我正在处理一个图像像素分类问题，并使用数据增强（在Keras中）。

因此，我对图像块应用数据变换（旋转、翻转）。我的数据增强和训练CNN的代码如下所示。

datagen = ImageDataGenerator(    rotation_range=40,       horizontal_flip=True,    vertical_flip=True,)batch_size=16epochs=50# compile the modelmodel.compile(loss='categorical_crossentropy',          optimizer=Adam(),          metrics=['accuracy'])model_checkpoint = ModelCheckpoint('myweights.hdf5', monitor='val_acc', verbose=1, save_best_only=True, mode='max')callbacks_list = [plot_losses,model_checkpoint]history=model.fit_generator(datagen.flow(x_train, y_train, batch_size=batch_size),                    steps_per_epoch=x_train.shape[0] // batch_size,                    callbacks=callbacks_list,                    validation_data = datagen.flow(x_valid, y_valid, batch_size=batch_size),                    validation_steps=x_valid.shape[0] // batch_size,                    epochs = epochs, verbose = 1)

我的训练/验证准确率和损失图如下所示：

我可以看到准确率持续增加，损失持续下降，这是我们想要的结果。但是在20个epoch中进展非常缓慢。没有数据增强时，我的准确率增加得更快。

那么，为什么数据增强会导致学习过程如此缓慢（在20个epoch中，训练/验证准确率大约从48%增加到58%）？

我使用的是Adam优化器，它使用指数学习率衰减，所以我认为新的学习率调度不会有太大影响，除非我遗漏了什么。欢迎任何见解。

回答：

当使用数据增强时，模型训练速度变慢是预期行为。增强会翻转、旋转并一般性地变换图像以扩大我们的数据集。这是在CPU上完成的，速度比GPU慢。

我们使用数据增强不是为了速度，而是为了提高准确率。