获取更多的训练样本其实是很好的想法。不幸的是，这个⽅法代价很⼤，在实践中常常是很 难达到的。
不过，还有⼀种⽅法能够获得类似的效果，那就是⼈为扩展训练数据。
假设我们使 ⽤⼀个5的MNIST训练图像，将其进⾏旋转，⽐如说15◦：这还是会被设别为同样的数字的。
但是在像素层级这和任何⼀幅在MNIST训练数据中的图 像都不相同。
所以将这样的样本加⼊到训练数据中是很可能帮助我们的⽹络学会更多如何分类 数字。
⽽且，显然我们不限于只增加这幅图像。
我们可以在所有的MNIST训练样本上通过很多 ⼩的旋转扩展训练数据，然后使⽤扩展后的训练数据来提升我们⽹络的性能
版权声明：本文为qqq777_原创文章，遵循CC 4.0 BY-SA版权协议，转载请附上原文出处链接和本声明。