[NEW] 【概述】《暗黑破壞神2：獄火重生》魔法使（法師）介紹：屬性加點、天賦技能、獨特裝備、BD流派 | 增強 性 能力 – Hongkong.xemloibaihat

魔法使是《暗黑破壞神2:獄火重生》中人氣最高的角色之一，而這更多是基於它與生俱來的超高機動性與爆炸元素（寒冰、火焰與閃電）傷害，甚至讓它成為「養家」職業最佳人選。如果你喜歡掌控魔法，那麼一定不要錯過這個職業。

瞭解魔法使（即為「法師」）

魔法使在D2R中擁有不俗的上下限，即便是裝備很差的情況下，依舊可以完成開荒與地獄難度MF任務。這個角色非常依賴於「施法速度」的裝備詞綴，更快的施放法術意味著可以在短時間打出更高DPS，除此之外快速使用「傳送術」可讓它在噩夢與地獄難度下減少被怪物打斷導致死亡的次數（施法速度也直接影響容錯率）。

功能性方面，魔法使的天賦技能「靜電力場」可以在普通難度下削弱對方血量至1%，噩夢難度為50%，地獄難度為33%；「傳送術」可讓其在地圖中反復橫跳，瞬間到達地圖任意位置；「冰封甲」可讓擊中魔法使的敵人瞬間凍結，在早期裝備未成形時能夠大幅提高容錯率；「暖流」可讓法力值回復速度提高。

輸出方面，「閃電新星」與「火球術」是游戲早期非常普遍的AOE清怪手段，效率極高；而到達24級時，玩家可以選擇使用「暴風雪」或「隕石術」作爲主要傷害技能，橫行于普通與噩夢難度。

閃電天賦技能則更爲要求裝備質量，是大後期法師一個出色的流派（俗稱BD）。

魔法使的缺點顯而易見，它的身板極其脆弱，相對要求玩家擁有一定操作技巧，甚至是走位。

由於魔法使擁有「超高機動性」與「部分流派不過渡依賴裝備」的特性，它依舊是開荒D2R離綫、綫上以及天梯賽季的首選開荒角色之一。

魔法使屬性

D2R中每個職業角色的屬性構成相同，均靠力量、敏捷、體能與能量來堆砌，每升一級別都會獲得5點屬性點數用來分配。魔法使一共擁有505點屬性點數。普遍情況下，力量與敏捷作爲佩戴裝備酌情增加，其餘將點數全部投放到體能，以求達到高血量。至於能量屬性則不需要過分投入（甚至是一點也不加），前、中、后期都擁有增加法力上限的裝備，且五花八門。

• 力量屬性作用，提供物理傷害與物理技能傷害，同時它也是佩戴某些裝備的屬性指標（例如某些武器/盾牌需要力量達到xx數值才能夠裝備）；
• 敏捷屬性作用，決定閃避、格擋與準確率（即爲命中率），同時它也是佩戴某些裝備的屬性指標；
• 體能屬性作用，它直接影響角色生命值上限、精力上限；
• 能量屬性作用，決定法力值上限，同時也會提高法系職業的法力恢復速度。

力量敏捷體能能量10251035魔法師初始屬性

基礎（初始）等級提升自動獲得每个屬性點數分配生命值40+1+2 精力74+1+1 法力35+2+2 D2R游戲機制采用「尾法」計算，即便是13.999也視爲13

魔法使重要詞綴及必要擋位

魔法師的重點屬性為「+%打擊恢復」、「+%施法速度」，打擊恢復的效果類似於「減少硬直」，當具備更高打擊恢復屬性值的魔法使被攻擊時，其效果是快速脫身，減少受到致命傷害的概率；施法速度則會提高使用法術的頻率，進而影響最終傷害，除此之外，「傳送術」的停留時間更短。

由於D2R依舊采用每秒25FPS引擎作爲底層技術，這使得更高「+%打擊恢復」與「+%施法速度」數值可以帶來幀數的縮減，魔法使可以通過特定的數值帶來速度「擋位」的提升。

魔法使的施法速度擋位：

施法速度數值09203763105200幀數13121110987動作7766554施法速度200時為最高，幀數與動作讓法師更爲迅捷

「閃電箭」與「連鎖閃電」的速度擋位：

更快的施法速度0715202335526378117194200幀數191817171615141413121111動作777666655544

打擊恢復擋位：

打擊恢复數值059142030426086142280幀數15141312111098765打擊恢復達到280點時，魔法使的硬直時間更短

魔法使天賦技能

魔法使的天賦技能樹為「寒冰」、「閃電」與「火焰」3種，每種天賦樹擁有10個技能，技能被分佈成6行，並且在角色6、12、18、24、30級時可用。當玩家每獲得一次等級提升後，系統會獎勵玩家1個天賦技能點，用來加強角色強度（注：每個角色擁有110個天賦技能點，其中98點來自等級提升，12點來自於遊戲任務）。

天賦技能為協同工作，舉例，我們每次為「火焰彈」投入天賦技能點時，都會讓「火球術」獲得傷害增強。所以你會看到很多d2r流派中將天賦技能點投入到「沒有必要的地方」，實際上，這是為主要技能提供傷害/效果增強。

魔法使重點裝備（獨特與套裝）

魔法使普通品质

名稱屬性

禍根之灰

雙手傷害: 1 – (7-8)(變動)
等級需求: 5
耐久度: 20
武器基本速度: [-10]

+50-60% 增強傷害 (變動)
150% 對不死系生物傷害
20% 增加攻擊速度
+30 法力
火焰抵抗 +50%
增加 4-6 火焰傷害
+5 火焰彈 (限法師)
+2 暖流(限法師)

海蛇之王

雙手傷害: 2 – (10-11)(變動)
 等級需求: 9
耐久度: 30
武器基本速度: [0]

+30-40% 增強傷害 (變動)
150% 對不死系生物傷害
+12 毒素傷害持續3秒
100% 偷取法力
-50% 目標防禦
+10 法力
毒素抵抗 +50%
-1 照亮範圍

拉扎魯斯的螺旋杖

雙手傷害: 4 – 12 
等級需求: 18
耐久度: 35
武器基本速度: [10]

150% 對不死系生物傷害
增加 1-28 閃電傷害
+1 法師技能等級
+2 閃電箭 (限法師)
+1 連鎖閃電 (限法師)
+3 靜電力場(限法師)
法力重生 43%
+15 精力
傷害減少 5
閃電抵抗 +75%

火精靈

雙手傷害: 6 – 13 
等級需求: 21
耐久度: 40
武器基本速度: [0]

150% 對不死系生物傷害
增加 15-32 火焰傷害
火焰抵抗 +30%
+2 火焰技能
+3 暖流 (限法師)
+2 火球術 (限法師)
+1 火牆術 (限法師)

鐵檢棒

雙手傷害: 24 – 56
等級需求: 28
耐久度: 50
武器基本速度: [20]

+100% 增強傷害
150% 對不死系生物傷害
50% 額外的攻擊準確率加成
20% 高速施法速度
+2 法師技能等級
+3 冰霜新星 (限法師)
+2 熾烈之徑 (限法師)
+2 閃電新星 (限法師)
+30 防禦

魔法使進階品質武器

名稱屬性

擺動剃刀

雙手傷害: 6 – 21 
等級需求: 28
力量需求: 18
耐久度: 20
武器基本速度: [-10]

150% 對不死系生物傷害
+1 所有技能等級
30% 高速施法速度
法術傷害減少 15
所有抗性 +50
+175 法力
+80 生命
攻擊者受到傷害 15

肋骨粉碎者

雙手傷害: (54-62) – (143-169) (變動)
 等級需求: 31
力量需求: 25
耐久度: 130
武器基本速度: [0]

+200-300% 增強傷害 (變動)
增加 30-65 傷害
150% 對不死系生物傷害
50% 造成壓碎性打擊機率
50% 增加攻擊速度
50% 快速再度攻擊
+100% 防禦強化
+100 防禦
+15 敏捷

五彩的怒氣

雙手傷害: 11 – 32 
等級需求: 35
力量需求: 25
耐久度: 35
武器基本速度: [10]

150% 對不死系生物傷害
20% 高速施法速度
+3 法師技能等級
增加生命值上限 20-25% (變動)
所有抗性 +20-40 (變動)
攻擊者受到閃電傷害 20
+1 冰寒專精 (限法師)
+1 閃電專精 (限法師)
+1 火焰專精 (限法師)

扭曲之矛

雙手傷害: 14 – 34 
等級需求: 39
力量需求: 25
耐久度: 40
武器基本速度: [0]

150% 對不死系生物傷害
忽視目標防禦
+250 對飛射性武器防禦
+3 法師技能等級
+3 能量護盾 (限法師)
+3 心靈傳動 (限法師)
+3 傳送術 (限法師)

骷髏收集者

雙手傷害: 24 – 58 
等級需求: 41
力量需求: 25
耐久度: 50
武器基本速度: [20]

150% 對不死系生物傷害
+20 法力在每殺死一名敵人後取得
增加法力上限 20%
+1-99% 更佳機率取得魔法物品 (依角色等級乘1)
+2 所有技能等級

魔法使精英品質武器

名稱屬性

安戴爾的智慧

雙手傷害: 83 – 93
須要等級: 66
須要的力量點數: 44
耐久度: 35
基本武器速度: [10]

+2-4 所有技能 (變動)
+45% 快速施展速度
+450-550 防禦 (變動)
+40-50 精力 (變動)
法術傷害減少 5-8 (變動)
+5% 轉為經驗值獲得
+50% 對不死生物的傷害

曼宋的教誨

雙手傷害: 83 – 99 
須要等級: 82
須要的力量點數: 34
耐久度: 26
基本武器速度: [20]

+5 所有技能
+30% 快速施展速度
-7-15% 對敵人雷電系抗性 (變動)
-7-15% 對敵人冰凍系抗性 (變動)
-7-15% 對敵人火焰系抗性 (變動)
法力恢復速度提高 10%
+50% 對不死生物的傷害

魔法使專用進階武器

名稱屬性

眼球

單手傷害: 18 – 42 
等級需求: 42
耐久度: 50(法師專用)

+3 法師技能
+5 法力在每殺死一名敵人之後取得
所有抗性 +20
25% 被擊中時施展等級 1 傳送
+30% 快速施展速度
+20 體力
+20 精力
+20% 防禦強化
50% 更加取得魔法裝備
50% 更加取得魔法裝備

塔拉夏的警惕之眼

（套裝）
傷害: 18 到 42 
需要等級: 65
耐久度: 50
武器基本速度: [10](限法師)

20% 快速施法速度
+77 法力
+57 生命
+10 精力
+1-2 閃電專精 (限法師) (變動)
+1-2 火焰專精 (限法師)(變動)
+1-2 冰寒專精 (限法師)(變動)

魔法使專用精英武器

名稱屬性

艾斯屈塔的脾氣

單手傷害: 18 – 50 
須要等級: 72
耐久度: 30(法師專用)

+1-3 法師技能等級(變動)
+40% 快速施展速度
+10-20% 對火焰技能傷害(變動)
+10-20% 對閃電系技能傷害 (變動)
+20-30 精力(變動)

死亡深度

單手傷害: 30 – 53 
須要等級 : 73
耐久度 : 50(法師專用)

+3 法師技能等級
+20% 快速施展速度
+15-30% 對冰凍技能傷害 (變動)
抗閃電 +25-40% (變動)
抗火 +25-40%(變動)

魔法使傭兵選擇

第二章沙漠傭兵是公認出色的輔助，AI效果佳。同時力量光環也可為法師帶來輸出提升，是一個不錯的搭配方案，這裡推薦它。當然，根據魔法使BD流派的不同，在選擇沙漠傭兵的光環也會有所改變，不過普遍還是會選擇自帶力量光環的沙漠傭兵，例如開荒法師、暴風雪法師、冰火雙修法師、閃電法師等。

傭兵前期裝備

初階符文武器「眼光」可用保證普通與惡夢難度輸出無壓力（並擁有高額恢復法力效果），頭盔屬性著重減傷、全抗，或是吸血，搭配+50%全抗的「煙霧」可提供不俗的生存能力。

武器頭盔盔甲符文裝備「眼光」
4凹槽長柄武器（鐮刀最佳，攻擊速度快）
Ral拉爾(8) + Tir特爾(3) + Tal塔爾(7) + Sol索爾(12)
屬性：

等級12-17冥思靈氣賦予 (變動)
+35% 高速施展速度
+200-260% 增強傷害 (變動)
+9 最小傷害
180-250% 額外攻擊準確率 (變動)
增加 5-30 火焰傷害
+75 毒素傷害於每5秒作用
+1-6 致命攻擊 (變動)
+5 所有屬性
+2 法力在每殺一個敵人後取得
23% 更佳機會取得魔法裝備

任意減少傷害/增加全抗/吸血頭盔
或使用符文裝備頭盔「天底」
2凹槽頭盔
Nef那夫(4)+Tir特爾(3)
屬性：

+50% 防禦強化
+10 防禦
+30 對飛射性武器防禦
等級13 魔影斗篷 (9 聚氣)
+2 法力在每殺死一名敵人之後取得
+5 力量
-33% 額外金錢從敵人身上取得
-3 照亮範圍

符文裝備「煙霧」
2凹槽盔甲
Nef那夫(4)+Lum盧姆(17)
屬性：

+75% 增加防禦
+280 對飛射性武器防禦
所有抗性+50%
20% 快速再度攻擊
等級 6 削弱 (18 聚氣)
+10 精力
-1 照亮範圍

傭兵中期裝備

中期階段需要開始為傭兵積攢底材（進階品質白色/灰色裝備），用來製作傷害更高的「眼光」，還有必備的「背信」，搭配吸血頭可大幅提升地獄難度下的生存能力。除此之外，暗金盔甲「都瑞爾之殼」與頭盔「吸血鬼的凝視」也是傭兵不錯的中期過渡裝備。

武器頭盔盔甲更高品質底材（白色或灰色4凹槽長柄武器）製作的「眼光」（如陰森鐮刀）
符文組合與屬性相同，只是基於底層材料的改變進而得到傷害提升套裝裝備「塔拉夏的赫拉迪姆之冠」
屬性：

擊中竊取10%法力
擊中竊取10%生命
+45防禦
+60生命
+30法力
+15所有抗性

符文裝備「背信」
3凹槽盔甲
Shael夏(13)+Thul書爾(10)+Lem藍姆(20)
屬性：

攻擊時有 5% 機會施展等級 15 能量消解
打擊時有 25% 機會施展等級 15 毒牙
+2 刺客技能
+45% 增加準確率
+20% 快速再度攻擊
抗寒 +30%
50% 額外金幣從怪物身上取得

後期最完美畢業裝備

「無限」擁有高概率施放連鎖閃電，圍繞元素傷害構建，輸出已經達到頂峰。爾無形「安頭」與1.5生命係數的「剛毅」可用將生存能力達到極致，只不這過極為「傷財」。

武器頭盔盔甲符文裝備「無限」
4凹槽長柄武器
Ber貝(30) + Mal馬爾(23) + Ber貝(30) + Ist伊斯特(24)
屬性：

50% 機率施展等級20連鎖閃電於殺敵之後
等級12信念靈氣賦予
+35% 高速跑步
+255-325% 增強傷害 (變動)
-45-55% 敵人電抗 (變動)
40% 機率壓碎打擊
防止怪物自療
+0-49 體力 (依角色等級乘0.5)
30% 更佳機會取得魔法裝備
等級 21 颶風裝甲 (30 聚氣)

暗金裝備「安達莉爾的面貌」（無形最佳）
屬性：

被擊中時有15%機率釋放等級15劇毒新星
+2所有技能
攻擊速度+20%
擊中竊取8%生命
100%+防禦強化
+27力量
毒素抗性上限+10%
火焰抗性-30%
毒素抗性+70%
等級3淬毒

符文裝備「剛毅」（800以上基礎防禦最佳）
4凹槽武器/盔甲
El艾爾(1) + Sol索爾(12) + Dol多爾(14) + Lo羅(28)
屬性：

打擊時20%機率產生15級寒冰裝甲
打擊有25%機率使怪物逃跑
25%高速施法速度
20% 致命攻擊
增加300%傷害
增加200%防禦
+50 攻擊準確率
+9 最小傷害值
+1-148 生命 (依角色等級乘1-1.5) (變動)
所有抗性 +25-30 (變動)
12% 傷害轉為法力
+1照亮範圍

如果你的傭兵經常死亡，請查看傭兵加血快捷鍵、使用技巧以及減傷bug內容。

魔法使流派（包含配裝、天賦技能加點與傭兵方案）構建指南（待）

最後，希望你在使用法師這個傳統《暗黑破壞神》職業時能夠披荊斬棘，收穫頗豐！

很多实际的项目，我们都难以有充足的数据来完成任务，要保证完美的完成任务，有两件事情需要做好：(1)寻找更多的数据。(2)充分利用已有的数据进行数据增强，今天就来说说数据增强。

作者 | 言有三

编辑 | 言有三

 

1 什么是数据增强？

数据增强也叫数据扩增，意思是在不实质性的增加数据的情况下，让有限的数据产生等价于更多数据的价值。

比如上图，第1列是原图，后面3列是对第1列作一些随机的裁剪、旋转操作得来。

每张图对于网络来说都是不同的输入，加上原图就将数据扩充到原来的10倍。假如我们输入网络的图片的分辨率大小是256×256，若采用随机裁剪成224×224的方式，那么一张图最多可以产生32×32张不同的图，数据量扩充将近1000倍。虽然许多的图相似度太高，实际的效果并不等价，但仅仅是这样简单的一个操作，效果已经非凡了。

如果再辅助其他的数据增强方法，将获得更好的多样性，这就是数据增强的本质。

数据增强可以分为，有监督的数据增强和无监督的数据增强方法。其中有监督的数据增强又可以分为单样本数据增强和多样本数据增强方法，无监督的数据增强分为生成新的数据和学习增强策略两个方向。

 

2 有监督的数据增强

有监督数据增强，即采用预设的数据变换规则，在已有数据的基础上进行数据的扩增，包含单样本数据增强和多样本数据增强，其中单样本又包括几何操作类，颜色变换类。

2.1. 单样本数据增强

所谓单样本数据增强，即增强一个样本的时候，全部围绕着该样本本身进行操作，包括几何变换类，颜色变换类等。

(1) 几何变换类

几何变换类即对图像进行几何变换，包括翻转，旋转，裁剪，变形，缩放等各类操作，下面展示其中的若干个操作。

水平翻转和垂直翻转

随机旋转

随机裁剪

变形缩放

翻转操作和旋转操作，对于那些对方向不敏感的任务，比如图像分类，都是很常见的操作，在caffe等框架中翻转对应的就是mirror操作。

翻转和旋转不改变图像的大小，而裁剪会改变图像的大小。通常在训练的时候会采用随机裁剪的方法，在测试的时候选择裁剪中间部分或者不裁剪。值得注意的是，在一些竞赛中进行模型测试时，一般都是裁剪输入的多个版本然后将结果进行融合，对预测的改进效果非常明显。

以上操作都不会产生失真，而缩放变形则是失真的。

很多的时候，网络的训练输入大小是固定的，但是数据集中的图像却大小不一，此时就可以选择上面的裁剪成固定大小输入或者缩放到网络的输入大小的方案，后者就会产生失真，通常效果比前者差。

(2) 颜色变换类

上面的几何变换类操作，没有改变图像本身的内容，它可能是选择了图像的一部分或者对像素进行了重分布。如果要改变图像本身的内容，就属于颜色变换类的数据增强了，常见的包括噪声、模糊、颜色变换、擦除、填充等等。

基于噪声的数据增强就是在原来的图片的基础上，随机叠加一些噪声，最常见的做法就是高斯噪声。更复杂一点的就是在面积大小可选定、位置随机的矩形区域上丢弃像素产生黑色矩形块，从而产生一些彩色噪声，以Coarse Dropout方法为代表，甚至还可以对图片上随机选取一块区域并擦除图像信息。

添加Coarse Dropout噪声

颜色变换的另一个重要变换是颜色扰动，就是在某一个颜色空间通过增加或减少某些颜色分量，或者更改颜色通道的顺序。

颜色扰动

还有一些颜色变换，本文就不再详述。

几何变换类，颜色变换类的数据增强方法细致数来还有非常多，推荐给大家一个git项目：

https://github.com/aleju/imgaug

预览一下它能完成的数据增强操作吧。

2.2. 多样本数据增强

不同于单样本数据增强，多样本数据增强方法利用多个样本来产生新的样本，下面介绍几种方法。

(1) SMOTE[1]

SMOTE即Synthetic Minority Over-sampling Technique方法，它是通过人工合成新样本来处理样本不平衡问题，从而提升分类器性能。

类不平衡现象是很常见的，它指的是数据集中各类别数量不近似相等。如果样本类别之间相差很大，会影响分类器的分类效果。假设小样本数据数量极少，如仅占总体的1%，则即使小样本被错误地全部识别为大样本，在经验风险最小化策略下的分类器识别准确率仍能达到99%，但由于没有学习到小样本的特征，实际分类效果就会很差。

SMOTE方法是基于插值的方法，它可以为小样本类合成新的样本，主要流程为：

第一步，定义好特征空间，将每个样本对应到特征空间中的某一点，根据样本不平衡比例确定好一个采样倍率N；

第二步，对每一个小样本类样本(x,y)，按欧氏距离找出K个最近邻样本，从中随机选取一个样本点，假设选择的近邻点为(xn,yn)。在特征空间中样本点与最近邻样本点的连线段上随机选取一点作为新样本点，满足以下公式：

第三步，重复以上的步骤，直到大、小样本数量平衡。

该方法的示意图如下。

在python中，SMOTE算法已经封装到了imbalanced-learn库中，如下图为算法实现的数据增强的实例，左图为原始数据特征空间图，右图为SMOTE算法处理后的特征空间图。

(2) SamplePairing[2]

SamplePairing方法的原理非常简单，从训练集中随机抽取两张图片分别经过基础数据增强操作(如随机翻转等)处理后经像素以取平均值的形式叠加合成一个新的样本，标签为原样本标签中的一种。这两张图片甚至不限制为同一类别，这种方法对于医学图像比较有效。

经SamplePairing处理后可使训练集的规模从N扩增到N×N。实验结果表明，因SamplePairing数据增强操作可能引入不同标签的训练样本，导致在各数据集上使用SamplePairing训练的误差明显增加，而在验证集上误差则有较大幅度降低。

尽管SamplePairing思路简单，性能上提升效果可观，符合奥卡姆剃刀原理，但遗憾的是可解释性不强。

(3) mixup[3]

mixup是Facebook人工智能研究院和MIT在“Beyond Empirical Risk Minimization”中提出的基于邻域风险最小化原则的数据增强方法，它使用线性插值得到新样本数据。

令(xn,yn)是插值生成的新数据，(xi,yi)和(xj,yj)是训练集随机选取的两个数据，则数据生成方式如下

λ的取指范围介于0到1。提出mixup方法的作者们做了丰富的实验，实验结果表明可以改进深度学习模型在ImageNet数据集、CIFAR数据集、语音数据集和表格数据集中的泛化误差，降低模型对已损坏标签的记忆，增强模型对对抗样本的鲁棒性和训练生成对抗网络的稳定性。

SMOTE，SamplePairing，mixup三者思路上有相同之处，都是试图将离散样本点连续化来拟合真实样本分布，不过所增加的样本点在特征空间中仍位于已知小样本点所围成的区域内。如果能够在给定范围之外适当插值，也许能实现更好的数据增强效果。

 

3 无监督的数据增强

无监督的数据增强方法包括两类：

(1) 通过模型学习数据的分布，随机生成与训练数据集分布一致的图片，代表方法GAN[4]。

(2) 通过模型，学习出适合当前任务的数据增强方法，代表方法AutoAugment[5]。

3.1 GAN

关于GAN(generative adversarial networks)，我们已经说的太多了。它包含两个网络，一个是生成网络，一个是对抗网络，基本原理如下：

(1) G是一个生成图片的网络，它接收随机的噪声z，通过噪声生成图片，记做G(z) 。

(2) D是一个判别网络，判别一张图片是不是“真实的”，即是真实的图片，还是由G生成的图片。

GAN的以假乱真能力就不多说了。

3.2 Autoaugmentation[5]

AutoAugment是Google提出的自动选择最优数据增强方案的研究，这是无监督数据增强的重要研究方向。它的基本思路是使用增强学习从数据本身寻找最佳图像变换策略，对于不同的任务学习不同的增强方法，流程如下：

(1) 准备16个常用的数据增强操作。

(2) 从16个中选择5个操作，随机产生使用该操作的概率和相应的幅度，将其称为一个sub-policy，一共产生5个sub-polices。

(3) 对训练过程中每一个batch的图片，随机采用5个sub-polices操作中的一种。

(4) 通过模型在验证集上的泛化能力来反馈，使用的优化方法是增强学习方法。

(5) 经过80~100个epoch后网络开始学习到有效的sub-policies。

(6) 之后串接这5个sub-policies，然后再进行最后的训练。

总的来说，就是学习已有数据增强的组合策略，对于门牌数字识别等任务，研究表明剪切和平移等几何变换能够获得最佳效果。

而对于ImageNet中的图像分类任务，AutoAugment学习到了不使用剪切，也不完全反转颜色，因为这些变换会导致图像失真。AutoAugment学习到的是侧重于微调颜色和色相分布。

除此之外还有一些数据增强方法，篇幅有限不做过多解读，请持续关注。

 

4 思考

数据增强的本质是为了增强模型的泛化能力，那它与其他的一些方法比如dropout，权重衰减有什么区别？

(1) 权重衰减，dropout，stochastic depth等方法，是专门设计来限制模型的有效容量的，用于减少过拟合，这一类是显式的正则化方法。研究表明这一类方法可以提高泛化能力，但并非必要，且能力有限，而且参数高度依赖于网络结构等因素。

(2) 数据增强则没有降低网络的容量，也不增加计算复杂度和调参工程量，是隐式的规整化方法。实际应用中更有意义，所以我们常说，数据至上。

我们总是在使用有限的数据来进行模型的训练，因此数据增强操作是不可缺少的一环。从研究人员手工定义数据增强操作，到基于无监督的方法生成数据和学习增强操作的组合，这仍然是一个开放的研究领域，感兴趣的同学可以自行了解更多。

参考文献

[1] Chawla N V, Bowyer K W, Hall L O, et al. SMOTE: synthetic minority over-sampling technique[J]. Journal of Artificial Intelligence Research, 2002, 16(1):321-357.

[2] Inoue H. Data Augmentation by Pairing Samples for Images Classification[J]. 2018.

[3] Zhang H, Cisse M, Dauphin Y N, et al. mixup: Beyond Empirical Risk Minimization[J]. 2017.

[4] Goodfellow I J, Pouget-Abadie J, Mirza M, et al. Generative Adversarial Networks[J]. Advances in Neural Information Processing Systems, 2014, 3:2672-2680.

[5] Cubuk E D, Zoph B, Mane D, et al. AutoAugment: Learning Augmentation Policies from Data.[J]. arXiv: Computer Vision and Pattern Recognition, 2018.

 

总结

我们总是在使用有限的数据来进行模型的训练，因此数据增强操作是不可缺少的一环。从研究人员手工定义数据增强操作，到基于无监督的方法生成数据和学习增强操作的组合，这仍然是一个开放的研究领域，感兴趣的同学可以自行了解更多。

想听视频课程？网易云等你来

转载文章请后台联系

侵权必究

技术交流请移步知识星球

感谢各位看官的耐心阅读，不足之处希望多多指教。后续内容将会不定期奉上，欢迎大家关注有三公众号 有三AI！