扩充训练数据集已被证明能够提升多种计算机视觉任务的学习效果。理想的增强方法应生成具有更高变异性的同时，仍保持原始数据集统计特性的增强数据集。一些方法，如AutoAugment和Fast AutoAugment，引入了搜索阶段，以针对特定模型和数据集寻找一组合适的增强策略。然而，这一过程带来了巨大的计算开销，耗时可达数千GPU小时。近期提出的RandAugment通过用少量超参数近似搜索空间，显著加速了搜索过程，但仍需付出不可忽视的调参成本。本文在假设增强空间近似满足分布不变性（distribution invariance）的前提下，证明了在连续增强变换空间中进行均匀采样，即可训练出高效性能的模型。基于这一发现，我们提出UniformAugment——一种全自动数据增强方法，完全避免了搜索阶段。除了阐述支撑该方法的理论基础外，我们还通过标准图像分类数据集和成熟模型的实验，验证了UniformAugment在性能上可与前述方法相媲美，同时因其无需任何搜索过程，展现出极高的计算效率。