想象你是一位带学徒的老师傅，手里只有一本薄薄的例题集。如果学徒反复背这几道题，考试时题目换个角度、换种光线、换种说法，他立刻发懵。聪明的老师不会只让学徒背题，而是把每道题旋转一下、翻个面、调个颜色、和另一道题拼在一起、翻译成外文再翻回来、甚至故意遮住部分信息……这就是数据增强的本质：不动真实数据，只改变呈现方式，让模型在有限的样本里见多识广。 数据增强是深度学习训练中成本最低、见效最快的“出题技巧”。它把一张图片变成几十张，把一句话变成几十种说法，把一段语音变成几十种残缺版本，强迫模型学会真正通用的规律，而不是背答案。但出题也要讲分寸——题目太偏会超纲，增强太猛会扭曲分布，反而让模型越练越差。本文带你走进图像、文本、音频三间“练习房”，从基础增强一路看到进阶组合策略。

岗位关联

对 AI 从业者来说，数据增强是提升模型泛化能力的“低垂果实”。在数据稀缺、标注昂贵的工业项目里，掌握增强策略往往比换模型结构更划算。

目录
  1. 可视化演示
  2. 图像几何变换
  3. 颜色扰动策略
  4. Mixup与CutMix
  5. 文本回译增强
  6. 语音SpecAugment
  7. 组合与强度选择
  8. 过度增强危害
  9. AI 应用场景
  10. Python 演示
  11. 常见误区
  12. 面试题

可视化演示

动态演示数据增强策略的核心机制，通过源头/管道/节点/终端四种模式展示关键概念与交互流程。

本节配有交互动效（进入视口后自动加载，约 3KB）。

数据增强策略：多领域增 多领域增强策略系统概览 图像进阶增强与组合策略 核心机制可视化 数据增强策略整体架构与关键组件

图像几何变换

老师给学徒一张小猫的照片，让他记住“这就是猫”。如果学徒只见过这张正面照，下次小猫侧过身、趴在桌上、离镜头远一点，他就不认识了。于是老师把照片旋转、翻面、拉近拉远、裁掉边缘，反复问：“这还是猫吗？”学徒慢慢明白：猫无论换什么角度，它都是猫。

图像分类恰好也依赖这种“视角不变性”。旋转、水平翻转、垂直翻转、随机裁剪、缩放，是最常见也最便宜的增强手段。它们不改变物体本质，只改变观察方式，让卷积神经网络学会更稳定的特征。不过要注意，不是所有任务都能随意翻转：识别数字“6”和“9”时旋转 180 度会改变语义；带阅读顺序的文本图像也不能左右翻转。对于目标检测、语义分割这类带位置标签的任务，图片翻转或裁剪后，边界框和分割掩码也必须同步变换，否则标签和内容就错位了。

几何变换的数学本质，是坐标的重映射。以旋转为例，原图上的点 $(x, y)$ 绕中心旋转角度 $\theta$ 后，会移动到新位置 $(x', y')$：

所以，几何增强不是“凭空造出新内容”，而是让同一个物体换姿势。就像老师翻卷子、转图卡、放大局部，让学徒从更多角度认出本质，而不是背下某一版照片。

[x′y′]=[cos⁡θ−sin⁡θsin⁡θcos⁡θ][xy]\displaystyle \begin{bmatrix} x' \\ y' \end{bmatrix} = \begin{bmatrix} \cos\theta & -\sin\theta \\ \sin\theta & \cos\theta \end{bmatrix} \begin{bmatrix} x \\ y \end{bmatrix}
  1. 像素坐标向量它表示原图上某一点的位置。
    [xy]\displaystyle \begin{bmatrix} x \\ y \end{bmatrix}
  2. 旋转矩阵由 $\cos\theta$ 和 $\sin\theta$ 组成的二阶矩阵，决定旋转多少角度。
    [cos⁡θ−sin⁡θsin⁡θcos⁡θ]\displaystyle \begin{bmatrix} \cos\theta & -\sin\theta \\ \sin\theta & \cos\theta \end{bmatrix}
  3. 行坐标计算新位置的横坐标等于 $x\cos\theta - y\sin\theta$。
    x′=xcos⁡θ−ysin⁡θ\displaystyle x' = x \cos\theta - y \sin\theta
  4. 列坐标计算新位置的纵坐标等于 $x\sin\theta + y\cos\theta$。
    y′=xsin⁡θ+ycos⁡θ\displaystyle y' = x \sin\theta + y \cos\theta

颜色扰动策略

还是那只小猫的照片，老师这次不换角度，而是把照片调暗、调亮、加一点滤镜，让学徒在黄昏、阴天、灯光下都能一眼认出猫。颜色扰动就是给图片“换滤镜”，模拟真实世界中光照和色彩的变化。

颜色扰动通常包括亮度调整、对比度调整、饱和度微调，以及更复杂的色彩空间扰动。实现时可以直接在 RGB 空间给每个像素加上一个随机偏移，也可以在 HSV 空间只改动饱和度和色调，让颜色变化更自然。和几何变换不同，颜色扰动不改变物体的位置和形状，因此大多数分类任务不需要动标签；但如果任务对颜色本身敏感，比如识别交通信号灯、判断水果成熟度，就要谨慎使用，否则会把“绿灯变红灯”。

一个常见的亮度与对比度组合公式可以写成：

颜色扰动很像老师在同一个场景里反复换灯泡。模型看过各种明暗和色调之后，就不会把“暖黄色灯光”误当成物体本身的颜色，泛化能力自然更强。

I′=(I−μ)×β+μ+α\displaystyle I' = (I - \mu) \times \beta + \mu + \alpha
  1. 图像均值 $\mu$它代表整张图片的平均亮度，作为对比度调整的基准。
    μ=1N∑i=1NIi\displaystyle \mu = \frac{1}{N}\sum_{i=1}^{N} I_i
  2. 对比度系数 $\beta$$\beta$ 大于 1 时暗的更暗、亮的更亮，图像更“分明”。
    (I−μ)×β\displaystyle (I - \mu) \times \beta
  3. 亮度偏移 $\alpha$$\alpha$ 为正则整体变亮，为负则整体变暗。
    +α\displaystyle + \alpha
  4. 组合效果先拉高对比度，再叠加亮度偏移，得到扰动后的图像。
    I′=(I−μ)×β+μ+α\displaystyle I' = (I - \mu) \times \beta + \mu + \alpha

Mixup与CutMix

学徒面前摆着两张不同的题目：一张拍的是猫，一张拍的是狗。正常出题，老师会把它们分开考。进阶出题法，是把两张图按一定比例叠在一起，让学徒回答：“你更偏向猫，还是更偏向狗？”Mixup 就是这样一种“一题两考”的增强方式。

Mixup 从训练集中随机取两个样本，按权重 $\lambda$ 做像素级线性插值，同时把两个标签也按同样的比例融合。这样模型看到的不再是“非猫即狗”的极端答案，而是连续过渡的软标签，从而把决策边界推得更平滑。CutMix 则更进一步：它不像 Mixup 那样让两张图全图叠加，而是从第二张图里裁剪一块区域，粘贴到第一张图的某个位置，标签依然按面积比例混合。这既保留了局部特征，又强迫模型利用更分散的信息，而不是死盯某个“作弊”区域。

Mixup 的公式很简洁：

CutMix 则引入一个二值掩码 $M$ 来控制区域：

Mixup 和 CutMix 就像把两道题拼成一道新题，答案也按“哪块露得多”确定。模型不再死记硬背，而是学会在模糊、混合的信息中依然给出靠谱的判断，这正是正则化想要的效果。

x~=λxi+(1−λ)xj,y~=λyi+(1−λ)yj\displaystyle \tilde{x} = \lambda x_i + (1-\lambda) x_j, \quad \tilde{y} = \lambda y_i + (1-\lambda) y_j
x~=M⊙xi+(1−M)⊙xj,y~=λyi+(1−λ)yj\displaystyle \tilde{x} = M \odot x_i + (1-M) \odot x_j, \quad \tilde{y} = \lambda y_i + (1-\lambda) y_j
  1. 混合系数 $\lambda$它通常从 Beta 分布中采样，决定两张图的权重大小。
    λ∼Beta(α,α)\displaystyle \lambda \sim \text{Beta}(\alpha, \alpha)
  2. Mixup 的像素插值把两张图的每个像素按 $[\lambda, 1-\lambda]$ 加权相加。
    x~=λxi+(1−λ)xj\displaystyle \tilde{x} = \lambda x_i + (1-\lambda) x_j
  3. 标签比例融合标签也按同样权重线性组合，形成软标签。
    y~=λyi+(1−λ)yj\displaystyle \tilde{y} = \lambda y_i + (1-\lambda) y_j
  4. CutMix 的掩码 $\odot$$M$ 是一个只含 0 和 1 的掩码，$M \odot x_i$ 表示保留 $x_i$ 的部分区域，其余区域用 $x_j$ 填充。
    x~=M⊙xi+(1−M)⊙xj\displaystyle \tilde{x} = M \odot x_i + (1-M) \odot x_j

文本回译增强

语文老师想给学徒扩写作文素材，但手里的句子就那么多。他想到一个办法：把中文句子翻译成英文，再把英文翻译回中文。经过两次翻译，句子意思没变，措辞却换了一种——这等于免费获得一句“同义不同形”的新句子。这就是文本回译增强。

回译是自然语言处理里最常用的增强策略之一。它借助机器翻译模型生成平行句对，把原始句子送进“中文→英文”模型，再送进“英文→中文”模型，得到一句新的中文。只要翻译模型足够好，新句子能保留原意，同时改变句式、用词、语序，让文本分类、问答、机器翻译模型见到更多表达方式。实际工程中还会做候选筛选，把语义偏离太远或过度改写的句子丢弃，保证增强样本不跑题；也可以扩展到多语种，把一句话经日文、法文等多条路线翻译，得到更丰富的改写结果。

回译本质上是一个自回归生成过程。给定源句子 $c$，翻译模型逐个词生成目标句子 $x'$，其概率可以写成：

回译像“换一种说法复述同一件事”。学徒听到的句子版本多了，才能真正抓住语义内核，而不是把某个固定句式当成唯一答案。

Pθ(x′∣c)=∏t=1TPθ(xt′∣x<t′,c)\displaystyle P_{\theta}(x' \mid c) = \prod_{t=1}^{T} P_{\theta}(x'_t \mid x'_{<t}, c)
  1. 源句子 $c$它是输入给翻译模型的原始文本，相当于“出题素材”。
    c\displaystyle c
  2. 第 $t$ 个词 $x'_t$表示生成序列中当前位置的词。
    xt′\displaystyle x'_t
  3. 历史前缀 $x'_{<t}$表示第 $t$ 个词之前已经生成的所有词。
    x<t′=x1′,x2′,…,xt−1′\displaystyle x'_{<t} = x'_1, x'_2, \dots, x'_{t-1}
  4. 连乘符号 $\prod$每个词的概率相乘，得到整个句子被生成出来的概率。
    ∏t=1TPθ(xt′∣x<t′,c)\displaystyle \prod_{t=1}^{T} P_{\theta}(x'_t \mid x'_{<t}, c)

语音SpecAugment

听力课上，老师故意在播放录音时，用一块橡皮把某一段频率遮住，或者把中间两秒钟按成静音。学徒一开始觉得难受，但听多了之后，即使音频残缺也能猜出关键内容。SpecAugment 做的正是这件事：直接在语音特征图上随机挖洞。

语音识别模型通常以梅尔频谱图作为输入。SpecAugment 会在频率维度和时间维度分别随机遮蔽一块区域：频带遮蔽模拟某个频段被噪声盖住，时间遮蔽模拟某段语音被吞掉。此外还可以做时间拉伸，让模型适应语速快慢。这些操作几乎不改变语义，却让模型不得不在信息不全的情况下依然做出正确判断，从而大幅提升真实噪声环境下的鲁棒性。

用公式表示，原始频谱图 $S(f,t)$ 经过遮蔽后得到 $\tilde{S}(f,t)$：

SpecAugment 就像听力老师故意制造“听不清”的场景。模型在残缺信息中反复训练，反而学会利用上下文补齐缺失内容，真实环境里的表现也更稳。

S~(f,t)=S(f,t)⋅1[(f,t)∉[f0,f0+F)×[t0,t0+T)]\displaystyle \tilde{S}(f,t) = S(f,t) \cdot \mathbb{1}\big[(f,t) \notin [f_0, f_0+F) \times [t_0, t_0+T)\big]
  1. 频谱图 $S(f,t)$它是语音信号在频率 $f$、时间 $t$ 上的能量值。
    S(f,t)\displaystyle S(f,t)
  2. 频带遮蔽范围从频率 $f_0$ 开始，连续遮蔽 $F$ 个频率带。
    [f0,f0+F)\displaystyle [f_0, f_0+F)
  3. 时间遮蔽范围从时间 $t_0$ 开始，连续遮蔽 $T$ 个时间帧。
    [t0,t0+T)\displaystyle [t_0, t_0+T)
  4. 指示函数 $\mathbb{1}$当坐标落在这段区域内时取 0，否则取 1，相当于“挖洞”。
    1[(f,t)∉[f0,f0+F)×[t0,t0+T)]\displaystyle \mathbb{1}\big[(f,t) \notin [f_0, f_0+F) \times [t_0, t_0+T)\big]

组合与强度选择

聪明的老师不会把旋转、变色、拼图、回译、遮音频全部一次性用上，那样学徒会被折磨疯。他会先把题目分类，再按一定概率决定今天出哪些类型、每题难度调到多少。数据增强的工程实践，同样需要设计组合流水线。

通常我们会把多个增强操作串联成一条流水线：一张图片先随机裁剪，再左右翻转，再做颜色扰动，最后按一定概率决定是否 Mixup。每个操作都有一个触发概率和强度范围，而不是每次都满强度执行。组合顺序也很重要，比如先做几何变换再做颜色扰动，比先调色再裁剪更自然。超参数搜索时，我们可以用控制变量法观察验证集效果，逐步加大强度；更进阶的做法是按样本难度动态调整，让简单样本少增强、难样本多增强。

组合增强可以写成多个操作的概率串联：

出题要有节奏，增强也要讲策略。把流水线组织得“有概率、有强度、有顺序”，才能让模型在多样性和真实性之间走钢丝，而不是一股脑堆砌所有花活。

x~=Tk(εk)∘⋯∘T1(ε1)(x),εi∼U(0,1)\displaystyle \tilde{x} = T_{k}^{(\varepsilon_k)} \circ \cdots \circ T_{1}^{(\varepsilon_1)}(x), \quad \varepsilon_i \sim U(0,1)
  1. 基础增强算子 $T_i$它表示某一个增强操作，比如旋转、裁剪或调亮度。
    Ti\displaystyle T_i
  2. 强度系数 $\varepsilon_i$它从 0 到 1 的均匀分布中采样，控制每个操作的幅度。
    εi∼U(0,1)\displaystyle \varepsilon_i \sim U(0,1)
  3. 复合运算 $\circ$它表示“先做右边的操作，再做左边的操作”，也就是把多个变换串起来。
    Tk(εk)∘⋯∘T1(ε1)\displaystyle T_{k}^{(\varepsilon_k)} \circ \cdots \circ T_{1}^{(\varepsilon_1)}
  4. 最终增强样本原始样本 $x$ 经过整条流水线后，得到新的训练样本 $\tilde{x}$。
    x~=Tk(εk)∘⋯∘T1(ε1)(x)\displaystyle \tilde{x} = T_{k}^{(\varepsilon_k)} \circ \cdots \circ T_{1}^{(\varepsilon_1)}(x)

过度增强危害

老师出题太偏，学徒开始背歪门邪道：他不再看猫的脸，而是只看照片里那盆绿植。因为老师每次裁剪都把绿植露出来，他就以为“有绿植=猫”。增强也是一样，一旦把样本改得面目全非，模型学到的就是增强引入的伪规律，而不是真实世界的规律。

过度增强的典型危害有三种：信息失真、标签错位、分布严重偏移。比如把图片旋转 90 度后，数字“6”变成“9”但标签还是“6”；CutMix 时如果粘贴区域太大，标签比例算错；SpecAugment 把整段关键音频都遮掉，模型只能瞎猜。这些问题都会让训练分布越来越偏离真实分布，训练损失很好看，测试时却一塌糊涂。

统计上，我们可以用 KL 散度衡量增强分布与真实分布的偏离程度：

所以，验证集永远是增强策略的“体检报告”。如果训练集被增强得五花八门，但验证集性能不升反降，就要立刻减小强度、降低概率，甚至删掉某个增强算子。出题再花哨，也要保证学徒拿到真实考卷时考得出好成绩。

DKL(Pa∥Pr)=∑xPa(x)log⁡Pa(x)Pr(x)\displaystyle D_{KL}(P_a \| P_r) = \sum_{x} P_a(x) \log \frac{P_a(x)}{P_r(x)}
  1. 增强分布 $P_a$它表示增强后的样本服从的概率分布。
    Pa\displaystyle P_a
  2. 真实分布 $P_r$它表示模型上线后会遇到的真实数据分布。
    Pr\displaystyle P_r
  3. 对数比值当某个样本在增强分布里很多、在真实分布里很少，这个值就会很大。
    log⁡Pa(x)Pr(x)\displaystyle \log \frac{P_a(x)}{P_r(x)}
  4. KL 散度求和把每个样本的贡献加起来，数值越大，说明增强分布偏离真实分布越远。
    ∑xPa(x)log⁡Pa(x)Pr(x)\displaystyle \sum_{x} P_a(x) \log \frac{P_a(x)}{P_r(x)}

AI 应用场景

自动驾驶视觉模型增强

阶段：数据采集与训练集构建

解决的问题：自动驾驶团队往往有大量晴朗白天数据，但夜晚、雨雾、逆光等极端场景极其稀缺。传统做法只能靠人工反复采集，成本高、周期长。数据增强可以低成本模拟这些环境变化，让目标检测模型提前见过各种“刁钻视角”。

具体案例：某团队训练道路车辆检测模型时，对原始图片做随机仿射变换、亮度扰动和色彩偏移，并叠加 CutMix，把雨天车辆贴进晴天背景中。模型在夜间和雨雾测试集上的 mAP 提升了约 3 个百分点，而训练成本几乎没有增加。

智能客服语料扩充

阶段：自然语言数据处理与模型训练

解决的问题：智能客服的标注语料有限，用户提问方式却千变万化。传统做法依赖人工编写同义句，费时费力。回译增强可以自动把标准问法改写成口语化表达，让意图识别模型更稳健。

具体案例：某电商客服机器人先用“中文→英文→中文”回译标准问句，生成 10 倍候选语料，再通过语义相似度筛选，保留与原句意图一致的新问法。模型对真实用户消息的意图识别准确率提升了 5%，用户重复提问率显著下降。

语音助手唤醒词鲁棒性

阶段：音频特征提取与模型训练

解决的问题：语音助手在嘈杂客厅、车内等场景下，唤醒词经常被噪声或说话人打断。SpecAugment 可以通过随机遮蔽频谱图，模拟频段缺失和时间段消失，让唤醒模型学会在信息不完整的条件下依然稳定响应。

具体案例：某智能音箱团队在训练唤醒词模型时，对梅尔频谱随机做频带遮蔽和时间遮蔽，并将增强概率设为 0.5。经过 30 个 epoch 训练后，模型在远场测试集上的唤醒率提升了 4%，误唤醒率没有上升。

Python 演示

python52 行
import numpy as np  def flip_lr(image):    # 左右翻转    return image[:, ::-1]  def rotate90(image, k=1):    # 顺时针旋转 k 次 90 度    return np.rot90(image, k=k, axes=(1, 0))  def jitter_brightness(image, alpha=30):    # alpha 为正变亮, 为负变暗    return np.clip(image.astype(np.float32) + alpha, 0, 255)  def mixup(x1, x2, lam):    # 像素线性插值    return lam * x1 + (1 - lam) * x2  def cutmix(x1, x2, lam):    # 裁剪 x2 的一块区域粘贴到 x1    h, w = x1.shape[:2]    cut_w = max(1, int(w * np.sqrt(1 - lam)))    cut_h = max(1, int(h * np.sqrt(1 - lam)))    cx = int(np.random.uniform(0, w))    cy = int(np.random.uniform(0, h))    x1 = x1.copy()    x1[max(0, cy - cut_h // 2):min(h, cy + cut_h // 2),        max(0, cx - cut_w // 2):min(w, cx + cut_w // 2), :] = \        x2[max(0, cy - cut_h // 2):min(h, cy + cut_h // 2),           max(0, cx - cut_w // 2):min(w, cx + cut_w // 2), :]    return x1  def main():    rng = np.random.default_rng(42)    img_a = rng.integers(0, 256, size=(8, 8, 3), dtype=np.uint8)    img_b = rng.integers(0, 256, size=(8, 8, 3), dtype=np.uint8)    lam = 0.6    mixed = mixup(img_a, img_b, lam)    pasted = cutmix(img_a, img_b, lam)    print("flip shape:", flip_lr(img_a).shape)    print("mixup range:", mixed.min(), mixed.max())    print("cutmix equal rate:", float(np.mean(pasted == img_a)))  if __name__ == "__main__":    main()
目的：用纯 NumPy 实现图像增强中的基础函数，包括翻转、旋转、亮度扰动、Mixup 和 CutMix，方便快速验证增强操作的行为。
  1. def flip_lr(image):定义左右翻转函数，通过数组切片实现。
  2. return image[:, ::-1]把宽度维度的像素顺序颠倒，完成镜像。
  3. return np.clip(image.astype(np.float32) + alpha, 0, 255)调整亮度后夹到 0 到 255 的合法范围。
  4. return lam * x1 + (1 - lam) * x2用 lambda 控制两张图混合比例，实现 Mixup。
  5. cut_w = max(1, int(w * np.sqrt(1 - lam)))根据混合系数计算 CutMix 裁剪宽度。
  6. if __name__ == "__main__":提供可执行入口，让代码可以直接运行验证。

常见误区

误区数据增强就是拼命加样本，旋转、翻转、变色、混合全部拉满，增强倍数越大，模型一定越强。

正解增强样本是从原样本派生出来的，并不包含新的真实信息。增强强度过高就像老师出的题全部超纲，模型学到的是增强伪规律，而不是真实规律。每次调整增强策略后，都应该用验证集或测试集检查泛化能力，而不是只看训练集效果。

为何常见：人们容易把“数据多=效果好”的直觉迁移到增强任务上，忽略了合成样本和真实样本之间的分布差异。

误区旋转和翻转只是换个视角，不会改变图像内容，所以任何任务都可以放心使用。

正解旋转 90 度会让数字“6”和“9”混淆，OCR 中的文字也可能失去可读性；人脸识别中垂直翻转会生成现实里几乎不存在的人脸。对于检测、分割任务，图片翻转后边界框和掩码还要同步变换，否则标签错位。

为何常见：很多入门教程只在分类任务里演示增强，让学习者误以为几何变换是“万能无害”的。

误区Mixup 和 CutMix 的名字听起来就属于计算机视觉，文本和语音任务用不上。

正解这类混合思想可以扩展到文本的词向量和语音的隐藏特征上。只要混合后标签仍然有意义，并且模型能从软标签中受益，就可以迁移。不过文本和语音的离散结构让混合更复杂，需要额外设计，而不是直接把两张图拼在一起。

为何常见：论文原图太形象，大家记住了“两张猫狗照片拼在一起”，忽略了它本质上是一种正则化思想。

误区反正都是对训练集做同样操作，先离线把数据扩充好，还是训练时在线增强，最终结果应该一样。

正解离线增强会把数据集固定下来，模型每个 epoch 都看到完全相同的增强样本，容易对增强模式过拟合；在线增强在每次迭代时随机生成新样本，等效于无限大的数据集，正则化效果更强，也更省存储。

为何常见：两种方式使用的增强函数相同，初学者容易忽略“随机性发生时机”才是关键。

面试题

Q1. 数据增强在深度学习中主要扮演什么角色？

单选题 · easy

  • A.修改模型结构
  • B.扩大训练样本← 正确答案
  • C.降低学习率
  • D.增加批大小

答案：B。数据增强通过对原始样本做旋转、翻转、混合等变换，生成更多样的训练样本。它不改变模型结构，也不负责调整优化器参数，因此正确选项是扩大训练样本。

Q2. 下列哪项属于颜色扰动增强？

单选题 · easy

  • A.左右翻转
  • B.调整亮度← 正确答案
  • C.随机裁剪
  • D.裁剪粘贴

答案：B。调整亮度是颜色扰动中的常见操作，属于对像素颜色值的修改。左右翻转和随机裁剪属于几何变换，裁剪粘贴更接近 CutMix 一类混合增强。

Q3. Mixup 的标签使用什么方式组合？

单选题 · easy

  • A.取最大值
  • B.按线性比例← 正确答案
  • C.随机选一个
  • D.全部置零

答案：B。Mixup 让像素和标签都按同一个混合系数做线性插值，即 $\tilde{y} = \lambda y_i + (1-\lambda)y_j$。取最大值或随机选一个会丢掉软标签带来的平滑作用。

Q4. CutMix 与 Mixup 最大的区别是什么？

单选题 · mid

  • A.只在像素层混合
  • B.裁剪一块区域粘贴← 正确答案
  • C.不修改任何标签
  • D.仅用于检测任务

答案：B。Mixup 是在整张图上做像素加权平均，而 CutMix 会从一张图中裁剪一块区域粘贴到另一张图上，同时标签按区域比例融合。CutMix 也适用于分类任务，并且它会修改标签。

Q5. 文本回译为什么能产生新样本？

单选题 · mid

  • A.翻译模型总会出错
  • B.保留语义更换表达← 正确答案
  • C.随机替换部分单词
  • D.单纯增加文本长度

答案：B。回译利用“中文→英文→中文”的过程借用不同语言重新组织句子。它不追求随机替换单词，而是希望语义保持不变、表达方式发生改变。翻译模型偶尔出错属于噪声，不是回译的主要目的。

Q6. SpecAugment 主要在哪两个维度做遮蔽？

单选题 · mid

  • A.宽度和高度
  • B.频率和时间← 正确答案
  • C.通道和深度
  • D.词表和句子

答案：B。SpecAugment 作用在语音频谱图上，通过随机遮蔽连续频率段和时间段，让模型在信息不完整时仍能识别语音。宽度、高度、通道、词表都不是频谱图的核心坐标维度。

Q7. 如何判断增强强度是否合适？

单选题 · mid

  • A.训练损失降得更低
  • B.验证集泛化稳定← 正确答案
  • C.增强倍数越大越好
  • D.模型参数数量变少

答案：B。增强的最终目标是提升真实数据上的表现，因此验证集或测试集性能是最可靠的判断依据。训练损失降低可能只是模型记住了增强伪规律，参数数量并不受增强强度影响。

Q8. 以下哪些策略属于混合样本类增强？

多选题 · mid

  • A.Mixup← 正确答案
  • B.CutMix← 正确答案
  • C.回译
  • D.SpecAugment

答案：AB。Mixup 和 CutMix 都通过组合两个样本来构造新样本，属于混合类增强。回译是文本改写，SpecAugment 是语音特征遮蔽，这两个不涉及样本间的融合。

Q9. 设计增强流水线时，下列哪些做法正确？

多选题 · hard

  • A.让标签同步变换← 正确答案
  • B.结合部署场景选择← 正确答案
  • C.增强强度无穷大
  • D.用验证集评估效果← 正确答案

答案：ABD。几何变换会改变空间位置，检测和分割任务的标签必须同步变换；增强方式应贴近上线场景，比如车载语音多用频谱遮蔽。增强强度无穷大会导致分布偏移，正确做法是用验证集实时评估。

Q10. 关于增强分布与真实分布，下列说法正确的是？

多选题 · extreme

  • A.过度增强会造成分布偏移← 正确答案
  • B.KL 散度可以衡量偏移← 正确答案
  • C.Mixup 只改像素不改标签
  • D.CutMix 标签按面积比混合← 正确答案

答案：ABD。过度增强让训练样本越来越偏离真实分布，KL 散度可以量化这种偏离。Mixup 不仅改像素，也会按同一比例融合标签；CutMix 按裁剪区域面积比例混合标签，因此 C 错误。