在做深度学习时，我们时常感觉到数据量不足。那么，怎么增加数据量呢？很明显，数据增强是一个不错的方法。下面我们调研了数据增强的一般方法，供读者参考：
Color Jittering： 对颜色的数据增强： 图像亮度、 饱和度、 对比度变化（ 此处对色彩抖动的理解不知是否得当） ；
PCA Jittering： 首先按照 RGB 三个颜色通道计算均值和标准差， 再在整个训练集上计算协方差矩阵， 进行特征分解， 得到特征向量和特征值，用来做 PCA Jittering；
Random Scale： 尺度变换；
Random Crop： 采用随机图像差值方式， 对图像进行裁剪、 缩放；
Horizontal/Vertical Flip： 水平/垂直翻转；
Shift： 平移变换；
Rotation/Reflection： 旋转/仿射变换；
Noise： 高斯噪声、 模糊处理；
Label shuffle： 类别不平衡数据的增广。