• 在深度學習中，我們經常會對資料進行陣列增廣操作，比如說左右翻轉，增加noise等操作。
• 但是，現在我們的輸入是一組影象是一個sample，那我們需要對這一組影象進行同樣的資料增廣操作，也就是說同一個sample之間的隨機性是不存在的，不同sample之間的隨機性是存在的。
• 實現方法參考下面的程式碼：

img = tf.ones([512, 512, 3], dtype=tf.float32)
seed = np.random.randint(1, 100)
brightness_image_tensor1 = tf.image.random_brightness(img, max_delta=
 
32. / 255., seed=seed)
brightness_image_tensor2 = tf.image.random_brightness(img, max_delta=32. / 255., seed=seed)
with tf.Session() as sess:
    # brightness_image1 = sess.run(brightness_image_tensor1)
    # print(np.sum(brightness_image1))
    for i in range(3):
        brightness_image1, brightness_image2 =
 
 sess.run([brightness_image_tensor1, brightness_image_tensor2])
        print(np.sum(brightness_image1), np.sum(brightness_image2))

我們可以看到上面程式碼的輸出是：

877246.6 877246.6
874782.06 874782.06
699716.2 699716.2

如果我們不指定seed，那麼他的輸出是

741118.3 716057.94
856578.1 827044.1
772722.1 848680.25

可以看到通過指定seed，我們可以讓一個sample內的多幅影象進行同樣的資料預處理操作。但是需要注意的是，brightness_image_tensor1和brightness_image_tensor2必須同時sess.run，也就是說他們必須執行同樣的次數，才可以達到上訴效果。