数据增强倍数

← ToolBox / 数据增强倍数
📖 查看「数据增强倍数使用指南」

🤖 Data Augmentation Multiplier

Compute how much your training set grows after augmentation, from the number of transforms and the repeat factor.

📐 计算公式 / 原理
数据增强总量（主式）：增强后总量 = 原始样本数 × (1 + 每种倍数 × 变换种类数)（样本，取整展示）；例 原始 1000、每种倍数 2、变换 3 种 → 1000×(1+6) = 7000。校验：无强校验，空/非法输入按 0 兜底。判据：无固定分级，任一项为 0 时结果退化为原始样本数或 0。
按每种变换贡献的增量线性外推总量，系数反映单次变换的等效增益（通常 <1）。这是上界估计：变换间高度相关时实际有效量远小于此，且增强样本不能完全替代真实数据的分布覆盖。

📐 计算公式与说明

增强倍数判读（同式换口径）：扩增倍率 = 增强后总量 ÷ 原始样本数 = 1 + 每种倍数 × 变换种类数，每增加一种变换，倍率即提高一个「每种倍数」档位；新增样本数 = 总量 − 原始样本数，可据此评估训练时长与标注成本。校验：同主式，倍数或变换种类为 0 时倍率退化为 1（无增益）。判据：无固定分级，倍率 >1 才有扩增增益。

实际去重后可能低于估算。

📚 深度解析：数据增强倍数

💡 常见使用场景

增强倍数估算
原始 5000 张，旋转/翻转/色彩 3 类各 3 档共 9 组合 → 总量≈5000×9=45000 张。若叠加 2 次重复则≈90000，但有效增益低于 18 倍。

❓ 常见问题（FAQ）

倍数和'有效量'有什么区别？
倍数只算变换乘积，有效量还扣减相关性带来的信息折损；本工具给倍数，是否等效需结合增强多样性判断。
增强强度设多大？
以验证集指标为准：增强不足仍过拟合则加强，过强导致训练误差难降则回撤；图像常用轻几何+色彩抖动。

Formula & Standard References

Item Formula / Note Source / Standard
Volume total = originals x augmentations per sample Data augmentation practice
Online and offline online augmentation adds more variety than fixed offline copies Data augmentation practice
Cost raising the multiplier lengthens epochs linearly Deep learning practice

🔗 相关工具

🤖 Dropout 保留期望Dropout 期望输出计算器，输入保留概率求 dropout 后的期望输出与推理期缩放因子，辅助… 🔍 L1 L2 正则化惩罚L1/L2 正则化惩罚计算器，输入权重与正则系数求对损失函数的惩罚项，对比 Lasso 与 Rid… 🤖 RAG 召回率RAG 召回率计算器，输入相关文档数与检索命中数求召回率，评估检索增强生成的检索覆盖质量。 🤖 ROC AUC 近似输入正负样本预测得分，估算 ROC 曲线下面积 AUC，评估分类器排序能力，适用于模型选型、阈值无… 🤖 ReLU 与 LeakyReLUR ReLU 与 LeakyReLU 🤖 Sigmoid 输出S Sigmoid 输出

🔗 相关工具

🤖 Dropout 保留期望Dropout 期望输出计算器，输入保留概率求 dropout 后的期望输出与推理期缩放因子，辅助神 🔍 L1 L2 正则化惩罚L1/L2 正则化惩罚计算器，输入权重与正则系数求对损失函数的惩罚项，对比 Lasso 与 Ridg 🤖 RAG 召回率RAG 召回率计算器，输入相关文档数与检索命中数求召回率，评估检索增强生成的检索覆盖质量。 🤖 ROC AUC 近似输入正负样本预测得分，估算 ROC 曲线下面积 AUC，评估分类器排序能力，适用于模型选型、阈值无关 🤖 ReLU 与 LeakyReLUR ReLU 与 LeakyReLU