企业官网建设流程全解析

DANN 无监督域适应教程：从零跑通 PyTorch 域对抗训练

【免费下载链接】DANNpytorch implementation of Domain-Adversarial Training of Neural Networks项目地址: https://gitcode.com/gh_mirrors/da/DANN

DANN 是一个基于 PyTorch 1.0 实现的无监督领域自适应（domain adaptation）训练框架：它不需要目标域的任何标签，就能把源域上学到的分类能力迁移到新分布的数据上。本教程以官方的 MNIST 到 mnist_m 迁移示例为线索，带你先看懂原理，再完成环境配置、数据集准备和首次训练。跑通全流程只需要三条命令：克隆、解压、运行。

🔍 DANN 原理 3 分钟看懂：梯度反转层如何实现无监督域适应

先看问题：你有一个带标签的源域（MNIST 线条手写数字），还有一个目标域（mnist_m，彩色手写数字照片），两者分布不一致，而目标域没有标签，没法用常规监督方式直接训练。

DANN 的解法是域对抗训练：在网络里加一个域分类器，让它猜测特征来自源域还是目标域；同时用梯度反转层让特征提取器"欺骗"这个分类器——分类器越分不出来源，特征就越接近与域无关。

梯度反转层实现在 models/functions.py：正向传播时特征原样通过、数据不被改动，反向传播时取负梯度再乘以强度 α。这就像记账：付款时金额照实记一笔（正向不变），月底对账时却把这笔从"收入"改记到"支出"（反向翻号），数字没变，影响方向反了。α 不是常数，它随训练进度 p 按 S 曲线从接近 0 逐渐升到 2，即域适应压力前期轻、后期强。

结构上整体是双分支：特征提取器（两层卷积加批归一化与池化）的输出，一路送进类别分类器（10 个数字类别），另一路经梯度反转层送进域分类器（源/目标 2 类），三路损失相加后一起反向传播。

🚀 从零跑通 DANN：环境准备与 mnist_m 数据集配置

1. 准备环境：Python 2.7 加 PyTorch 1.0，可选 CUDA 加速。代码使用了 xrange、print 语句等 Python 2 语法，Python 3 无法运行。
2. 克隆仓库，然后进入 DANN 目录：

git clone https://gitcode.com/gh_mirrors/da/DANN

3. 配置数据集：源域 MNIST 会被代码自动下载，无需操作；目标域 mnist_m 需按 README 中的地址手动下载，放入 dataset 目录后在 mnist_m 子目录中解压：

cd dataset mkdir mnist_m cd mnist_m tar -zxvf mnist_m.tar.gz

解压后该目录内应包含 mnist_m_train、mnist_m_test 两个子目录和 mnist_m_train_labels.txt、mnist_m_test_labels.txt 两个标签文件。 4. 运行训练：

cd train && python main.py

控制台每个 batch 会打印 err_s_label（源域分类损失）与 err_s_domain、err_t_domain（两项域分类损失）；每轮结束模型保存为 models 下的 mnist_mnistm_model_epoch_N.pth，并评估两个数据集的准确率，随时可检查进度或从存档断点续训。

🎚️ 关键参数怎么调：学习率、批次与训练轮数调参建议

可调项集中在 train/main.py 顶部：

🧰 出错时先查这里：Python 版本与数据集配置

🧩 改造成你的场景：数据、结构与多领域

自定义数据集：改动 dataset/data_loader.py 中目标域的读取逻辑。GetLoader 从文本列表里读取每张图片的相对路径与标签，你只需按同样格式准备图片与列表文件；源域也可以在 main.py 中换成任意带标签数据集。

调整网络层：特征提取器与两个分类器都定义在 models/model.py，可增删卷积层与全连接层。注意类别分类器输入是 50×4×4，若改动特征层输出尺寸，需同步修改全连接层的输入维度。

扩展到多领域：当前域分类器输出 2 类，只区分源与目标。要支持 K 个领域，把它的最后一层改为 K 类，为每个领域分配独立标签，并在同一训练循环中并入各领域数据即可。

最快的上手路径是先跑通这个 MNIST 到 mnist_m 的示例：看 train/main.py 确认超参设置，读 models/functions.py 弄清梯度反转层的工作原理，之后换成自己的数据时从数据加载部分入手修改即可。

【免费下载链接】DANNpytorch implementation of Domain-Adversarial Training of Neural Networks项目地址: https://gitcode.com/gh_mirrors/da/DANN