning; print(torch.__version__, torchvision.__version__)"  → 打印出版本号且无报错
  - 打开 https://github.com/rasbt/comparing-automatic-augmentation-blog 确认能取到可执行脚本  → 仓库页面可访问并看到脚本文件
- 标注为人工检查、浏览器操作或 notebook 单元的项目，按相应方式操作，不直接粘贴进 shell；脚本只包含当前系统可执行的命令。
- 仅在当前路线需要、对应材料已获准保存、工具已安装时运行该项；需要登录、付费或尚未开放的材料记为“需要我操作/未验证”，不能伪报通过。不执行会调用付费 API、提交作业或修改云服务的检查。
- 运行一次，把结果给我看；未通过的项目说明原因和修复办法。
5. 学习计划
- README.md：课程入口、课节清单（带链接）、每次学习怎么开始（使用“每课提示词”）。
- progress.md：每课三项勾选——读讲义、做练习、记笔记。
6. 最后分三部分汇报：已完成、需要我自己操作的、尚未验证的。

边界：
- 需要管理员权限、会产生费用或需要填写密钥的操作，先告诉我原因，等我同意。密钥由我在本机配置，不发到聊天，不写进笔记或版本库；原项目需要 .env 时确认已被 Git 忽略。
- 不替我写练习或作业答案，也不替我提交。我卡住时只给提示；我明确要求时才给解答。
- 只下载许可允许个人保存的材料；其余只放链接。不把未运行的命令说成成功。
如果你不能直接操作我的文件系统，请在确认目录后给出适用于我的系统、可直接执行的命令和需要保存的文件内容。
```

### 开课提示词（macOS）

```text
请帮我把「Comparing Different Automatic Image Augmentation Methods in PyTorch」的学习环境一次准备好，让我之后只需要按顺序学习和做练习。
开始前先问我：课程放在哪个目录（等我给出完整路径），确认我的操作系统和已有工具。确认前不要创建文件或安装软件。

课程入口：https://sebastianraschka.com/blog/2023/data-augmentation-pytorch.html
我的系统：macOS。如果实际不符，先调整方案。
本次路线：macOS：本机动手。只准备这条路线需要的工具；只读路线不安装运行环境、不配置模型密钥。
练习：复现文中 CIFAR-10 + ResNet-18 的四类增强对比实验，并尝试在自己的数据集上替换一种增强方法。
课节（官方顺序）：
1. Comparing Different Automatic Image Augmentation Methods in PyTorch：https://sebastianraschka.com/blog/2023/data-augmentation-pytorch.html

1. 环境
- Python 3.x
- PyTorch 与 torchvision
- PyTorch Lightning
- 可选：GPU（作者实验设置为 gpu）
- 安装前先列出要装的软件和命令，等我同意；已装好的直接复用。
2. 材料
- 官方课程页面：只记录链接 https://sebastianraschka.com/blog/2023/data-augmentation-pytorch.html
3. 目录（最外层放在我确认的位置）
pytorch-image-augmentation-raschka/
├── README.md        # 课程入口、课节清单、每次怎么开始
├── progress.md      # 每课：读讲义 / 做练习 / 记笔记
├── questions.md     # 待解决的问题
├── check-env.sh     # 环境自检，按 README 操作
├── data/            # 练习用到的样例数据
└── lessons/         # 每课一个文件夹：notes.md + exercises/
    └── 01-01-comparing-different-automatic-image-augmentat/
- 每课文件夹里建 notes.md（顶部写本课官方链接）和 exercises/；课节文件夹名称与上面一致。
- 已有课程目录先检查并复用；不覆盖笔记、作业或 progress.md，不重置已有进度。尚未发布的课节保留入口并注明未发布，不能代写讲义或虚构练习。
4. 自检
- 创建 check-env.sh，逐项检查并记录“通过/未通过”：
- 在课程根目录运行；每项检查独立执行，进入子目录不能影响下一项。使用当前系统的终端运行。
  - python -c "import torch, torchvision, lightning; print(torch.__version__, torchvision.__version__)"  → 打印出版本号且无报错
  - 打开 https://github.com/rasbt/comparing-automatic-augmentation-blog 确认能取到可执行脚本  → 仓库页面可访问并看到脚本文件
- 标注为人工检查、浏览器操作或 notebook 单元的项目，按相应方式操作，不直接粘贴进 shell；脚本只包含当前系统可执行的命令。
- 仅在当前路线需要、对应材料已获准保存、工具已安装时运行该项；需要登录、付费或尚未开放的材料记为“需要我操作/未验证”，不能伪报通过。不执行会调用付费 API、提交作业或修改云服务的检查。
- 运行一次，把结果给我看；未通过的项目说明原因和修复办法。
5. 学习计划
- README.md：课程入口、课节清单（带链接）、每次学习怎么开始（使用“每课提示词”）。
- progress.md：每课三项勾选——读讲义、做练习、记笔记。
6. 最后分三部分汇报：已完成、需要我自己操作的、尚未验证的。

边界：
- 需要管理员权限、会产生费用或需要填写密钥的操作，先告诉我原因，等我同意。密钥由我在本机配置，不发到聊天，不写进笔记或版本库；原项目需要 .env 时确认已被 Git 忽略。
- 不替我写练习或作业答案，也不替我提交。我卡住时只给提示；我明确要求时才给解答。
- 只下载许可允许个人保存的材料；其余只放链接。不把未运行的命令说成成功。
如果你不能直接操作我的文件系统，请在确认目录后给出适用于我的系统、可直接执行的命令和需要保存的文件内容。
```

### 开课提示词（Linux）

```text
请帮我把「Comparing Different Automatic Image Augmentation Methods in PyTorch」的学习环境一次准备好，让我之后只需要按顺序学习和做练习。
开始前先问我：课程放在哪个目录（等我给出完整路径），确认我的操作系统和已有工具。确认前不要创建文件或安装软件。

课程入口：https://sebastianraschka.com/blog/2023/data-augmentation-pytorch.html
我的系统：Linux。如果实际不符，先调整方案。
本次路线：Linux：本机动手。只准备这条路线需要的工具；只读路线不安装运行环境、不配置模型密钥。
练习：复现文中 CIFAR-10 + ResNet-18 的四类增强对比实验，并尝试在自己的数据集上替换一种增强方法。
课节（官方顺序）：
1. Comparing Different Automatic Image Augmentation Methods in PyTorch：https://sebastianraschka.com/blog/2023/data-augmentation-pytorch.html

1. 环境
- Python 3.x
- PyTorch 与 torchvision
- PyTorch Lightning
- 可选：GPU（作者实验设置为 gpu）
- 安装前先列出要装的软件和命令，等我同意；已装好的直接复用。
2. 材料
- 官方课程页面：只记录链接 https://sebastianraschka.com/blog/2023/data-augmentation-pytorch.html
3. 目录（最外层放在我确认的位置）
pytorch-image-augmentation-raschka/
├── README.md        # 课程入口、课节清单、每次怎么开始
├── progress.md      # 每课：读讲义 / 做练习 / 记笔记
├── questions.md     # 待解决的问题
├── check-env.sh     # 环境自检，按 README 操作
├── data/            # 练习用到的样例数据
└── lessons/         # 每课一个文件夹：notes.md + exercises/
    └── 01-01-comparing-different-automatic-image-augmentat/
- 每课文件夹里建 notes.md（顶部写本课官方链接）和 exercises/；课节文件夹名称与上面一致。
- 已有课程目录先检查并复用；不覆盖笔记、作业或 progress.md，不重置已有进度。尚未发布的课节保留入口并注明未发布，不能代写讲义或虚构练习。
4. 自检
- 创建 check-env.sh，逐项检查并记录“通过/未通过”：
- 在课程根目录运行；每项检查独立执行，进入子目录不能影响下一项。使用当前系统的终端运行。
  - python -c "import torch, torchvision, lightning; print(torch.__version__, torchvision.__version__)"  → 打印出版本号且无报错
  - 打开 https://github.com/rasbt/comparing-automatic-augmentation-blog 确认能取到可执行脚本  → 仓库页面可访问并看到脚本文件
- 标注为人工检查、浏览器操作或 notebook 单元的项目，按相应方式操作，不直接粘贴进 shell；脚本只包含当前系统可执行的命令。
- 仅在当前路线需要、对应材料已获准保存、工具已安装时运行该项；需要登录、付费或尚未开放的材料记为“需要我操作/未验证”，不能伪报通过。不执行会调用付费 API、提交作业或修改云服务的检查。
- 运行一次，把结果给我看；未通过的项目说明原因和修复办法。
5. 学习计划
- README.md：课程入口、课节清单（带链接）、每次学习怎么开始（使用“每课提示词”）。
- progress.md：每课三项勾选——读讲义、做练习、记笔记。
6. 最后分三部分汇报：已完成、需要我自己操作的、尚未验证的。

边界：
- 需要管理员权限、会产生费用或需要填写密钥的操作，先告诉我原因，等我同意。密钥由我在本机配置，不发到聊天，不写进笔记或版本库；原项目需要 .env 时确认已被 Git 忽略。
- 不替我写练习或作业答案，也不替我提交。我卡住时只给提示；我明确要求时才给解答。
- 只下载许可允许个人保存的材料；其余只放链接。不把未运行的命令说成成功。
如果你不能直接操作我的文件系统，请在确认目录后给出适用于我的系统、可直接执行的命令和需要保存的文件内容。
```

### 每课提示词

```text
继续学习「Comparing Different Automatic Image Augmentation Methods in PyTorch」。课程目录是 pytorch-image-augmentation-raschka/（不知道完整路径就先问我）。
1. 读 progress.md，找到下一课；如果我指定了第几课，就准备那一课。
2. 打开这一课的官方页面和本地讲义，列出本课练习要用的工具、文件和样例数据。缺少的先告诉我，等我同意再安装或下载。
3. 在 lessons/ 对应的课节文件夹里准备好练习：exercises/ 里给每道题建一个文件，写上题号和题目原文链接，不写答案；已有文件保留，样例数据放到 data/。拿不到官方题目或起始代码时记录限制，不编造替代品。
4. 按 README 运行开课时生成的自检脚本或在线检查清单，并检查本课新增工具能否正常使用。
5. 告诉我：本课先读哪几节、从哪道练习开始、大约需要多久。我学完后，帮我在 progress.md 勾选并把问题整理到 questions.md。

边界：
- 需要管理员权限、会产生费用或需要填写密钥的操作，先告诉我原因，等我同意。密钥由我在本机配置，不发到聊天，不写进笔记或版本库；原项目需要 .env 时确认已被 Git 忽略。
- 不替我写练习或作业答案，也不替我提交。我卡住时只给提示；我明确要求时才给解答。
- 只下载许可允许个人保存的材料；其余只放链接。不把未运行的命令说成成功。
```

### 课节（官方顺序）

1. [Comparing Different Automatic Image Augmentation Methods in PyTorch](<https://sebastianraschka.com/blog/2023/data-augmentation-pytorch.html>)

## 指南参考

- [课程主页](<https://sebastianraschka.com/blog/2023/data-augmentation-pytorch.html>)

## 来源、许可与验证记录

- **开课提示词未完整验证，需要自备账号或资源**：Python 环境及 PyTorch、torchvision、Lightning（作者代码使用 import lightning as L）；作者实验设置 accelerator="gpu"、devices=\[0\]，并训练最长 1000 轮
- 转载与修改 · 课程页面与材料：未找到明确许可。网页及节选未写明文章或许可声明；配套代码在 GitHub 仓库（https://github.com/rasbt/comparing-automatic-augmentation-blog），节选未说明其许可 [依据](<https://sebastianraschka.com/blog/2023/data-augmentation-pytorch.html>)
- 链接检查：1/1 个可以访问

## 来源与推荐

- 编辑整理收录

---
来源：LearnMap · 学径（https://oplearnx.com）