3. 经典数据增强方法：图像、文本、语音三板斧
数据增强，说白了就是“无中生有”。
模型训练最怕什么？怕数据不够，怕过拟合。我早期做分类任务时，训练集只有几千张图，模型在验证集上抖得像心电图。后来加了点翻转和裁剪，效果立竿见影。今天我们就聊聊图像、文本、语音这三种模态最经典的增强手段。
核心观点：数据增强不是乱加噪声，而是模拟真实世界的变化。你想想看，一张照片翻转后还是同一只猫，一句话换个说法还是同一个意思，一段语音加点环境音还是同一句话。增强的本质是保持语义不变性。
3.1 图像增强：让模型看到更多“角度”
图像增强是数据增强里最成熟的一块。我习惯把它分成两类：几何变换和颜色变换。几何变换改变位置和形状，颜色变换改变外观和光照。
3.1.1 翻转与旋转
翻转是最简单的增强。水平翻转对大多数物体都有效——猫左右转头还是猫。但垂直翻转要小心，比如“停”字牌倒过来就变成别的意思了。
旋转呢？我建议控制在 ±15° 以内。转太多会丢失关键信息，尤其是人脸和文字。
我的经验：做车牌识别项目时，我把旋转角度设到 ±30°，结果模型把“6”认成了“9”。后来限制在 ±10°，准确率直接回升了 3 个点。旋转角度不是越大越好。
3.1.2 裁剪
随机裁剪模拟的是“部分遮挡”场景。常用的策略是：
- 中心裁剪：保留主体，去掉边缘背景
- 随机裁剪：从任意位置切一块，再缩放到原尺寸
- SSD/GridMask：结构化遮挡，强迫模型关注局部特征
裁剪比例一般取原图的 0.6~1.0 倍。太小了，模型看到的就不是“物体”而是“碎片”了。
3.1.3 色彩抖动
色彩抖动包括调整亮度、对比度、饱和度、色相。说白了就是模拟不同光照条件。
我常用的参数范围：
| 参数 | 范围 | 说明 |
|---|---|---|
| 亮度 | [0.8, 1.2] | 模拟阴天/强光 |
| 对比度 | [0.8, 1.2] | 模拟雾霾/清晰 |
| 饱和度 | [0.7, 1.3] | 模拟褪色/鲜艳 |
| 色相 | [-0.1, 0.1] | 轻微偏色，不宜过大 |
注意：色相调整要谨慎。我曾经把色相偏移设到 0.3，结果红色苹果变成了蓝色，模型直接懵了。色相偏移超过 0.15 就会改变物体语义。
3.2 文本增强：让模型理解“同义不同形”
文本增强不像图像那么直观。你想想看，图像翻转后肉眼还能认出物体，但文本换了个词，意思可能就变了。所以文本增强的核心是保持语义不变。
3.2.1 同义词替换
同义词替换是最基础的方法。用 WordNet 或同义词词典，把句子中的词替换成近义词。
举个例子：
原句：这家餐厅的菜品非常美味。
替换后：这家餐厅的菜肴十分可口。替换比例一般控制在 15%~30%。替换太多，句子会变得不自然。我习惯对名词和形容词做替换，动词和虚词尽量不动。
3.2.2 回译
回译是我个人最喜欢的方法。流程很简单：
- 把中文句子翻译成英文（或其他语言）
- 再把英文翻译回中文
经过两次翻译，句子结构会发生变化，但核心意思保留。这比同义词替换更自然。
实战效果：我在情感分类任务中对比过，只用同义词替换提升 1.2%，加上回译后提升 2.8%。回译生成的句子更流畅，模型学到的泛化能力更强。
常用的回译语言对：
| 源语言 | 中间语言 | 特点 |
|---|---|---|
| 中文 | 英文 | 最常用，翻译质量高 |
| 中文 | 日文 | 句式变化大，适合长文本 |
| 中文 | 法文 | 语序差异大，增强效果强 |
避坑指南：回译不是万能的。我曾经对专业术语做回译，“深度学习”被译成“深入进修”，意思完全跑偏了。建议对专业领域文本做回译后人工抽检。
3.3 语音增强：让模型适应“嘈杂世界”
语音增强在真实场景中特别重要。你想想看，用户不可能在安静的录音棚里说话。背景噪声、语速变化都是常态。
3.3.1 加噪
加噪就是给干净语音混入背景噪声。常用的噪声类型：
- 白噪声：均匀频谱，模拟电子设备底噪
- 环境噪声：街道、咖啡馆、地铁等真实场景录音
- 人声噪声：多人说话的背景音（babble noise）
信噪比（SNR）是关键参数。我一般控制在 10~20dB 之间。SNR 太低（小于 5dB），人耳都听不清，模型更学不到东西。
# 加噪的简单实现思路
import numpy as np
def add_noise(clean_audio, noise, snr_db=15):
# 计算信号能量和噪声能量
signal_power = np.mean(clean_audio ** 2)
noise_power = np.mean(noise ** 2)
# 根据 SNR 调整噪声幅度
scale = np.sqrt(signal_power / (noise_power * 10 ** (snr_db / 10)))
noisy_audio = clean_audio + scale * noise
return noisy_audio3.3.2 变速
变速改变的是语速，不改变音高。常用的变速范围是 0.8x ~ 1.2x。
为什么不做 0.5x 或 2.0x？因为语速变化太大，语音的时序特征会被破坏。模型学到的不是“语速不变性”，而是“扭曲的语音”。
我曾经踩过的坑：做语音唤醒词检测时，我把变速范围设到 0.6x~1.5x，结果模型对正常语速的唤醒词反而检测不到了。后来缩回 0.85x~1.15x，问题解决。记住：增强不是越强越好。
3.4 增强策略：组合使用效果更佳
单一增强方法的效果有限。我习惯把多种增强组合起来，形成增强流水线。
举个例子，图像增强的典型组合：
- 随机水平翻转（概率 0.5）
- 随机旋转（±10°）
- 随机裁剪（0.8~1.0 倍）
- 色彩抖动（亮度、对比度、饱和度）
文本增强的组合：
- 同义词替换（20% 的词）
- 回译（30% 的句子）
语音增强的组合：
- 加噪（SNR 10~20dB，概率 0.7）
- 变速（0.9x~1.1x，概率 0.5）
我的建议：不要一次性把所有增强都用上。先加一两种，看验证集效果。效果提升了再加新的。增强不是堆砌，而是精调。
3.5 小结
经典数据增强方法，说白了就是让模型见多识广。图像翻转旋转让模型不怕角度变化，文本回译让模型理解同义表达，语音加噪变速让模型适应真实环境。
记住三个原则：
- 语义不变性：增强后样本的标签不能变
- 适度原则：增强幅度不是越大越好
- 组合优于单一：多种增强协同效果更好