企业官网建设流程全解析

做图像分类训练的朋友，多多少少都听过RandomResizedCrop224、RandAugment、Mixup/Cutmix、RandomErasing、LabelSmoothing这一串名字。它们几乎出现在每一篇分类模型训练配置里，但真正问起来，很多人只停留在“加了会提点”的层面。这篇东西我原本是给自己团队做内部培训用的，整理完发现内容够写一篇完整博文，干脆分享出来。我会把这些增强手段从原理到组合策略再到踩坑经验，系统地过一遍，适合刚入门的同学建立训练技巧的完整认知，也适合有经验的人对照检查自己的训练配置有没有不合理的地方。

我自己做图像分类项目的时间不短，从经典ResNet训到后来的Transformer系模型，数据增强这块反复调整过很多次。从最早的随机裁剪加水平翻转，到后来全套增强组合，这里面最深的体会是：增强手段没有绝对的好坏，只有合不合适的组合。很多开源库默认配置看起来功能强大，但直接搬到自己的任务上，有时反而掉点，关键在于理解每一项增强到底改变了什么信息、牺牲了什么信息。

1. 数据增广的本质：模型视角下的泛化与“数据幻觉”

很多人把数据增强理解为“增加样本数量”，这个说法没错但不够准确。真正有效的数据增广，是在不改变样本语义标签的前提下，扩大输入空间的覆盖范围，让模型学到更鲁棒的特征，而不是死记硬背特定的像素分布。

我习惯用一个更本质的框架去看增强问题：每一项增强操作，其实是在告诉模型“哪些变化不影响判断”。比如水平翻转是在说“左右颠倒不影响类别”，随机裁剪是在说“目标的位置偏移不影响类别”，颜色抖动是在说“亮度变化不影响类别”。模型通过增强学会了忽略这些变化，泛化能力自然就上来了。我在项目中经常用一组对照实验来说明这个问题：

这个视角非常重要，因为一旦你把增强理解为“信息维度的扩展”，就会明白一个关键逻辑：增强手段之间不是简单叠加的，它们在争夺同一个东西——模型有限的拟合能力。

1.1 增强与模型容量的匹配

小模型配大增强，训练根本收敛不动；大模型配小增强，又学不到足够泛化的特征。这里有一个我反复验证的经验：模型的参数量越大，对数据的“消化”能力越强，也越需要更强的增强来配合。ResNet-50这个级别的网络，全套增强基本能吃得下；但如果是轻量级模型（MobileNet系列），Mixup加RandomErasing同时上，loss下降会明显变慢，最终精度反而不如只用温和增强。

我见过不少同事把ImageNet上那套预设增强直接搬到自己的小数据集上用，结果验证集刷新了、测试集翻车了。原因不复杂：小数据集本身信息量就有限，增强一强，有效语义被过度的几何和颜色变换稀释，模型学不到稳定的类判别特征。

1.2 训练集之外的边界条件：验证与测试阶段

数据增强还牵涉一个常被忽略的边界问题：什么时候用增强，什么时候不用。训练阶段用增强是共识，但验证和测试阶段的做法也大有讲究。常规做法是单纯Resize到224或256再接CenterCrop，但这里容易踩坑——如果训练时RandomResizedCrop的尺度范围设置得很宽松，模型看到的“目标大小”与测试时CenterCrop得到的“目标大小”分布差异很大，在线指标会虚高。

更稳妥的做法是固定一个针对你自己任务统计出来的尺度范围。比如我们做过一个工业缺陷分类项目，缺陷在原始图像中占比通常不到20%，训练时RandomResizedCrop的scale下界就得调低到0.05左右，测试时也要按等比例resize而不是直接压到正方形。这类细节，教科书上不会写，但在真实项目里影响很大。

2. RandomResizedCrop224：尺度不变性与采样细节

RandomResizedCrop224在PyTorch里对应的就是torchvision.transforms.RandomResizedCrop(224)，参数包括scale和ratio。默认scale=(0.08, 1.0)，ratio=(0.75, 1.3333)，含义是先从图中随机裁剪一块面积占比在原图8%到100%之间的矩形，然后缩放到224x224。这套逻辑很巧妙：它同时模拟了目标尺度变化和宽高比变化。

2.1 scale和ratio的物理意义

很多教程会把scale和ratio一笔带过，但这两项参数直接决定了模型对尺度变化的鲁棒程度。ratio是宽高比范围，0.75到1.33对应的是从3:4到4:3的横向纵向拉伸，这个范围模拟了常见的视角变化。scale是裁剪面积占原图的比例，下限0.08意味着最小只能裁到原图的8%区域，缩放到224后，等效于模拟目标大小在原图中的约3.5倍变化范围。

这个参数在真实项目里往往需要单独调。比如人脸识别任务里，脸在整图中的占比通常较大，scale=(0.2, 1.0)会更合适；遥感目标检测里目标尺寸差异极大，scale范围可能需要放宽到(0.02, 1.0)。有一个快速验证方法：把所有训练图像的实际有效目标区域做一次面积分布统计，让scale范围覆盖这个分布的主体区间即可。

2.2 训练与测试的resize差异

RandomResizedCrop之后通常接一个224尺寸输出，但训练和测试阶段这里有个不对称点。训练时裁剪块的尺寸是随机的、内容占比也是随机的，模型学到的是“任意尺度的目标都能识别”。测试时如果你用CenterCrop，相当于固定只看中间区域，如果你用Resize再加CenterCrop，尺度分布和训练时是接近的。

我推荐的标准流程是：训练用RandomResizedCrop(224)+RandomHorizontalFlip，测试用Resize(256)+CenterCrop(224)。这个256的来源是经验值：以短边为基准把图resize到256，然后中心裁剪224，可以保留更多目标周围上下文，1.14倍的缩放比例被证明对大多数分类任务有稳定收益。少部分情况——比如目标是细粒度物体、周边干扰信息多——我会把测试resize尺寸改成目标短边的1.25倍再裁。

2.3 边角情况的坑

比较隐蔽的一个坑是：RandomResizedCrop在目标特别小时，会把目标裁掉，导致标签错配。默认scale下限0.08在ImageNet上没问题，但在医学图像或工业图像里，感兴趣区域往往只占很小一块，0.08下限会把大部分有效信息裁丢。

我自己踩过这个坑。某次做细胞显微图像分类，标注区域平均只占全图5%左右，训练时直接套默认参数，loss训不降。排查下来发现：模型反复看到“不带目标的裁剪块”，强行记忆也学不出有效特征。后来把scale下限调低到0.01后，训练曲线立刻正常。如果你的任务里目标占比本来就小，不要盲信默认值。

3. RandAugment：从“人工设计”进化为“随机组合”

RandAugment解决的问题很实际：早先的自动增强搜索方案（比如AutoAugment）是在数据集上搜索最优增强策略，效果好但搜索成本太高。RandAugment抛弃了“学习策略”这一步，用两个超参数控制整个增强强度：N（每次选几个操作）和M（操作强度）。每个操作从候选集合里均匀随机选取，这里有一个关键实现细节：候选集合里必须先移除那些会改变几何结构的操作——比如旋转、剪切、透视变换——除非你的任务本身对旋转方向不敏感。

3.1 N和M的协同效应

两个参数的语义完全不同：

• N控制增强操作的“数量叠加”，本质上是让模型承受的组合变换复杂度。
• M控制每个操作“施加的幅度”，本质上是单次变换的失真程度。

有趣的是这两者不是越大越好，它们的组合存在一个“甜点区”。以ImageNet训练为例，常见配置是N=2、M=9到10之间。N=1时增强多样性不足，N=3时操作叠加次数过多，图像可能被连续变换到偏离真实分布太远的位置。

我实测过一个规律，在大多数中等规模数据集上，M取5到15之间，曲线基本是先升后平缓下降，比较理想的是拐点前一个单位。

3.2 RandAugment与预处理的协调

使用RandAugment时，有个容易被忽视的问题：它和Normalization之间的顺序。标准流程是先把图像缩放到0-1区间，做RandAugment，再Normalize。如果先Normalize再做RandAugment，像“亮度调整”“对比度调整”这类操作的数值语义会被破坏——Normalize之后的像素均值为0、方差为1，直接做亮度加减和对比度缩放会引入偏差。

另一个细节是插值方式。RandAugment里很多操作（如旋转、缩放、平移）涉及重采样，torchvision默认用双线性插值，这没问题。但如果你的任务对细节特别敏感（医学影像、卫星图像），建议把插值方式统一为双三次，因为双线性在缩小操作时容易丢失高频细节。

3.3 什么时候不要用RandAugment

不是所有任务都适合RandAugment。我当时参与过一个文本图像识别项目，用RandAugment做了几次实验，加了之后精度几乎没变化，训练收敛却慢了不少。原因在于文本图像是弱颜色信息的任务，颜色抖动、锐化这类像素级操作对语义贡献为零，反而增加了学习难度。对于这类任务，应该从RandAugment操作集里剔除颜色类变换，只用几何类变换（旋转、缩放、平移、错切），同时调低M值。

这个原则也适用于其他任务：先把“与任务语义无关的扰动维度”识别出来，再决定操作集合和幅度。数据集的内容分布，直接决定哪些维度是鲁棒性目标、哪些维度是无效扰动。

4. Mixup与Cutmix：样本混合的两种哲学

Mixup和Cutmix是增强技术里的两个异类，因为前几项增强都只改动单张输入，混合类增强则直接“制造”新样本，把两张图合成一张、标签也随之线性混合。这类增强对模型的作用方式和传统增强完全不同，它教会模型在特征空间里做线性插值，把类别间的决策边界变得平滑。

4.1 Mixup原理与实现要点

Mixup的思路一句话概括：两张输入图像按像素加权叠加，标签也按同样的权重叠加。写成公式就是：

# 伪代码展示Mixup核心逻辑 lam = np.random.beta(alpha, alpha) # 采样混合系数 mixed_x = lam * x_i + (1 - lam) * x_j mixed_y = lam * y_i + (1 - lam) * y_j

这里的alpha是关键超参，控制的是Beta分布的形态。alpha=0.2是ImageNet上较常用的配置，此时Beta分布形状偏向于0或1，也就是说每次混合时，大概率是一张图占主导地位、另一张只占少量比例。alpha=1.0时，混合系数均匀分布，两张图平均贡献；alpha值越大，混合越“均匀”，训练后模型的决策边界越平滑，但也越难收敛。

实操中要特别当心排序。Mixup的batch shuffle逻辑是：当前batch的每个样本与另一个样本配对，这个配对样本通常通过打乱batch内样本顺序获得。如果你的框架里混用了DistributedSampler和Mixup，必须保证shuffle时各进程的随机种子对齐，否则不同进程间的样本索引会错乱，混合出来的是乱配对的图。这个问题非常隐蔽，不细看很难发现——我遇到过训练好几个epoch后才发现数据对配错了，白白浪费计算资源。

4.2 Cutmix的补丁式混合

Cutmix的思路可以这样理解：体素级地随机裁剪一块左上角坐标和宽高，把图A的这块区域用图B的对应区域贴片替换，标签则按被替换面积比例进行加权。实现时有一个反直觉的地方：

# 伪代码：Cutmix裁剪区域生成 cut_rat = np.sqrt(1. - lam) # 注意这里 w = int(img_w * cut_rat) h = int(img_h * cut_rat) # lambda越大，裁剪区域越小，这与直觉相反

因为Mixup公式里的lam表示“原图A占最终样本的面积比例”——剪掉的那块区域面积是1-lam，对应标签B的比例。所以lam越接近1，cutmix实际删掉的区域越小，标签中A的权重越大。

Cutmix相比Mixup的优势在于：保留了局部区域的原始纹理信息，模型仍能借助局部特征识别目标，不会因为全局像素叠加而看不清物体轮廓。在目标检测、实例分割这类像素级任务里，Cutmix也更实用，因为贴片区域内的语义是完整的。我自己在检测任务里用Cutmix就能直接提升小目标的AP值，而Mixup对检测任务的处理稍显复杂。

4.3 Mixup与Cutmix性能对比

我总结过一组实际的对比数据（在ResNet50、ImageNet子集上的实验）：

值得注意的是，Mixup和Cutmix并不互斥，两个可以按一定的batch比例交替使用。比如每个batch里随机决定用Mixup还是Cutmix，或者前50个epoch用Mixup、后50个epoch用Cutmix。有一个现象：Mixup对模型早期训练的稳定性有好处，因为它的全局混合让模型从“模糊语义”开始学起；Cutmix则在后期让模型学习更精细的局部判别，两者衔接往往效果不错。

4.4 Mixup/Cutmix的损失函数配合

混合类增强还带来一个损失函数层面的问题：混合样本的标签是软标签，那么常规的CrossEntropyLoss直接就能接吗？能，但有个细节建议。Mixup的标签虽然也是软标签，但它和LabelSmoothing产生的软标签性质不同——Mixup的软标签来自真实类别加权，有语义意义；LabelSmoothing的软标签是均匀分布，没有语义。

实际中不少人会把Mixup和LabelSmoothing同时开，结果模型收敛速度显著下降。原因是二者叠加后，“标签变得太软了”——模型从数据中学到的信号含混不清，优化方向变得犹豫。我更推荐二选一：想用Mixup就把LabelSmoothing关掉或把epsilon降到0.05；想用LabelSmoothing就别加Mixup，改用Cutmix，因为Cutmix的标签混合仍然保留了一个类别的主导地位（比值由裁剪面积决定），语义比全局加权混合更清晰。

5. RandomErasing：让模型学会“脑补被遮挡的物体”

RandomErasing的思路非常直观：在训练图像上随机选中一个矩形区域，把它用纯色填充或改成随机噪声，逼着模型不能依赖某一处局部特征做判断。这和Cutmix看似相似，但实际上有本质区别：Cutmix是“用另一张图的语义信息填充”，对模型来说那个区域仍然有内容可看；RandomErasing是“把这个区域直接变成无用信息”，模型必须学会不依赖它。

这个区别直接导致两者的适用场景差异：如果任务里被遮挡物体的周围上下文信息丰富，RandomErasing的效果很好；如果目标本身就很稀疏、被擦掉一块就基本没有判别信息，减分风险很高。

5.1 参数配置细节

RandomErasing的主要参数有四个：p（整张图执行Erasing的概率）、scale（擦除区域面积占比范围）、ratio（擦除区域的宽高比范围）、value（填充值，默认0表示纯黑填充，也可以传随机值）。

我常用的参考配置是：p=0.25~0.5、scale=(0.02, 0.33)、ratio=(0.3, 3.3)。scale上限0.33意味着最多擦掉原图三分之一。如果你把上限设到0.5，模型被迫学习在目标信息大量缺失的情况下判别，效果通常不会太好。这个直觉也容易理解——课堂测验里如果整道题都被涂掉一半，再聪明的学生也难猜出完整答案。

5.2 与Cutout的关系

需要提一下Cutout。RandomErasing从某种角度可以看作Cutout的“按概率版本”——Cutout是每次必做，RandomErasing有一定概率不做。在torchvision的旧版本里，Cutout已经被RandomErasing取代了。差异在于：Cutout每次训练都遮挡，可能对模型施加过强的扰动；RandomErasing给模型保留了“看到完整目标”的机会，更温和。

如果你的训练集很小（每类几百张），我的建议仍是打上RandomErasing而不是Cutout，理由是小数据集经不起每一次都把现有的有效信息抹掉一部分。但如果你在做人脸或ReID相关任务，遮挡本身就是测试时可能出现的真实情况，这类场景反而应该把p调高，甚至用Cutout，让模型对真实环境下的遮挡更鲁棒。

6. LabelSmoothing：软化one-hot标签的数学解释

严格来说，LabelSmoothing不是数据增强，而是损失函数层面的“标签增强”。它把原本的one-hot硬标签做了一步平滑：

# LabelSmoothing核心：真实标签置信度被“稀释” q_i = y_onehot * (1 - epsilon) + epsilon / num_classes

如果一个数据集的标签一直以绝对置信度1.0出现，模型会被“训练成过度自信的分类型”——一旦遇到与训练分布略有偏移的输入，输出概率就会极端化，泛化能力受损。LabelSmoothing给每类都分了一点“保底概率”，相当于给模型预设了“我对这个类别不是100%确信”的先验。这和Mixup生成的软标签有本质不同：Mixup的软标签是数据驱动的（不同类按实际比例混合），LabelSmoothing的软标签是纯先验的（与数据内容无关）。

6.1 从KL散度视角理解效果

从损失函数角度看，CrossEntropyLoss的优化目标可以理解为让模型输出的分布逼近真实标签分布。当真实标签是one-hot，模型会把非目标类别的输出概率压到极小值，这会迫使最后一层神经元的logit变得非常大——只有这样才能让softmax输出接近0。大数值logit本身不是问题，但它在后续微调或蒸馏时会导致梯度不稳定和表示过度分离。

LabelSmoothing通过给非目标类别一个非零目标概率，变相限制了logit的膨胀。它在网络输出概率分布与平滑后标签分布之间做了KL散度优化，在数学上等价于：既让模型对齐类别信息，又保留一定的熵。所以它的作用不止于“提升泛化”，还有“稳定训练过程”的价值。

6.2 epsilon取值与训练阶数

epsilon的常规取值为0.1，即从真实类别的概率中扣掉0.1，平均分给所有类别（包括真实类别自己）。对于类别数特别多的任务（比如万类级别的商品识别），0.1的扰动会被稀释得比较厉害，这时候可以把epsilon调到0.2~0.3。反过来，如果类别数很少（比如2分类），0.1的平滑就相当显著，模型收敛会变慢，建议降到0.05。

我个人的经验是，LabelSmoothing说白了是一种“后期收益型”技巧：训练前期它的作用不明显，甚至略拖慢收敛；但训练后期它对泛化性能的提升非常扎实，普遍能带来0.2%~0.5%的精度提升。如果想兼得两者的好处，可以用一个简单的学习率warmup阶段开关：前10个epoch用普通CrossEntropy，之后开启LabelSmoothing，让模型先锁定大致的特征分布，再做标签平滑。这个改动代码量小，收益却扎实，它的道理相当于让模型先学清楚“什么是猫”，再教它“别对‘是猫’这件事太固执”。

7. 全套增强的串联策略与实际配置组合

到这里，五个技术点已经逐个拆过。接下来就是很多文章讲不透的关键环节：怎么把这一整套东西有序地组合起来。

7.1 增强手段的层次化分工

好的增强组合一定是有层次的，不是把所有操作简单堆叠。我习惯把五类操作分成三个层次：输入层（RandomResizedCrop）、语义保持的像素扰动层（RandAugment）、样本交互与标签软化层（Mixup/Cutmix、RandomErasing、LabelSmoothing）。每一层解决的问题不同，层与层之间不会互相干扰。

更具体地看，RandomErasing和Cutmix在“局部被破坏”这个维度上是重叠的，我很少两者同时高强度开启。比较常见的选择是：

7.2 一个消融实验的思路

组内几个项目做下来，我习惯在确定数据集后先跑一轮小规模的消融实验，用1/10的数据和1/4的训练轮数快速找到基线，再挑选收益最大的增强手段进行叠加。有一个参考思路：

1. 先跑基础增强（RandomResizedCrop+Flip）得到baseline；
2. 逐个叠加RandAugment、Mixup/Cutmix、RandomErasing，观察验证集精度的变化方向；
3. 对每个有效增益手段，用网格搜索摸一遍关键超参（RandAugment的N/M、Mixup的alpha、RandomErasing的p）；
4. 把筛选后的增强组合到一起，再对组合后的训练曲线做一次visualization，看loss是否稳定下降；
5. 最后固定配置，在完整数据上重新训练。

这个流程下来，基本不会出现盲目叠加导致掉点的问题。

7.3 一个可参考的最终配置

作为参考，这是我常用于ImageNet类数据集的一套基线配置：

# 训练阶段Transforms transform_train = A.Compose([ A.RandomResizedCrop(height=224, width=224, scale=(0.08, 1.0), ratio=(0.75, 1.3333)), A.HorizontalFlip(p=0.5), A.RandAugment(n=2, m=9), # 或使用torchvision的RandAugment(num_ops=2, magnitude=9) A.RandomErasing(p=0.25, scale=(0.02, 0.33), ratio=(0.3, 3.3)), ]) # 训练时额外启用Mixup/Cutmix mixup_fn = Mixup(mixup_alpha=0.2, cutmix_alpha=1.0, prob=0.5, switch_prob=0.5) # 在当前batch中，50%概率启用混合，且混合时50%概率选择Mixup、50%概率选择Cutmix # Loss criterion = LabelSmoothingCrossEntropy(epsilon=0.1)

这套配置练出来的模型在多个数据集上都具有稳定的泛化表现。当然这不是万能模板，但它足够作为新任务的起点，再根据具体情况进行修正。

8. 训练中的意外状况与长期经验

前面几节把原理和配置都梳理完了，这节专门写那些模型训练过程中容易出现的意外情况，以及我多次踩坑后沉淀下来的经验。

8.1 增强过强导致损失上升的处理思路

增强组合开满后，最典型的问题是loss曲线震荡，甚至前期不降反升。首先要排除的不是增强本身，而是学习率。增强强度增加会让有效数据分布变复杂，最优学习率往往比“无增强”时要低。所以遇到增强后loss不降，第一时间把学习率降低为原来的1/2再试。我把这个逻辑用大白话总结一下：增强把题变难了，你的步子就得变小，否则走不稳。

如果降低学习率后loss仍不稳定，再考虑减少增强强度。具体可以做一个梯度实验：固定其他参数，把RandAugment的M从10降到6、或把Mixup的alpha从0.2降到0.1。这样能准确找到是哪种增强超出了模型承受阈值。

8.2 增强与学习率调度

增强手段还有一个常被忽视的联动对象：学习率调度。SGD搭配CosineAnnealing时，前期的强增强配合较高的学习率反而容易震荡，我试过把cosine退火的warmup从5个epoch拉长到20个epoch，稳定性有显著改善。但如果用AdamW这类自适应优化器，对学习率没那么敏感，训练前期直接带增强也能稳住。调参时要记住这个联动因素，不要只盯着增强本身死磕。

8.3 长尾分布数据集的特别处理

类别数量极不均衡的长尾数据集上，增强策略需要单独设计。我的实践是：对样本量大的类别用标准增强，对样本量小的类别额外叠加增强（甚至做多复制）。小类别的有效样本太少，通过增强复制可以模拟出多样本的效果；大类别的增强可以适当降档，避免过度扰动来不及收敛。

有一个具体的比例供参考：每个batch中，头部类别的样本用基础随机裁剪加翻转，尾部类别额外叠加RandomErasing和RandAugment。这比全局统一增强能更有效缓解长尾过拟合。

8.4 关于TTA（测试时增强）

很多分类任务到了测试阶段还会做TTA，也就是对同一张测试图做多次增强预测，再把预测结果平均（通常是随机裁剪加翻转，做4到8次）。TTA的存在非常关键，但当随机裁剪被加入TTA时，有一个问题容易踩雷：测试增强与训练增强不一致，会让概率平均的结果扭曲。更合理的TTA组合是固定Resize+多次随机CenterCrop+Flip，也就是只在位置维度做TTA，不引入颜色等像素扰动。把训练侧的颜色增强也引入TTA，整体收益并不明显，还会增加推理耗时。

9. 从单技巧到工程化落地的一些心得

数据增强这块做到最后，拼的不只是理论理解，更是工程的精细度。有几个长期实战中沉淀下来的心得，我觉得值得单独分享。

第一个心得是：增强流程里一定要给每个操作留明确的标识开关。不要把各类增强逻辑写死在数据管线里。我见过太多项目为了省事把增强组合写成一长串Transform链，后期调参数时无从下手。正确的做法是训练脚本里通过配置项控制每个增强的开关和参数，这样A/B实验、消融实验都能快速做起来，不会因为改一行代码把整个管线弄崩。

第二个心得是：分布式训练下的增强一致性处理。用SyncBN时，增强操作如果对GPU卡敏感（例如随机种子没有对齐），会导致不同卡上的batch统计量不一致，BN表现异常。所以分布式场景下，每个worker的随机种子配置必须单独初始化，并且在使用shuffle sampler时确保跨epoch的索引逻辑可复现。

第三个心得：增强策略视作模型的一部分。我把增强组合和超参一起纳入模型版本管理。模型上线后如果效果漂移，除了检查数据分布，第一件事就是核对训练时用到的增强配置是否被误改。这在多人协作的项目里极其重要——有一次对比实验显示两个实验效果差异巨大，最后发现是两个分支的增强参数不一致导致的。

第四个心得有关于复现：数据增强的随机性必须在代码里显式管理。在训练脚本开头固定随机种子是大家都会做的事，但很少有人注意，像AugMix、RandAugment这类库内部还有自己的随机数生成器状态。如果这些库走了独立的random stream，即使全局种子固定，每次实验之间的增强序列仍可能不一致。严谨的做法是为增强库单独初始化一个RandomState对象，在整个训练循环里保持内部状态序列可复现。

最后一个心得倒是很轻松：当你对一套增强组合的每个参数都有了“改了它会有什么后果”的预期时，才算真正入门了。数据增强没有银弹，每一招都有它的作用边界和副作用区间，理解到这一层，再去看那些五花八门的开源配置，就会清晰很多——你能看出来每个配置为什么这样设、它针对什么任务做了什么样的取舍。把这些组合策略吃透，再回到自己的项目里做针对性设计，大概率会比直接抄开源配置跑出来的模型高出一截。