本章将重点介绍计算机视觉领域，并探讨最近在学术界和行业中具有影响力的方法和应用。
13.1. 图像增广
图像增广在对训练图像进行一系列的随机变化之后，生成相似但不同的训练样本，从而扩大了训练集的规模。随机改变训练样本可以减少模型对某些属性的依赖，从而提高模型的泛化能力。 例如，我们可以以不同的方式裁剪图像，使感兴趣的对象出现在不同的位置，减少模型对于对象出现位置的依赖。
方法包括：翻转和裁剪 以及 改变图像颜色的四个方面：亮度、对比度、饱和度和色调。
练习：
1在不使用图像增广的情况下训练模型：train_with_data_aug(no_aug, no_aug)。比较使用和不使用图像增广的训练结果和测试精度。这个对比实验能支持图像增广可以减轻过拟合的论点吗？为什么？
2在基于CIFAR-10数据集的模型训练中结合多种不同的图像增广方法。它能提高测试准确性吗？
3参阅深度学习框架的在线文档。它还提供了哪些其他的图像增广方法？