这完全取决于您的数据！

通常，增强越多，您的模型在训练期间暴露的情况就越多，因此在对看不见的数据进行测试时，它的鲁棒性就越高。

但是，例如，如果我们正在研究自动驾驶汽车的模型怎么办？使用vertical_flipjust 没有任何意义，因为汽车将（希望！）在车顶上行驶。

我建议从不增加任何内容开始，然后慢慢地一次添加一种可能性。例如，您记录了 80% 的准确度，没有任何增强。然后添加featurewise_normalizatiom并featurewise_std_normalization给您 85% 的准确度。然后添加horizontal_flip使您达到 90%。最后你尝试添加zca_whitening，然后你又回到了 86%。

反向方法也可能对您很有效，从打开所有增强参数开始并逐个删除它们。无论如何，这完全取决于您的具体问题和可用数据。 Keras 的 ImageDataGenerator 有很长的参数列表，因此考虑一下什么是有意义的可以为您节省大量时间。