深度学习训练集添加噪音

深度学习是目前最火热的技术，它拥有着强大的表达和预测能力。为了获得更加准确的预测结果，我们需要更加丰富的数据集来训练模型。如果训练集数据较少，那么我们可以通过添加噪音的方式来扩充数据集，提高深度学习的准确度。

深度学习的应用非常广泛，例如图像分类、人脸识别、自然语言处理、语音识别等领域，这些应用都需要大量的数据集进行训练。而且数据集越大，训练出来的模型越准确。但是现实情况是，我们往往难以获得大量高质量的数据集进行训练。这时候，我们就需要使用一些技巧来扩充数据集。

添加噪音是一种很常见的数据增强手段，它是通过随机向训练数据中添加一些外来的噪音或者扭曲，引入一些不确定的因素，以获得更加鲁棒的训练模型。噪音可以是随机的，例如椒盐噪声、高斯噪声等，也可以是一些随机变换的结果，例如平移、旋转、缩放等。

下面，我们以图像分类任务为例，来介绍如何使用噪音来扩充数据集。

首先，我们需要导入一些必要的库，包括numpy、cv2和matplotlib：

import cv2
import numpy as np
import matplotlib.pyplot as plt

然后，我们定义一个函数，用于向图像中添加椒盐噪声：

def add_salt_pepper_noise(img, noise_ratio=0.05):
    h, w = img.shape
    mask = np.random.choice((0, 1, 2), size=(h, w), p=[noise_ratio / 2.0, noise_ratio / 2.0, 1 - noise_ratio])
    mask = np.uint8(mask)
    salt = mask & 1
    pepper = (mask >> 1) & 1
    img