一句话：数据增强（Data Augmentation）就是在不改变样本"含义"的前提下，对已有数据做各种变换，变出一批"新"样本去训练模型——靠变换扩样本，而不是靠重新标注。
打个比方：一张猫的照片，左右翻转、调亮一点、随机裁掉边角，像素全变了，但"这是一只猫"没变。让模型见过这些变体，它就不会只记住原图那一种样子，遇到角度、光线不同的猫也认得出。
常见招式
- 图像：翻转、旋转、裁剪、缩放、色彩抖动、加噪声、随机遮挡（Cutout）、把两张图按比例叠着混（Mixup）
- 文本：同义词替换、随机删除或插入词、句子重排、回译（译成另一种语言再译回来）
- 语音：变速、变调、叠加背景噪声、模拟不同房间的混响
- 表格与时序：加微小扰动、滑动窗口切分、时间轴抖动
它和几个"邻居"的区别
| 做法 | 数据从哪来 | 标签从哪来 | 主要目的 |
|---|---|---|---|
| 数据增强 | 变换已有样本 | 跟着变换走，通常不变 | 提升泛化、缓解小数据 |
| 数据标注 | 新采集或未标注数据 | 人工或半自动打 | 补上真实分布 |
| 合成数据 | 由生成模型或仿真从零造 | 一并生成 | 造出罕见场景 |
还有一个容易混的：正则化（Regularization）。AI 词典：Dropout">Dropout、权重衰减是"在模型上"防过拟合；数据增强是"在数据上"防过拟合，所以常被叫作数据端的正则化。
一条铁律：标签得跟着走
把一张写着"b"的图水平翻转，它就成"d"了。这时候增强不是在帮忙，是在教模型学错。所以每做一步变换都要问：语义变了吗？医疗影像左右翻转未必成立，文字识别不能做镜像，目标检测旋转之后检测框也得跟着转。增强策略要按任务来定，不能照搬别人的清单。
对从业者的实际意义
数据不够、类别不平衡、长尾类别只有几十条时，数据增强往往是性价比最高的一招：不用重新标注，改几行配置就能试。它算得上是"免费的涨点"手段之一，但也有边界——它只能把已有样本的邻域铺开，造不出模型从没见过的新模式，别指望它替代真实数据。强度也要调，变换太猛等于往训练集里灌噪声，验证集上的表现会告诉你过头没有。
对普通职场人的理解版本：同一个动作，换着姿势练一百遍，比死记一份标准答案更抗打。
具体到某个框架怎么实现、有哪些内置算子，以各项目官方文档为准。