企业官网建设流程全解析

DANN领域自适应神经网络：三步跑通无监督域适应训练

【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实现的领域自适应神经网络：把MNIST上训练好的数字分类器，适配到无标签的手写数字数据集mnist_m，目标域完全不需要标签。适合刚接触无监督域适应的新手。

痛点先说：标注成本总是下不去

想象一下：你的MNIST打印数字分类器已经就绪，公司却塞来一批手写数字数据，标注要花掉一整支团队。直接换数据，准确率立刻掉——字体、笔画、背景分布都不一样，模型学到的是"打印数字长什么样"，而不是"数字是什么"。DANN正是经典的PyTorch域适应实现之一：只靠源域标签，让特征泛化到目标域，完成无监督域适应。

三步跑起来：克隆、放数据、起训练

1. 装好 Python 2.7 + PyTorch 1.0 环境

代码里用了xrange和print语句，Python 3 直接跑会报语法错误，先准备 2.7 环境：

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

2. 把 mnist_m 数据集放到指定目录

源域 MNIST 会自动下载，目标域 mnist_m 需要手动把压缩包解压到 dataset 目录下：

cd dataset && mkdir mnist_m && cd mnist_m tar -zvxf mnist_m.tar.gz

3. 运行 main.py 开始训练

cd train python main.py

每轮会打印三个损失值：err_s_label（源域分类损失）和 err_s_domain、err_t_domain（两个域的域损失）；每个 epoch 结束，模型自动存到 models 目录并测试两边准确率。

🧩 看懂核心原理：梯度反转层如何让网络"脸盲"

打个比方：特征提取器是个"报告撰写员"，他要写出让"域侦探"（域分类器）分不清报告来自 MNIST 还是 mnist_m 的文书，但"类别审核员"（分类器）还得准确认出是哪个数字。于是撰写员学会了只保留数字内容，抹掉所有"字体指纹"。

对应代码就是 models/model.py 里的双分支结构：同一组 CNN 特征，同时喂给分类器和域分类器。

域分支先过一道梯度反转层，实现在 models/functions.py：正向传播原样返回数据，反向传播时把梯度取反再乘以 alpha。于是域分类器越认真学，特征提取器反而被"逼"着骗过它。alpha 由 sigmoid 随训练进度从 0 升到 1，域适应强度是逐渐加强的。

🔧 按你的需求改：三处着手

• 调训练节奏：train/main.py 顶部的lr（学习率）、batch_size、n_epoch都是独立变量，先砍半 n_epoch 快速验证流程。
• 换自己的目标域数据：dataset/data_loader.py 里的GetLoader逐行解析"图片路径+标签"清单文件，改清单和图片的存放位置即可。
• 改网络结构：在 models/model.py 增删卷积层，注意若改了最后一个卷积层的输出形状，两个全连接层的输入维度（50*4*4）要同步改。

卡住了怎么办：三个高频症状

• 跑python main.py直接 SyntaxError：代码是 Python 2 语法，用 Python 3 跑必挂。装 2.7 环境，或自己把代码迁移到 py3。
• 报 FileNotFoundError 找不到 mnist_m_train_labels.txt：数据集目录结构不对。检查 dataset/mnist_m 下是否有 mnist_m_train、mnist_m_test 两个目录及对应的 _labels.txt 清单。
• 训练慢或显存爆了：main.py 里写死了cuda = True和num_workers = 8。没有 GPU 就把 cuda 改成 False，显存不够就把 batch_size 从 128 降到 64。

这不到 300 行的代码把双分支结构、梯度反转、alpha 调度三块关键件都装进了可运行的流程里，是难得的"读得懂也能改"的域适应起点。跑通第一轮训练后，换上自己的数据改一改吧。

【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