在利用数据增强进行神经网络训练时，一个关键挑战是从大量候选操作中选择有效的增强策略。合理选择的增强策略可以显著提高模型的泛化能力；然而，诸如AutoAugment等最先进的方法对于普通用户来说计算成本过高，难以实现。本文介绍了一种新的数据增强算法——基于群体的数据增强（Population Based Augmentation, PBA），该算法生成的是非静态的增强策略调度，而不是固定的增强策略。我们证明了PBA能够在CIFAR-10、CIFAR-100和SVHN数据集上达到与AutoAugment相当的性能，而整体计算量却减少了三个数量级。在CIFAR-10数据集上，我们实现了1.46%的平均测试错误率，这略优于当前的最先进水平。PBA的代码已开源，并可在https://github.com/arcelien/pba 获取。