数据是深度学习的基础，高质量数据输入会在整个深度神经网络中起到积极作用。
数据处理流程：输入Tensor–数据处理–输入到神经网络模型–数据的加载–数据的迭代–数据的处理与增强。
数据处理流程 Load在网络训练和推理流程中，原始数据一般存储在磁盘或数据库中，需要首先通过数据加载步骤将其读取到内存空间，通过采样器sampier把一部分的数据加载到内存中，然后转换成神经网络模型需要的Tensor格式。
Transform上一步的数据输入到Transform模块，然后Transform模块对数据进行一系列的处理、变换和增强，如：打散、清洗等操作，将其映射到更加易于学习的特征空间。作用就是让数据更加丰富、提升数据泛化性。
Train处理之后的数据会输入到网络模型中，真正的开始进行训练。
为什么要对初始的数据集进行打散？
如果不打乱数据集，每次都输入同一批相同的数据，有可能导致网络模型出现过拟合的现象。
一般来说，batch_size参数是什么意思？
batch_size表示每一组包含的数据个数，比如加载的数据为图片集，为了加速运算，每次不是只计算一张图片，而是计算一堆图片，因此会对一堆数据进行打包，一次过塞进去到神经网络中。
实验中，如果数据太多会造成过拟合，数据太少网络模型训练不起来，训练精度不达标，这种情况应该怎么办？
进行数据增强：把当前数据变得更多，变得更宽，变得更广，让神经网络训练的时候拥有更多的数据。
比如现在数据集只有100张图片，对图片裁剪，把裁剪后的图片当作新的图片，那么图片数量就翻倍了。甚至，对图片进行变换颜色、增强噪声，100张图片可以源源不断地产生新的图片，拥有更多的数据进行训练。
