如果独立完成，那么它是正确的。

但是应用增强时的另一个目标是具有随机性。
这是通过一起应用多种增强技术来实现的。
从这个意义上说，这两个也可以变得有效。

例如，这是一个缩放图像，添加垂直移位可以进一步裁剪图像并最终产生一个新的（随机）图像

$\hspace{2cm}$

由于 CNN 是平移不变的，那么 Keras 的平移转换不是没用的，因为这些转换不会产生新的图像吗？

翻译不变性意味着如果我们翻译输入，CNN 仍然能够检测到输入所属的类别。平移不变性是池化操作的结果。在池化操作中，我们将卷积网络在某个位置的输出替换为附近输出的汇总统计信息，例如 Max Pooling 情况下的最大值。与最大池化的情况一样，我们将输出替换为最大值，因此即使我们稍微调整输入，也不会影响大多数池化输出的值。

最大池化的主要问题是网络无法学习不同特征之间的空间关系，因此如果所有特征相对于彼此出现在错误的位置，则会给出误报。这发生在我们需要位置的图像分割等案例中。

因此，数据增强可以方便地处理图像中的严重失真，并在我们拥有较少图像时使模型对这些失真更加鲁棒。

参考： 平移不变性