Datenverstärkung ist eine wesentliche Technik zur Verbesserung der Generalisierungsfähigkeit von tiefen Lernmodellen. Kürzlich wurde AutoAugment als Algorithmus vorgeschlagen, um automatisch Augmentationsstrategien aus einem Datensatz zu suchen, und hat die Leistung auf vielen Bilderkennungsaufgaben erheblich verbessert. Allerdings erfordert seine Suchmethode selbst für einen relativ kleinen Datensatz Tausende von GPU-Stunden. In dieser Arbeit schlagen wir einen Algorithmus namens Fast AutoAugment vor, der effektive Augmentationsstrategien durch eine effizientere Suchstrategie basierend auf Dichteanpassung findet. Im Vergleich zu AutoAugment beschleunigt der vorgeschlagene Algorithmus die Suchzeit um mehrere Größenordnungen und erreicht vergleichbare Leistungen bei Bilderkennungsaufgaben mit verschiedenen Modellen und Datensätzen, einschließlich CIFAR-10, CIFAR-100, SVHN und ImageNet.