訓練時一切正常，上線卻分不清 b 和 d：
RandomHorizontalFlip 偷偷把字母換掉了

從 torchvision 套件裡，把 transforms（影像轉換工具）這個模組整個拿進來，之後用 transforms 這個名字叫它。

逐字拆解

這一行執行時發生什麼事

Python 會找到已安裝的 torchvision，把 transforms 模組載入記憶體（第一次 import torch 相關套件可能要一兩秒），然後在目前的程式裡建立一個名字 transforms，指向這個模組物件。

模組裡拿東西：transforms.X

之後的 transforms.Compose、transforms.ToTensor，意思都是「transforms 模組的 Compose 類別」。這行只是把貨架搬過來，還沒有做出任何物件。

新手常踩的坑

• 寫成 import torchvision.transform（少了 s）：模組名稱是複數 transforms，會出現 ModuleNotFoundError。
• 寫成 import torchvision.transforms.ToTensor：import 後面要接模組，ToTensor 是類別，要改用 from torchvision.transforms import ToTensor。
• 之後把變數也取名 transforms：例如 transforms = transforms.Compose([...])，模組的綽號就被流水線物件蓋掉了，下一次寫 transforms.ToTensor() 會出現 AttributeError: 'Compose' object has no attribute 'ToTensor'（本頁實測的錯誤訊息）。所以題目才用沒有 s 的 transform 當變數名。

用 Compose 做出一條影像加工生產線，線上依序放 4 台機器（第 4～7 行做出來的 4 個轉換物件）。做好後取名叫 transform。之後只要寫 transform(img)，圖片就會依序經過這 4 台機器。

逐字拆解

Compose 完整參數表

建立物件那一刻：__init__ 做了什麼

回想 §1 觀念 4 的精簡原始碼。transforms.Compose([a, b, c, d]) 執行時：

1. Python 先做出一個空的 Compose 物件。
2. 自動呼叫 __init__(self=那個新物件, transforms=[a, b, c, d])。
3. self.transforms = transforms：把 list 存到物件身上，變成它的屬性。
4. 建立完成，這個物件被貼上 transform 名牌。

注意 print 出來的內容：你只寫了 RandomRotation(15)，它卻印出 degrees=[-15.0, 15.0] 和三個你沒寫的參數。這就是「沒寫不代表沒有，沒寫的用預設值」，下面幾張卡會一個一個講。

呼叫 transform(img) 時的實況轉播

前三圈 img 一直是 PIL 圖片，只有第 4 圈之後才變成張量。這也是為什麼 ToTensor 通常放最後：前面的修圖都在 PIL 圖片上做完，最後再一次轉成數字。

Compose 物件身上有什麼方法

Compose 類別自己定義的就只有這三個（實測 Compose.__dict__）。它很單純：就是一個裝著 list、會依序跑 for 迴圈的物件。

新手常踩的坑

• 忘了方括號：transforms.Compose(a, b)。Compose 只收一個 list，實測會出現 TypeError: Compose.__init__() takes 2 positional arguments but 3 were given（2 個是 self 和 transforms，你卻給了 self＋2 個）。
• 以為第 3～8 行執行完圖片就處理好了：這幾行只是「把生產線組好」，一張圖都還沒碰到。要等 transform(img) 被呼叫才會真的動手。
• 順序放錯：例如把 Normalize 放在 ToTensor 前面，Normalize 收到 PIL 圖片，實測會出現 TypeError: img should be Tensor Image. Got <class 'PIL.Image.Image'>。

做一台「每次擲一次銅板」的翻轉機：每張圖進來，有 50% 機率被左右鏡像翻轉，50% 原樣放行。對貓狗照片沒問題，但對字母來說，b 翻過來就是 d。

逐字拆解

RandomHorizontalFlip 完整參數表

它就只有這一個參數（實測 signature：(p=0.5)）。

翻轉機的內部：forward 方法（torchvision 0.21 原始碼）

def forward(self, img):
    if torch.rand(1) < self.p:
        return F.hflip(img)
    return img

• torch.rand(1)：從 0～1 之間均勻抽一個亂數。抽到 0.31 → 小於 0.5 → 翻；抽到 0.73 → 不翻。所以長期來看剛好一半被翻。
• self.p：建立物件時存下的 0.5（屬性）。
• F.hflip(img)：真正動手翻的函式（F 是 torchvision.transforms.functional）。PIL 圖片會呼叫 Pillow 的 img.transpose(Image.FLIP_LEFT_RIGHT)；如果傳進來的是張量，則把最後一個維度（寬）倒過來。
• 沒翻的時候直接 return img，連複製都沒有，原封不動交出去。

因為它繼承 torch.nn.Module，所以 Compose 呼叫 t(img) 時會走「nn.Module 的 __call__ → forward」這條路（§1 觀念 5）。

為什麼它是禍首：字母方向就是答案

資料增強的前提是「變化後答案不變」。但 b 左右翻轉後就長成 d，標籤卻還寫著 b，因為 transform 只改圖片，完全不碰標籤。

那模型學到什麼？假設 b 和 d 一樣多。訓練時，模型看到的「b 形狀」圖片有兩種來源：沒被翻的真 b（標籤 b），以及被翻過來的 d（標籤 d）。兩種一樣多、長得一樣，模型能做到最好的就是回答「b 50%、d 50%」，跟擲銅板一樣。部署後遇到真實的 b，當然常常認錯。這就是選項 B 說的「以 50% 機率學到鏡像錯誤標籤」。

其他字母呢？像 a、e、k 翻過來變成現實中不存在的鏡像字，不會和別的字母搶標籤，但模型白白花力氣學了沒人會寫的字形。o、x 這類左右對稱的字母翻了也沒差。§4 的抽籤機可以三種都試試看。

新手常踩的坑

• 看到網路範例（多半是貓狗、CIFAR-10 這種一般物體）都加了水平翻轉，就照抄到文字、數字辨識上。翻轉適不適合，要看「翻完之後答案變不變」。
• 以為 p 是翻轉的「幅度」：p 是機率，翻就是整張完整鏡像，沒有翻一半這種事。
• 以為只影響 4 個字母、整體準確率還不錯就沒關係：這 4 個字母的準確率會掉到接近擲銅板，§4 會用數字算給你看。

做一台隨機旋轉機：每張圖進來，從 −15° 到 +15° 之間隨機抽一個角度，把圖轉過去。模擬「每個人寫字時紙張歪的角度不一樣」。

逐字拆解

degrees = 15 不是「轉 15 度」

給一個數字 15，torchvision 會在 __init__ 裡把它換成範圍 [-15.0, 15.0] 存起來。每次處理圖片時，再從這個範圍均勻地抽一個角度（原始碼：torch.empty(1).uniform_(degrees[0], degrees[1])）。所以可能轉 +3.2°、−11.7°、+14.9°，每次都不一樣。

• 正數 = 逆時針，負數 = 順時針（官方文件寫 counter-clockwise，本頁也實際轉了一張圖確認）。
• 也可以直接給範圍：RandomRotation((-5, 10)) 表示從 −5° 到 +10° 之間抽。

RandomRotation 完整參數表

fill=0 的小陷阱：白底的圖會長出黑角

EMNIST、MNIST 這類資料是黑底白字，背景本來就是 0，補黑色剛好看不出來。但如果你的資料是白底黑字，轉完四個角會出現黑色三角形。本頁實測：一張全白的 28×28 圖轉 15°，有 80 個像素變成 0。這時要改成 fill=255。§4 的抽籤機可以切到白底看看。

和選項 A 的關係

±15° 對手寫字其實是常見的溫和範圍：b 歪 15° 還是 b，不會變成 d。要讓 b 變成別的字母，得轉到接近 180°（b 變 q）。所以「角度太大」可能讓字有點變形，但解釋不了「錯誤剛好集中在 b/d/p/q」這個現象。

新手常踩的坑

• 寫 RandomRotation(-15) 想表示「往順時針轉」：單一數字必須是正數，實測會出現 ValueError: If degrees is a single number, it must be positive.
• 以為每張都轉 15 度：是從範圍裡隨機抽，抽到接近 0° 的機會和抽到 14° 一樣多。
• 數字辨識用太大的角度（例如 180）：6 和 9 會互換，和本題的 b/d 是同一類錯誤。

做一台隨機調光機：每張圖進來，從 0.7 倍到 1.3 倍之間抽一個亮度倍率，每個像素都乘上它。模擬「筆的深淺、掃描時光線不同」。

逐字拆解

ColorJitter 完整參數表

亮度倍率實際上怎麼改像素

對 PIL 圖片，torchvision 呼叫 Pillow 的 ImageEnhance.Brightness：每個像素乘上倍率，超過 255 的截在 255。本頁實測一排像素 [0, 128, 255]：

黑底永遠是 0，變的只有筆畫的深淺。字的形狀、方向完全沒動，b 怎麼調都還是 b。這就是選項 C 不成立的原因。

補充：ColorJitter 每次會用 torch.randperm(4) 隨機決定亮度、對比、飽和度、色相的處理順序。本題只開了亮度，順序沒有影響。

新手常踩的坑

• 以為 brightness=0.3 是「調暗 30%」：它是「在 0.7～1.3 倍之間隨機」，可能變暗也可能變亮。
• 給太大：brightness=1.5 實測會變成範圍 (0.0, 2.5)，倍率抽到接近 0 時整張圖幾乎全黑，等於餵模型一張空白圖。
• 給負數或 hue 超過 0.5：實測分別出現 ValueError: If brightness is a single number, it must be non negative. 和 hue values should be between (-0.5, 0.5)。

生產線最後一站：把 PIL 圖片換成 PyTorch 能計算的張量，把 0～255 的整數縮成 0.0～1.0 的小數，形狀排成「通道 × 高 × 寬」。

逐字拆解

ToTensor 完整參數表

它做了三件事

1. 換型別：PIL 圖片（或 NumPy 陣列）→ torch.Tensor，資料型別 float32。
2. 縮放數值：0～255 的整數 ÷ 255 → 0.0～1.0。例如 255 → 1.0、178 → 0.698、0 → 0.0。
3. 調整維度順序：圖片習慣的「高 × 寬 × 通道」(H×W×C) → PyTorch 習慣的「通道 × 高 × 寬」(C×H×W)。灰階圖只有 1 個通道channel：每個像素有幾個數字。灰階 1 個（亮度），彩色 RGB 有 3 個（紅、綠、藍）。，所以 28×28 的灰階圖變成 [1, 28, 28]；彩色 28×28 會變成 [3, 28, 28]。

和其他轉換不一樣的地方：它不是 nn.Module

ToTensor 的繼承關係是 ToTensor → object，邏輯直接寫在 __call__，原始碼只有一行：return F.to_tensor(pic)。官方文件也註明它不支援 TorchScript。

選項 D：ToTensor 一定要放在幾何變換前面嗎？

不用。翻轉、旋轉、調亮度都能直接處理 PIL 圖片，所以傳統寫法是「先在 PIL 圖上修完，最後 ToTensor」。而且舊版 transforms 的這幾個轉換也能處理張量，本頁實測把 ToTensor 改放第一個，整條線照樣跑得動、輸出一樣是 [1, 28, 28]。順序的硬性規定只有一條：需要張量的轉換（例如 Normalize）要放在 ToTensor 後面。所以 D「必須放在所有幾何變換之前」是錯的，而且就算換順序，b 被翻成 d 的問題也不會消失。

from torchvision.transforms import v2
to_tensor = v2.Compose([
    v2.ToImage(),                           # PIL 圖片 → 影像張量（uint8，還是 0~255）
    v2.ToDtype(torch.float32, scale=True),  # 轉成 float32，scale=True 才會 ÷255 變 0~1
])

新手常踩的坑

• 忘了括號寫成 transforms.ToTensor：list 裡放的變成「類別」，Compose 執行 t(img) 時等於在建立物件，實測錯誤是 TypeError: ToTensor.__init__() takes 1 positional argument but 2 were given。
• 對已經是張量的東西再 ToTensor 一次：實測 TypeError: pic should be PIL Image or ndarray. Got <class 'torch.Tensor'>。
• 以為所有輸入都會 ÷255：只有 uint8（0～255 整數）的圖會縮放；如果餵 float 型別的 NumPy 陣列，實測 255.0 進去還是 255.0 出來。
• 想保留 0～255 整數，要用另一個類別 PILToTensor()（實測輸出 uint8、最大 255）。

第 3～8 行只是「組好一條生產線」。真正開工是在訓練時：資料集每取出一張圖，就呼叫一次 transform(img)，而且每次都重新擲骰子。資料不會因此變多，但同一張圖每個 epoch 看起來都不一樣。

transform 交給 Dataset 保管（示意，不必執行）

import torchvision
from torch.utils.data import DataLoader

train_set = torchvision.datasets.EMNIST(
    root='data', split='letters', train=True,
    download=True, transform=transform)          # ← 把整條生產線交給資料集
loader = DataLoader(train_set, batch_size=64, shuffle=True)

for x, y in loader:      # 每一圈取 64 張，每張都在這時才跑 transform
    ...                  # x: [64, 1, 28, 28]，y: 64 個標籤

EMNIST 的 signature 是 (root, split, **kwargs)，train、download、transform、target_transform 這幾個是透過 **kwargs 轉交給它的父類別 MNIST（實測 MNIST 的 signature 確認了上面的預設值）。letters 分割把大小寫合併成 26 類，類別清單實測是 ['N/A', 'a', 'b', …, 'z']，所以標籤是 1～26（b = 2、d = 4）。

Dataset 取一張圖時，transform 在這裡被呼叫

EMNIST 繼承自 MNIST，取第 i 張圖時跑的是 MNIST 的 __getitem__（torchvision 0.21 原始碼節錄）：

def __getitem__(self, index):
    img, target = self.data[index], int(self.targets[index])
    img = Image.fromarray(img.numpy(), mode="L")     # 先變成 PIL 灰階圖
    if self.transform is not None:
        img = self.transform(img)                    # ← 呼叫 Compose.__call__
    if self.target_transform is not None:
        target = self.target_transform(target)
    return img, target

看到了嗎？self.transform 就是你交給它的 Compose 物件，self.transform(img) 就是觀念 5 講的「像函式一樣呼叫物件」。而標籤 target 走的是另一條路，和圖片怎麼被翻轉完全無關。

即時（on-the-fly）隨機：資料不會變多，但每次都不一樣

• 資料增強不會先把資料集複製成好幾倍存起來。10 萬張的資料集，每個 epoch 還是看 10 萬次。
• 但每次取圖都重新抽亂數，所以第 1 個 epoch 的第 0 張可能是「翻轉＋轉 7°」，第 2 個 epoch 變成「沒翻＋轉 −12°」。等於每個 epoch 都看到一份新的版本。
• 這也代表：翻轉造成的「圖文不符」不是只發生一次，而是每個 epoch 都有約一半的 b/d/p/q 被教錯，模型永遠擺脫不了。§4 的動畫 3 用 4 個 epoch 演給你看。

驗證集要用另一條「不隨機」的生產線

val_transform = transforms.Compose([
    transforms.ToTensor(),
    transforms.Normalize((0.5,), (0.5,)),   # 選用：0~1 → -1~1
])
val_set = torchvision.datasets.EMNIST(root='data', split='letters', train=False,
                                      download=True, transform=val_transform)

驗證和測試是在模擬「真實上線的情況」，不應該加隨機變化，同一張圖每次評估都該得到一樣的分數（實測 val_transform 對同一張圖跑兩次，結果完全相同）。完整修正版在 §5。

新手常踩的坑

• 訓練集和驗證集共用同一個 transform：驗證集也被隨機翻轉，分數會忽高忽低，而且和上線時的真實分布不同。
• 以為「加了增強資料就變多」，於是把 epoch 數調少：每個 epoch 的筆數沒變，只是內容每次不同。
• 以為圖翻了標籤會自動跟著改：transform 只碰圖片。要改標籤得自己寫 target_transform 或自訂 Dataset，而且得知道「翻轉後該變成哪個字母」，非常麻煩，直接不要翻最單純。