关于训练代码中各Epoch是否应用不同数据增强的技术咨询

当前代码的行为 #

你现在的代码不会按Epoch切换不同的数据增强，所有Epoch的增强逻辑完全一致：

• 每次从train_dataset取数据时，会以50%的概率随机应用ColorJitter和GaussianBlur的组合（注意你代码里有个拼写错误：torchvision.transfroms应该是torchvision.transforms）；
• 不存在“第一个Epoch用高斯模糊、第二个用ColorJitter”的逻辑，所有Epoch都是随机触发同一组增强。

实现按Epoch切换数据增强的方法 #

要实现每个Epoch应用不同的数据增强，你可以在Epoch循环开始前，动态修改数据集的transform。以下是具体实现思路和代码示例：

步骤1：定义支持动态修改transform的数据集类 #

假设你的数据集类是自定义的，可以保留一个transform属性，方便后续修改：

class CustomDataset(Dataset):
    def __init__(self, data, transform=None):
        self.data = data
        self.transform = transform

    def __getitem__(self, idx):
        img = self.data[idx]
        if self.transform is not None:
            img = self.transform(img)
        return img

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

步骤2：在Epoch循环中动态切换transform #

在训练的Epoch循环里，根据当前epoch值，给数据集设置不同的transform：

# 初始化数据集
train_dataset = CustomDataset(你的训练数据)

for epoch in range(100):
    # 根据epoch设置不同的数据增强
    if epoch == 0:
        # 第一个Epoch仅用高斯模糊
        train_dataset.transform = torchvision.transforms.GaussianBlur(3,5)
    elif epoch == 1:
        # 第二个Epoch仅用ColorJitter
        train_dataset.transform = torchvision.transforms.ColorJitter(brightness=0.9, hue=0.3)
    else:
        # 后续Epoch可以自定义其他增强组合
        train_dataset.transform = torchvision.transforms.Compose([
            torchvision.transforms.ColorJitter(brightness=0.9, hue=0.3),
            torchvision.transforms.GaussianBlur(3,5)
        ])
    
    # 初始化DataLoader（若使用多进程加载，需每个Epoch重新创建，避免子进程缓存旧transform）
    train_loader = DataLoader(train_dataset, batch_size=32, shuffle=True)
    
    # 训练逻辑
    for i, data in enumerate(train_loader):
        # training code

注意事项 #

• 如果DataLoader使用了num_workers>0的多进程模式，必须在每个Epoch重新创建DataLoader，避免子进程缓存旧的transform配置；
• 可根据需求扩展逻辑，比如按固定周期循环不同增强策略，或随机分配不同增强组合给每个Epoch。

内容的提问来源于stack exchange，提问作者An Min Su