aug name

chapter_computer-vision/image-augmentation.md

@@ -114,11 +114,11 @@ show_images(gdata.vision.CIFAR10(train=True)[0:32][0], 4, 8, scale=0.8);
 为了在预测时得到确定的结果，我们通常只将图像增广应用在训练样本上，而不在预测时使用含随机操作的图像增广。在这里我们仅仅使用最简单的随机左右翻转。此外，我们使用`ToTensor`实例将小批量图像转成MXNet需要的格式，即形状为（批量大小，通道数，高，宽）、值域在0到1之间且类型为32位浮点数。
 
 ```{.python .input  n=33}
-flip_lr_augs = gdata.vision.transforms.Compose([
+flip_aug = gdata.vision.transforms.Compose([
     gdata.vision.transforms.RandomFlipLeftRight(),
     gdata.vision.transforms.ToTensor()])
 
-no_augs = gdata.vision.transforms.Compose([
+no_aug = gdata.vision.transforms.Compose([
     gdata.vision.transforms.ToTensor()])
 ```
 
@@ -236,13 +236,13 @@ def train_with_data_aug(train_augs, test_augs, lr=0.001):
 我们先观察使用了图像增广的结果。
 
 ```{.python .input  n=39}
-train_with_data_aug(flip_lr_augs, no_augs)
+train_with_data_aug(flip_aug, no_aug)
 ```
 
 作为对比，下面我们尝试不使用图像增广。
 
 ```{.python .input  n=40}
-train_with_data_aug(no_augs, no_augs)
+train_with_data_aug(no_aug, no_aug)
 ```
 
 可以看到，即使添加了简单的随机翻转也可能对训练产生一定的影响。图像增广通常会使训练准确率变低，但有可能提高测试准确率。它可以用来应对过拟合。