若增加訓練資料，則能夠提升演算法的準確率，因為這樣可以避免過擬合，更好地泛化；而避免了過擬合你就可以增大你的網路結構了。
  可以大量使用資料增廣。

1）幾何變換

  包括：彈性變換（Elastic Transform）、透視變換（Perspective Transform）、分段仿射變換（Piecewise Affine transforms）、枕形畸變（Pincushion Distortion）。

  a）隨機改變大小（resize）,隨機縮放、旋轉、翻轉

  b）從原始影象（256,256）中，隨機的crop出一些影象（224,224）
  作者說，不做隨機crop，大型網路基本都過擬合(under substantial overfitting)。
  先crop，後padding再resize，這樣輸入圖片會保持長寬比。我們做過類似的實驗，摳圖直接resize到輸入尺寸，這樣圖片會損失長寬比，結果會差一點。然後，我們會先做加入Random scales，把框進行隨機擴大或者縮小。

  c）水平/豎直翻轉，flip。mirror，即水平翻轉影象。

transform_param { 
# 測試的時候就不做映象了
    mirror: false
    crop_size: 227
    mean_file: ""ilsvrc12/imagenet_mean.binaryproto""
}

  d）Rotation變換/旋轉變換
  目前主流的處理方式rotate負30度到正30度，這次我們用的是負45度到正45度。這個Rotation一般來說會有提升但是不會很大，主要是用在一些比較極端的情況下，比如人是斜著的。
  在後面做實驗的時候，發現了另外一種思路：直接把人旋轉，檢測出人的頭，或某個部位之後，按照一定的角度把人轉正。

2）加噪聲

  對主成分做一個(0, 0.1)的高斯擾動。

3）PCA Jittering（顏色改變）

  最早是由Alex在他2012年贏得的ImageNet競賽的那篇NIPS中提出的。
  a）首先按照RGB三個顏色通道計算均值和標準差，對網路的輸入資料進行規範化，
  b）隨後我們在整個訓練集上計算了協方差矩陣，進行特徵分解，得到特徵向量和特徵值，用來做PCA Jittering。
  對RGB空間做PCA，然後對主成分做一個(0, 0.1)的高斯擾動。結果讓錯誤率又下降了1%。

4）對比度和亮度

  給影象增加一些隨機的光照；
  對比度受限自適應直方圖均衡化演算法（Clahe），銳化（Sharpen），凸點（Emboss）；

5）隨機色相、飽和度、明度（HSV）變換

6）彩圖到灰度轉換（Color to Gray）

7）將灰度圖重新對映到隨機顏色的影象中

8）模糊（Blur）、一般模糊（Median Blur）、非常模糊（Motion Blur）

9）通道重排

  由於資料的天然性，這一點非常重要

10）影象上細胞核的複製？

  這樣就創造了大量重疊的細胞核，似乎有助於網路更好地學到重疊細胞核的邊界。