数据增强pytorch代码

以下是一个基本的数据增强的 PyTorch 代码示例：

import torch
import torchvision.transforms as transforms
from torch.utils.data import Dataset, DataLoader

class MyDataset(Dataset):
    def __init__(self, x, y, transform=None):
        self.x = x
        self.y = y
        self.transform = transform

    def __len__(self):
        return len(self.x)

    def __getitem__(self, idx):
        x = self.x[idx]
        y = self.y[idx]
        if self.transform:
            x = self.transform(x)
        return x, y

# 定义数据增强操作
transform = transforms.Compose([
    transforms.RandomHorizontalFlip(),
    transforms.RandomRotation(15),
    transforms.ColorJitter(brightness=0.1, contrast=0.1, saturation=0.1, hue=0.1),
    transforms.ToTensor()
])

# 加载数据集
x_train = torch.randn(100, 3, 32, 32)
y_train = torch.randint(0, 10, (100,))
train_dataset = MyDataset(x_train, y_train, transform=transform)
train_loader = DataLoader(train_dataset, batch_size=10, shuffle=True)

# 训练模型
for epoch in range(10):
    for x_batch, y_batch in train_loader:
        # 在这里训练模型
        pass

在这个示例中，我们定义了一个自定义的数据集类 `MyDataset`，其中包含输入数据 `x` 和标签数据 `y`，以及一个可选的数据增强操作 `transform`。我们使用 PyTorch 内置的一些数据增强操作，包括随机水平翻转、随机旋转、颜色抖动和将图像转换为张量。

然后，我们将数据集加载到 `DataLoader` 中，设置批量大小为 10，并在每个训练周期中对数据进行随机重排。最后，我们可以使用训练循环来训练我们的模型。