共计 4659 个字符，预计需要花费 12 分钟才能阅读完成。
域适应简介
域适应是迁徙学习中最常见的问题之一，域不同但工作雷同，且源域数据有标签，指标域数据没有标签或者很少数据有标签。
域适应通过将源域和指标域的特色投影到类似的特色空间，这样就能够拿源域的分类器对指标域进行分类了
上面拿二分类做阐明，如下图：
图中红圈是源域，蓝圈是指标域，圆圈和叉是不同特色的数据，源域的分类器将源域的数据分为两类，即虚线所示。
此时如果拿源域的分类器在指标域上分类，从图中能够看到，成果很差。
那怎么办呢，有一种办法就是把源域和指标域的散布对齐，如图片左边所示，源域指标域的散布类似（即类似特色的数据分布在相近的地位），这样就能够间接拿源域的分类器对指标域进行分类了。
训练过程域反抗生成网络 GAN 类似
同时训练两个模型：一个用来提取指标域特色 MT，和一个用来判断特色来自源域还是指标域的域分别器 D，MT 的训练过程是最大化 D 产生谬误的过程，即 MT 提取的特色让 D 分辨不进去是来自源域还是指标域。
指标域特征提取器 MT 和域判断器 D 互为对手：D 学习去判断特色是来自源域还是指标域，MT 学习让本人提取的特色更靠近源域提取出的特色。指标域特征提取器 MT 能够被认为是一个伪造团队，试图产生假货并在不被发现的状况下应用它，而域判断器 D 相似于警察，试图检测假币。在这个游戏中的竞争驱使两个团队改良他们的办法，直到真假难分为止。
对抗性域适应
数据的选取
为了成果好，训练简略，我选取 mnist 数据集中 0、1 的数据作为源域，2、3 的数据作为指标域。源域和指标域的数据各 10000 个。
在训练时，源域可取得数据和标签，而指标域只能取得数据，没有标签，来模仿域适应的背景。指标域的标签仅在测试精度时应用。
网络
1. 源域特征提取器 MS、指标域特征提取器 MT。所谓特征提取器，实际上就是将辨认 mnist 的网络去掉最初一层分类层。
(encoder): Sequential ((0): Conv2d(1, 32, kernel_size=(5, 5), stride=(1, 1))
(1): MaxPool2d (size=(2, 2), stride=(2, 2), dilation=(1, 1))
(2): ReLU ()
(3): Conv2d(32, 64, kernel_size=(5, 5), stride=(1, 1))
(4): MaxPool2d (size=(2, 2), stride=(2, 2), dilation=(1, 1))
(5): ReLU ())
(fc1): Linear (64 * 4 * 4 -> 512)把这个网络的输入看作是提取出的特色
2. 分类器 C。理论就是辨认 mnist 的网络最初一层分类层，一个简略的全连贯网络。
Classifier ((fc2): Linear (512 -> 2)
)3. 域识别器 D。依据特征提取器的输入来判断数据来自源域还是指标域，输入 0 代表来自源域，输入 1 代表来自指标域。
Discriminator ((layer): Sequential ((0): Linear (512 -> 512)
(1): Linear (512 -> 512)
(2): Linear (512 -> 2)
))
训练过程
训练 MS、C
首先，在源域上训练特征提取器 MS 和分类器 C
训练过程和个别训练过程类似，只不过把整个网络分成了两局部来训练、优化。
def train_MS_C(loader_ms):
# 模型
MS = Encoder()
C = Classifier()
# 优化器
o_ms = optim.SGD(MS.parameters(), lr=0.03)
o_c = optim.SGD(C.parameters(), lr=0.03)
criterion = nn.CrossEntropyLoss() # 计算损失
for j in range(1):
print(j)
# 训练
for i, (images, labels) in enumerate(loader_ms):
o_ms.zero_grad()
o_c.zero_grad()
outputs_mid = MS(images)
outputs = C(outputs_mid)
loss = criterion(outputs, labels)
loss.backward()
o_ms.step() # 优化参数
o_c.step()
if i % 100 == 0:
print(i)
print('current loss : %.5f' % loss.data.item())
# 保留模型
np.save(params.MS_save_dir, MS.get_w())
np.save(params.C_save_dir, C.get_w())训练实现后，在源域的精确度为 0.9985
如果间接拿源域的特征提取器和分类器对指标域进行分类的话，精确度只有 0.5840
固定 MS 和 C，训练 MT 和 D
接着，固定 MS 和 C 不变，即不扭转它们的网络权重，在源域和指标域上反抗式学习指标域特征提取器 MT 和域识别器 D
1. 用 MS 初始化 MT，这样开始指标域会取得一个不错的精度 0.5840，接着在这个根底上训练，更容易收敛到好的方向，并且收敛过程也快了。
MT.update_w(np.load(params.MS_save_dir, encoding='bytes', allow_pickle=True).item())
def train_MT_D(loader_ms, loader_mt):
# 模型
MS = Encoder()
MT = Encoder()
D = Discriminator()
# 加载模型
MS.update_w(np.load(params.MS_save_dir, encoding='bytes', allow_pickle=True).item())
if params.first_train:
params.first_train = False
# 第一次训练
# MT 用 MS 的权重初始化
MT.update_w(np.load(params.MS_save_dir, encoding='bytes', allow_pickle=True).item())
else:
MT.update_w(np.load(params.MT_save_dir, encoding='bytes', allow_pickle=True).item())
D.update_w(np.load(params.D_save_dir, encoding='bytes', allow_pickle=True).item())
# 优化器
o_mt = optim.SGD(MT.parameters(), lr=0.00001)
o_d = optim.SGD(D.parameters(), lr=0.00001)
criterion = nn.CrossEntropyLoss() # 计算损失
# 训练
for j in range(1):
print(j)
# 训练 D 域分别器
data_zip = zip(loader_ms, loader_mt)
for i, ((images_s, labels_s), (images_t, labels_t)) in enumerate(data_zip):
################ 对域分别器 D 的训练
# 提取的特色
f_s = MS(images_s)
f_t = MT(images_t)
f_cat = torch.cat((f_s, f_t), 0)
# 域分别器分别后果
out_D = D(f_cat.detach())
predicts_D = torch.max(out_D.data, 1)[1]
if i == 0:
print('域分别器的分别后果')
print(predicts_D)
# 结构损失比照用的标签
len_s = len(labels_s)
len_t = len(labels_t)
temp1 = torch.zeros(len_s)
temp2 = torch.ones(len_t)
lab_D = torch.cat((temp1, temp2), 0).long()
# 梯度置 0
o_d.zero_grad()
# 计算 loss
loss_D = criterion(out_D, lab_D)
# 反向流传
loss_D.backward()
# 优化网络
o_d.step()
############################## 对指标域特征提取器 MT 的训练
# 提取的特色
f_t = MT(images_t)
# 域分别器分别后果
d_t = D(f_t)
# 结构计算损失的 outputs、labels
out_MT = d_t
predicts_MT = torch.max(out_MT.data, 1)[1]
lab_MT = torch.zeros(len_t).long()
# 梯度置 0
o_mt.zero_grad()
# 计算 loss
loss_MT = criterion(out_MT, lab_MT)
# 反向流传
loss_MT.backward()
# 优化网络
o_mt.step()
if i % 100 == 0:
print(i)
print('current loss_D : %.5f' % loss_D.data.item())
print('current loss_MT : %.5f' % loss_MT.data.item())
# 保留模型
np.save(params.MT_save_dir, MT.get_w())
np.save(params.D_save_dir, D.get_w())用 MT 和 C 在指标域上分类
最初用训练好的指标域特征提取器 MT 和分类器 C 来在指标域上分类
def test_MT_C(loader_mt):
MT = Encoder()
C = Classifier()
# 加载模型
MT.update_w(np.load(params.MT_save_dir, encoding='bytes', allow_pickle=True).item())
C.update_w(np.load(params.C_save_dir, encoding='bytes', allow_pickle=True).item())
correct = 0
for images, labels in loader_mt:
outputs_mid = MT(images)
outputs = C(outputs_mid)
_, predicts = torch.max(outputs.data, 1)
correct += (predicts == labels).sum()
total = len(loader_mt.dataset)
print('MT+C Accuracy: %.4f' % (1.0 * correct / total))试验后果
拿源域的特征提取器和分类器对指标域进行分类的话，精确度只有 0.5840
下图是域分别器 D 的后果，前半部分的输出是源域的特色，后半局部的输出是指标域的特色，当初 D 大部分都能判断正确。
训练几轮后，精确度回升了一点
D 对域的分辨能力降落了，大部分指标域的输出都判断为源域的。
在训练 40 轮后，精确度在 0.9 左近稳定，与开始的 0.5840 相比，精确度晋升了很多
D 无奈分辨源域和指标域了，将所有输出都辨认为源域的。
代码地址
https://momodel.cn/explore/5f1574360a2fac574eb9c3f6?type=app
参考
Adversarial Discriminative Domain Adaptation
https://blog.csdn.net/sinat_29381299/article/details/73504196
https://github.com/corenel/pytorch-adda
