pytorch-randaugment

RandAugment 的非官方 PyTorch 重新实现。大部分代码源自 Fast AutoAugment。

简介

可以使用 RandAugment 直接针对感兴趣的数据集进行训练，无需单独的代理任务。只需调整两个超参数（N, M），即可获得与 AutoAugment 相当的性能。

安装

$ pip install git+https://github.com/ildoonet/pytorch-randaugment

使用方法

from torchvision.transforms import transforms
from RandAugment import RandAugment

transform_train = transforms.Compose([
    transforms.RandomCrop(32, padding=4),
    transforms.RandomHorizontalFlip(),
    transforms.ToTensor(),
    transforms.Normalize(_CIFAR_MEAN, _CIFAR_STD),
])

# 添加 RandAugment，并指定超参数 N 和 M
transform_train.transforms.insert(0, RandAugment(N, M))

实验

我们使用了论文中提到的相同超参数，并观察到与报告结果相似的效果。

你可以通过以下命令运行实验：

$ python RandAugment/train.py -c confs/wresnet28x10_cifar10_b256.yaml --save cifar10_wres28x10.pth

CIFAR-10 分类

模型	论文结果	我们的结果
Wide-ResNet 28x10	97.3	97.4
Shake26 2x96d	98.0	98.1
Pyramid272	98.5

CIFAR-100 分类

模型	论文结果	我们的结果
Wide-ResNet 28x10	83.3	83.3

SVHN 分类

模型	论文结果	我们的结果
Wide-ResNet 28x10	98.9	98.8

ImageNet 分类

在复现论文结果时，我遇到了一些困难。

问题：https://github.com/ildoonet/pytorch-randaugment/issues/9

模型	论文结果	我们的结果
ResNet-50	77.6 / 92.8	待完成
EfficientNet-B5	83.2 / 96.7	待完成
EfficientNet-B7	84.4 / 97.1	待完成

参考文献

• RandAugment：论文
• Fast AutoAugment：代码 论文

pytorch-randaugment 快速上手指南

环境准备

• 系统要求：Linux / macOS / Windows（需支持 PyTorch 的环境）
• 前置依赖：
  • Python 3.6+
  • PyTorch
  • torchvision
  • 其他常见深度学习依赖（如 numpy, PIL 等）

建议先确保已安装最新版本的 PyTorch。国内用户可使用清华或阿里镜像加速安装：

pip install torch torchvision -i https://pypi.tuna.tsinghua.edu.cn/simple

安装步骤

通过 pip 直接安装官方仓库版本：

pip install git+https://github.com/ildoonet/pytorch-randaugment

国内加速安装方案（推荐）： 若直接安装较慢，可先克隆代码再本地安装：

git clone https://github.com/ildoonet/pytorch-randaugment.git
cd pytorch-randaugment
pip install . -i https://pypi.tuna.tsinghua.edu.cn/simple

基本使用

RandAugment 可直接插入到 torchvision.transforms 流程中。只需设定两个超参数 N（变换次数）和 M（变换强度）。

以下是一个针对 CIFAR-10 数据集的最简使用示例：

from torchvision.transforms import transforms
from RandAugment import RandAugment

# 定义基础变换
transform_train = transforms.Compose([
    transforms.RandomCrop(32, padding=4),
    transforms.RandomHorizontalFlip(),
    transforms.ToTensor(),
    transforms.Normalize(_CIFAR_MEAN, _CIFAR_STD),
])

# 在变换链最前端插入 RandAugment
# N: 每次应用随机选择的变换数量
# M: 变换的幅度 (0-30)
N = 2
M = 9
transform_train.transforms.insert(0, RandAugment(N, M))

将 transform_train 应用于你的训练数据集即可开始使用 RandAugment 进行数据增强。