[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-KaiyangZhou--Dassl.pytorch":3,"tool-KaiyangZhou--Dassl.pytorch":61},[4,18,26,36,44,53],{"id":5,"name":6,"github_repo":7,"description_zh":8,"stars":9,"difficulty_score":10,"last_commit_at":11,"category_tags":12,"status":17},4358,"openclaw","openclaw\u002Fopenclaw","OpenClaw 是一款专为个人打造的本地化 AI 助手，旨在让你在自己的设备上拥有完全可控的智能伙伴。它打破了传统 AI 助手局限于特定网页或应用的束缚，能够直接接入你日常使用的各类通讯渠道，包括微信、WhatsApp、Telegram、Discord、iMessage 等数十种平台。无论你在哪个聊天软件中发送消息，OpenClaw 都能即时响应，甚至支持在 macOS、iOS 和 Android 设备上进行语音交互，并提供实时的画布渲染功能供你操控。\n\n这款工具主要解决了用户对数据隐私、响应速度以及“始终在线”体验的需求。通过将 AI 部署在本地，用户无需依赖云端服务即可享受快速、私密的智能辅助，真正实现了“你的数据，你做主”。其独特的技术亮点在于强大的网关架构，将控制平面与核心助手分离，确保跨平台通信的流畅性与扩展性。\n\nOpenClaw 非常适合希望构建个性化工作流的技术爱好者、开发者，以及注重隐私保护且不愿被单一生态绑定的普通用户。只要具备基础的终端操作能力（支持 macOS、Linux 及 Windows WSL2），即可通过简单的命令行引导完成部署。如果你渴望拥有一个懂你",349277,3,"2026-04-06T06:32:30",[13,14,15,16],"Agent","开发框架","图像","数据工具","ready",{"id":19,"name":20,"github_repo":21,"description_zh":22,"stars":23,"difficulty_score":10,"last_commit_at":24,"category_tags":25,"status":17},3808,"stable-diffusion-webui","AUTOMATIC1111\u002Fstable-diffusion-webui","stable-diffusion-webui 是一个基于 Gradio 构建的网页版操作界面，旨在让用户能够轻松地在本地运行和使用强大的 Stable Diffusion 图像生成模型。它解决了原始模型依赖命令行、操作门槛高且功能分散的痛点，将复杂的 AI 绘图流程整合进一个直观易用的图形化平台。\n\n无论是希望快速上手的普通创作者、需要精细控制画面细节的设计师，还是想要深入探索模型潜力的开发者与研究人员，都能从中获益。其核心亮点在于极高的功能丰富度：不仅支持文生图、图生图、局部重绘（Inpainting）和外绘（Outpainting）等基础模式，还独创了注意力机制调整、提示词矩阵、负向提示词以及“高清修复”等高级功能。此外，它内置了 GFPGAN 和 CodeFormer 等人脸修复工具，支持多种神经网络放大算法，并允许用户通过插件系统无限扩展能力。即使是显存有限的设备，stable-diffusion-webui 也提供了相应的优化选项，让高质量的 AI 艺术创作变得触手可及。",162132,"2026-04-05T11:01:52",[14,15,13],{"id":27,"name":28,"github_repo":29,"description_zh":30,"stars":31,"difficulty_score":32,"last_commit_at":33,"category_tags":34,"status":17},1381,"everything-claude-code","affaan-m\u002Feverything-claude-code","everything-claude-code 是一套专为 AI 编程助手（如 Claude Code、Codex、Cursor 等）打造的高性能优化系统。它不仅仅是一组配置文件，而是一个经过长期实战打磨的完整框架，旨在解决 AI 代理在实际开发中面临的效率低下、记忆丢失、安全隐患及缺乏持续学习能力等核心痛点。\n\n通过引入技能模块化、直觉增强、记忆持久化机制以及内置的安全扫描功能，everything-claude-code 能显著提升 AI 在复杂任务中的表现，帮助开发者构建更稳定、更智能的生产级 AI 代理。其独特的“研究优先”开发理念和针对 Token 消耗的优化策略，使得模型响应更快、成本更低，同时有效防御潜在的攻击向量。\n\n这套工具特别适合软件开发者、AI 研究人员以及希望深度定制 AI 工作流的技术团队使用。无论您是在构建大型代码库，还是需要 AI 协助进行安全审计与自动化测试，everything-claude-code 都能提供强大的底层支持。作为一个曾荣获 Anthropic 黑客大奖的开源项目，它融合了多语言支持与丰富的实战钩子（hooks），让 AI 真正成长为懂上",159267,2,"2026-04-17T11:29:14",[14,13,35],"语言模型",{"id":37,"name":38,"github_repo":39,"description_zh":40,"stars":41,"difficulty_score":32,"last_commit_at":42,"category_tags":43,"status":17},2271,"ComfyUI","Comfy-Org\u002FComfyUI","ComfyUI 是一款功能强大且高度模块化的视觉 AI 引擎，专为设计和执行复杂的 Stable Diffusion 图像生成流程而打造。它摒弃了传统的代码编写模式，采用直观的节点式流程图界面，让用户通过连接不同的功能模块即可构建个性化的生成管线。\n\n这一设计巧妙解决了高级 AI 绘图工作流配置复杂、灵活性不足的痛点。用户无需具备编程背景，也能自由组合模型、调整参数并实时预览效果，轻松实现从基础文生图到多步骤高清修复等各类复杂任务。ComfyUI 拥有极佳的兼容性，不仅支持 Windows、macOS 和 Linux 全平台，还广泛适配 NVIDIA、AMD、Intel 及苹果 Silicon 等多种硬件架构，并率先支持 SDXL、Flux、SD3 等前沿模型。\n\n无论是希望深入探索算法潜力的研究人员和开发者，还是追求极致创作自由度的设计师与资深 AI 绘画爱好者，ComfyUI 都能提供强大的支持。其独特的模块化架构允许社区不断扩展新功能，使其成为当前最灵活、生态最丰富的开源扩散模型工具之一，帮助用户将创意高效转化为现实。",108322,"2026-04-10T11:39:34",[14,15,13],{"id":45,"name":46,"github_repo":47,"description_zh":48,"stars":49,"difficulty_score":32,"last_commit_at":50,"category_tags":51,"status":17},6121,"gemini-cli","google-gemini\u002Fgemini-cli","gemini-cli 是一款由谷歌推出的开源 AI 命令行工具，它将强大的 Gemini 大模型能力直接集成到用户的终端环境中。对于习惯在命令行工作的开发者而言，它提供了一条从输入提示词到获取模型响应的最短路径，无需切换窗口即可享受智能辅助。\n\n这款工具主要解决了开发过程中频繁上下文切换的痛点，让用户能在熟悉的终端界面内直接完成代码理解、生成、调试以及自动化运维任务。无论是查询大型代码库、根据草图生成应用，还是执行复杂的 Git 操作，gemini-cli 都能通过自然语言指令高效处理。\n\n它特别适合广大软件工程师、DevOps 人员及技术研究人员使用。其核心亮点包括支持高达 100 万 token 的超长上下文窗口，具备出色的逻辑推理能力；内置 Google 搜索、文件操作及 Shell 命令执行等实用工具；更独特的是，它支持 MCP（模型上下文协议），允许用户灵活扩展自定义集成，连接如图像生成等外部能力。此外，个人谷歌账号即可享受免费的额度支持，且项目基于 Apache 2.0 协议完全开源，是提升终端工作效率的理想助手。",100752,"2026-04-10T01:20:03",[52,13,15,14],"插件",{"id":54,"name":55,"github_repo":56,"description_zh":57,"stars":58,"difficulty_score":32,"last_commit_at":59,"category_tags":60,"status":17},4721,"markitdown","microsoft\u002Fmarkitdown","MarkItDown 是一款由微软 AutoGen 团队打造的轻量级 Python 工具，专为将各类文件高效转换为 Markdown 格式而设计。它支持 PDF、Word、Excel、PPT、图片（含 OCR）、音频（含语音转录）、HTML 乃至 YouTube 链接等多种格式的解析，能够精准提取文档中的标题、列表、表格和链接等关键结构信息。\n\n在人工智能应用日益普及的今天，大语言模型（LLM）虽擅长处理文本，却难以直接读取复杂的二进制办公文档。MarkItDown 恰好解决了这一痛点，它将非结构化或半结构化的文件转化为模型“原生理解”且 Token 效率极高的 Markdown 格式，成为连接本地文件与 AI 分析 pipeline 的理想桥梁。此外，它还提供了 MCP（模型上下文协议）服务器，可无缝集成到 Claude Desktop 等 LLM 应用中。\n\n这款工具特别适合开发者、数据科学家及 AI 研究人员使用，尤其是那些需要构建文档检索增强生成（RAG）系统、进行批量文本分析或希望让 AI 助手直接“阅读”本地文件的用户。虽然生成的内容也具备一定可读性，但其核心优势在于为机器",93400,"2026-04-06T19:52:38",[52,14],{"id":62,"github_repo":63,"name":64,"description_en":65,"description_zh":66,"ai_summary_zh":66,"readme_en":67,"readme_zh":68,"quickstart_zh":69,"use_case_zh":70,"hero_image_url":71,"owner_login":72,"owner_name":73,"owner_avatar_url":74,"owner_bio":75,"owner_company":75,"owner_location":75,"owner_email":75,"owner_twitter":76,"owner_website":77,"owner_url":78,"languages":79,"stars":88,"forks":89,"last_commit_at":90,"license":91,"difficulty_score":10,"env_os":92,"env_gpu":93,"env_ram":94,"env_deps":95,"category_tags":102,"github_topics":104,"view_count":32,"oss_zip_url":75,"oss_zip_packed_at":75,"status":17,"created_at":115,"updated_at":116,"faqs":117,"releases":148},8551,"KaiyangZhou\u002FDassl.pytorch","Dassl.pytorch","A PyTorch toolbox for domain generalization, domain adaptation and semi-supervised learning.","Dassl.pytorch 是一个基于 PyTorch 打造的开源工具箱，专为领域自适应、领域泛化及半监督学习研究而设计。它旨在解决深度学习模型在面对不同数据分布（域）时性能下降的难题，并探索如何有效利用未标记数据来提升模型鲁棒性。\n\n这款工具非常适合人工智能领域的研究人员和开发者使用。其核心优势在于高度模块化的架构与统一的接口设计，极大地简化了新算法的原型开发与实验验证过程。在 Dassl.pytorch 中，复现或创新一种研究方法往往只需编写几行代码，仓库内已集成了大量前沿算法实现供参考。除了专注上述三大核心方向，凭借整洁的代码结构，它也可作为通用深度学习项目的开发底座。\n\n需要注意的是，Dassl.pytorch 目前主要面向学术研究，鼓励用户直接阅读源码以深入理解机制，因此未提供详尽的文档说明。此外，当前版本暂不支持高效的分布式多 GPU 训练。对于希望快速验证想法、探索域适应与半监督学习前沿技术的科研工作者而言，这是一个高效且实用的得力助手。","# Dassl\n\n## Introduction\n\nDassl is a [PyTorch](https:\u002F\u002Fpytorch.org) toolbox initially developed for our project [Domain Adaptive Ensemble Learning (DAEL)](https:\u002F\u002Farxiv.org\u002Fabs\u002F2003.07325) to support research in domain adaptation and generalization---since in DAEL we study how to unify these two problems in a single learning framework. Given that domain adaptation is closely related to semi-supervised learning---both study how to exploit unlabeled data---we also incorporate components that support research for the latter.\n\nWhy the name \"Dassl\"? Dassl combines the initials of domain adaptation (DA) and semi-supervised learning (SSL), which sounds natural and informative.\n\nDassl has a modular design and unified interfaces, allowing fast prototyping and experimentation of new DA\u002FDG\u002FSSL methods. With Dassl, a new method can be implemented with only a few lines of code. Don't believe? Take a look at the [engine](https:\u002F\u002Fgithub.com\u002FKaiyangZhou\u002FDassl.pytorch\u002Ftree\u002Fmaster\u002Fdassl\u002Fengine) folder, which contains the implementations of many existing methods (then you will come back and star this repo). :-)\n\nBasically, Dassl is perfect for doing research in the following areas:\n- Domain adaptation\n- Domain generalization\n- Semi-supervised learning\n\nBUT, thanks to the neat design, Dassl can also be used as a codebase to develop any deep learning projects, like [this](https:\u002F\u002Fgithub.com\u002FKaiyangZhou\u002FCoOp). :-)\n\nA drawback of Dassl is that it doesn't (yet? hmm) support distributed multi-GPU training (Dassl uses `DataParallel` to wrap a model, which is less efficient than `DistributedDataParallel`).\n\nWe don't provide detailed documentations for Dassl, unlike another [project](https:\u002F\u002Fkaiyangzhou.github.io\u002Fdeep-person-reid\u002F) of ours. This is because Dassl is developed for research purpose and as a researcher, we think it's important to be able to read source code and we highly encourage you to do so---definitely not because we are lazy. :-)\n\n## What's new\n- **[Oct 2022]** New paper \"[On-Device Domain Generalization](https:\u002F\u002Farxiv.org\u002Fabs\u002F2209.07521)\" is out! Code, models and datasets: https:\u002F\u002Fgithub.com\u002FKaiyangZhou\u002Fon-device-dg.\n\n\u003Cdetails>\n    \u003Csummary>More\u003C\u002Fsummary>\n\n- **[Jun 2022]** `v0.6.0`: Make `cfg.TRAINER.METHOD_NAME` consistent with the method class name.\n- **[Jun 2022]** A new domain adaptation method [CDAC (CVPR'21)](https:\u002F\u002Fopenaccess.thecvf.com\u002Fcontent\u002FCVPR2021\u002Fpapers\u002FLi_Cross-Domain_Adaptive_Clustering_for_Semi-Supervised_Domain_Adaptation_CVPR_2021_paper.pdf) is added by [Shreejal Trivedi](https:\u002F\u002Fgithub.com\u002Fshreejalt). See [here](https:\u002F\u002Fgithub.com\u002FKaiyangZhou\u002FDassl.pytorch\u002Fpull\u002F44) for more details.\n- **[Jun 2022]** Adds three datasets from the [WILDS](https:\u002F\u002Fwilds.stanford.edu\u002F) benchmark: iWildCam, FMoW and Camelyon17. See [here](https:\u002F\u002Fgithub.com\u002FKaiyangZhou\u002FDassl.pytorch\u002Fcommit\u002F7f7eab8e22f6e176b97a539100eca12d6a403909) for more details.\n- **[May 2022]** A new domain generalization method [DDG](https:\u002F\u002Farxiv.org\u002Fabs\u002F2205.13913) developed by [Zhishu Sun](https:\u002F\u002Fgithub.com\u002Fsiaimes) and to appear at IJCAI'22 is added to this repo. See [here](https:\u002F\u002Fgithub.com\u002FMetaVisionLab\u002FDDG) for more details.\n- **[Mar 2022]** A new domain generalization method [EFDM](https:\u002F\u002Farxiv.org\u002Fabs\u002F2203.07740) developed by [Yabin Zhang (PolyU)](https:\u002F\u002Fybzh.github.io\u002F) and to appear at CVPR'22 is added to this repo. See [here](https:\u002F\u002Fgithub.com\u002FKaiyangZhou\u002FDassl.pytorch\u002Fpull\u002F36) for more details.\n- **[Feb 2022]** In case you don't know, a class in the painting domain of DomainNet (the official splits) only has test images (no training images), which could affect performance. See section 4.a in our [paper](https:\u002F\u002Farxiv.org\u002Fabs\u002F2003.07325) for more details.\n- **[Oct 2021]** `v0.5.0`: **Important changes** made to `transforms.py`. 1) `center_crop` becomes a default transform in testing (applied after resizing the smaller edge to a certain size to keep the image aspect ratio). 2) For training, `Resize(cfg.INPUT.SIZE)` is deactivated when `random_crop` or `random_resized_crop` is used. These changes won't make any difference to the training transforms used in existing config files, nor to the testing transforms unless the raw images are not squared (the only difference is that now the image aspect ratio is respected).\n- **[Oct 2021]** `v0.4.3`: Copy the attributes in `self.dm` (data manager) to `SimpleTrainer` and make `self.dm` optional, which means from now on, you can build data loaders from any source you like rather than being forced to use `DataManager`.\n- **[Sep 2021]** `v0.4.2`: An important update is to set `drop_last=is_train and len(data_source)>=batch_size` when constructing a data loader to avoid 0-length.\n\n\u003C\u002Fdetails>\n\n## Overview\n\nDassl has implemented the following methods:\n\n- Single-source domain adaptation\n    - [Cross Domain Adaptive Clustering for Semi Supervised Domain Adaptation (CVPR'21)](https:\u002F\u002Farxiv.org\u002Fpdf\u002F2104.09415.pdf) [[dassl\u002Fengine\u002Fda\u002Fcdac.py](dassl\u002Fengine\u002Fda\u002Fcdac.py)]\n    - [Semi-supervised Domain Adaptation via Minimax Entropy (ICCV'19)](https:\u002F\u002Farxiv.org\u002Fabs\u002F1904.06487) [[dassl\u002Fengine\u002Fda\u002Fmme.py](dassl\u002Fengine\u002Fda\u002Fmme.py)]\n    - [Maximum Classifier Discrepancy for Unsupervised Domain Adaptation (CVPR'18)](https:\u002F\u002Farxiv.org\u002Fabs\u002F1712.02560https:\u002F\u002Farxiv.org\u002Fabs\u002F1712.02560) [[dassl\u002Fengine\u002Fda\u002Fmcd.py](dassl\u002Fengine\u002Fda\u002Fmcd.py)]\n    - [Self-ensembling for visual domain adaptation (ICLR'18)](https:\u002F\u002Farxiv.org\u002Fabs\u002F1706.05208) [[dassl\u002Fengine\u002Fda\u002Fself_ensembling.py](dassl\u002Fengine\u002Fda\u002Fself_ensembling.py)]\n    - [Revisiting Batch Normalization For Practical Domain Adaptation (ICLR-W'17)](https:\u002F\u002Farxiv.org\u002Fabs\u002F1603.04779) [[dassl\u002Fengine\u002Fda\u002Fadabn.py](dassl\u002Fengine\u002Fda\u002Fadabn.py)]\n    - [Adversarial Discriminative Domain Adaptation (CVPR'17)](https:\u002F\u002Farxiv.org\u002Fabs\u002F1702.05464) [[dassl\u002Fengine\u002Fda\u002Fadda.py](dassl\u002Fengine\u002Fda\u002Fadda.py)]\n    - [Domain-Adversarial Training of Neural Networks (JMLR'16) ](https:\u002F\u002Farxiv.org\u002Fabs\u002F1505.07818) [[dassl\u002Fengine\u002Fda\u002Fdann.py](dassl\u002Fengine\u002Fda\u002Fdann.py)]\n\n- Multi-source domain adaptation\n    - [Domain Aadaptive Ensemble Learning](https:\u002F\u002Farxiv.org\u002Fabs\u002F2003.07325) [[dassl\u002Fengine\u002Fda\u002Fdael.py](dassl\u002Fengine\u002Fda\u002Fdael.py)]\n    - [Moment Matching for Multi-Source Domain Adaptation (ICCV'19)](https:\u002F\u002Farxiv.org\u002Fabs\u002F1812.01754) [[dassl\u002Fengine\u002Fda\u002Fm3sda.py](dassl\u002Fengine\u002Fda\u002Fm3sda.py)]\n\n- Domain generalization\n    - [Dynamic Domain Generalization (IJCAI'22)](https:\u002F\u002Farxiv.org\u002Fabs\u002F2205.13913) [[dassl\u002Fmodeling\u002Fbackbone\u002Fresnet_dynamic.py](dassl\u002Fmodeling\u002Fbackbone\u002Fresnet_dynamic.py)] [[dassl\u002Fengine\u002Fdg\u002Fdomain_mix.py](dassl\u002Fengine\u002Fdg\u002Fdomain_mix.py)]\n    - [Exact Feature Distribution Matching for Arbitrary Style Transfer and Domain Generalization (CVPR'22)](https:\u002F\u002Farxiv.org\u002Fabs\u002F2203.07740) [[dassl\u002Fmodeling\u002Fops\u002Fefdmix.py](dassl\u002Fmodeling\u002Fops\u002Fefdmix.py)]\n    - [Domain Generalization with MixStyle (ICLR'21)](https:\u002F\u002Fopenreview.net\u002Fforum?id=6xHJ37MVxxp) [[dassl\u002Fmodeling\u002Fops\u002Fmixstyle.py](dassl\u002Fmodeling\u002Fops\u002Fmixstyle.py)]\n    - [Deep Domain-Adversarial Image Generation for Domain Generalisation (AAAI'20)](https:\u002F\u002Farxiv.org\u002Fabs\u002F2003.06054) [[dassl\u002Fengine\u002Fdg\u002Fddaig.py](dassl\u002Fengine\u002Fdg\u002Fddaig.py)]\n    - [Generalizing Across Domains via Cross-Gradient Training (ICLR'18)](https:\u002F\u002Farxiv.org\u002Fabs\u002F1804.10745) [[dassl\u002Fengine\u002Fdg\u002Fcrossgrad.py](dassl\u002Fengine\u002Fdg\u002Fcrossgrad.py)]\n\n- Semi-supervised learning\n    - [FixMatch: Simplifying Semi-Supervised Learning with Consistency and Confidence](https:\u002F\u002Farxiv.org\u002Fabs\u002F2001.07685) [[dassl\u002Fengine\u002Fssl\u002Ffixmatch.py](dassl\u002Fengine\u002Fssl\u002Ffixmatch.py)]\n    - [MixMatch: A Holistic Approach to Semi-Supervised Learning (NeurIPS'19)](https:\u002F\u002Farxiv.org\u002Fabs\u002F1905.02249) [[dassl\u002Fengine\u002Fssl\u002Fmixmatch.py](dassl\u002Fengine\u002Fssl\u002Fmixmatch.py)]\n    - [Mean teachers are better role models: Weight-averaged consistency targets improve semi-supervised deep learning results (NeurIPS'17)](https:\u002F\u002Farxiv.org\u002Fabs\u002F1703.01780) [[dassl\u002Fengine\u002Fssl\u002Fmean_teacher.py](dassl\u002Fengine\u002Fssl\u002Fmean_teacher.py)]\n    - [Semi-supervised Learning by Entropy Minimization (NeurIPS'04)](http:\u002F\u002Fpapers.nips.cc\u002Fpaper\u002F2740-semi-supervised-learning-by-entropy-minimization.pdf) [[dassl\u002Fengine\u002Fssl\u002Fentmin.py](dassl\u002Fengine\u002Fssl\u002Fentmin.py)]\n\n*Feel free to make a [PR](https:\u002F\u002Fdocs.github.com\u002Fen\u002Fgithub\u002Fcollaborating-with-issues-and-pull-requests\u002Fproposing-changes-to-your-work-with-pull-requests\u002Fcreating-a-pull-request-from-a-fork) to add your methods here to make it easier for others to benchmark!*\n\nDassl supports the following datasets:\n\n- Domain adaptation\n    - [Office-31](https:\u002F\u002Fscalable.mpi-inf.mpg.de\u002Ffiles\u002F2013\u002F04\u002Fsaenko_eccv_2010.pdf)\n    - [Office-Home](http:\u002F\u002Fhemanthdv.org\u002FOfficeHome-Dataset\u002F)\n    - [VisDA17](http:\u002F\u002Fai.bu.edu\u002Fvisda-2017\u002F)\n    - [CIFAR10](https:\u002F\u002Fwww.cs.toronto.edu\u002F~kriz\u002Fcifar.html)-[STL10](https:\u002F\u002Fcs.stanford.edu\u002F~acoates\u002Fstl10\u002F)\n    - [Digit-5](https:\u002F\u002Fgithub.com\u002FVisionLearningGroup\u002FVisionLearningGroup.github.io\u002Ftree\u002Fmaster\u002FM3SDA\u002Fcode_MSDA_digit#digit-five-download)\n    - [DomainNet](http:\u002F\u002Fai.bu.edu\u002FM3SDA\u002F)\n    - [miniDomainNet](https:\u002F\u002Farxiv.org\u002Fabs\u002F2003.07325)\n\n- Domain generalization\n    - [PACS](https:\u002F\u002Farxiv.org\u002Fabs\u002F1710.03077)\n    - [VLCS](https:\u002F\u002Fpeople.csail.mit.edu\u002Ftorralba\u002Fpublications\u002Fdatasets_cvpr11.pdf)\n    - [Office-Home](http:\u002F\u002Fhemanthdv.org\u002FOfficeHome-Dataset\u002F)\n    - [Digits-DG](https:\u002F\u002Farxiv.org\u002Fabs\u002F2003.06054)\n    - [Digit-Single](https:\u002F\u002Farxiv.org\u002Fabs\u002F1805.12018)\n    - [CIFAR-10-C](https:\u002F\u002Farxiv.org\u002Fabs\u002F1807.01697)\n    - [CIFAR-100-C](https:\u002F\u002Farxiv.org\u002Fabs\u002F1807.01697)\n    - [iWildCam-WILDS](https:\u002F\u002Fwilds.stanford.edu\u002Fdatasets\u002F#iwildcam)\n    - [Camelyon17-WILDS](https:\u002F\u002Fwilds.stanford.edu\u002Fdatasets\u002F#camelyon17)\n    - [FMoW-WILDS](https:\u002F\u002Fwilds.stanford.edu\u002Fdatasets\u002F#fmow)\n\n- Semi-supervised learning\n    - [CIFAR10\u002F100](https:\u002F\u002Fwww.cs.toronto.edu\u002F~kriz\u002Fcifar.html.)\n    - [SVHN](http:\u002F\u002Fufldl.stanford.edu\u002Fhousenumbers\u002F)\n    - [STL10](https:\u002F\u002Fcs.stanford.edu\u002F~acoates\u002Fstl10\u002F)\n\n## Get started\n\n### Installation\n\nMake sure [conda](https:\u002F\u002Fwww.anaconda.com\u002Fdistribution\u002F) is installed properly.\n\n```bash\n# Clone this repo\ngit clone https:\u002F\u002Fgithub.com\u002FKaiyangZhou\u002FDassl.pytorch.git\ncd Dassl.pytorch\u002F\n\n# Create a conda environment\nconda create -y -n dassl python=3.8\n\n# Activate the environment\nconda activate dassl\n\n# Install torch (requires version >= 1.8.1) and torchvision\n# Please refer to https:\u002F\u002Fpytorch.org\u002F if you need a different cuda version\nconda install pytorch torchvision cudatoolkit=10.2 -c pytorch\n\n# Install dependencies\npip install -r requirements.txt\n\n# Install this library (no need to re-build if the source code is modified)\npython setup.py develop\n```\n\nFollow the instructions in [DATASETS.md](.\u002FDATASETS.md) to preprocess the datasets.\n\n### Training\n\nThe main interface is implemented in `tools\u002Ftrain.py`, which basically does\n\n1. initialize the config with `cfg = setup_cfg(args)` where `args` contains the command-line input (see `tools\u002Ftrain.py` for the list of input arguments);\n2. instantiate a `trainer` with `build_trainer(cfg)` which loads the dataset and builds a deep neural network model;\n3. call `trainer.train()` for training and evaluating the model.\n\nBelow we provide an example for training a source-only baseline on the popular domain adaptation dataset, Office-31,\n\n```bash\nCUDA_VISIBLE_DEVICES=0 python tools\u002Ftrain.py \\\n--root $DATA \\\n--trainer SourceOnly \\\n--source-domains amazon \\\n--target-domains webcam \\\n--dataset-config-file configs\u002Fdatasets\u002Fda\u002Foffice31.yaml \\\n--config-file configs\u002Ftrainers\u002Fda\u002Fsource_only\u002Foffice31.yaml \\\n--output-dir output\u002Fsource_only_office31\n```\n\n`$DATA` denotes the location where datasets are installed. `--dataset-config-file` loads the common setting for the dataset (Office-31 in this case) such as image size and model architecture. `--config-file` loads the algorithm-specific setting such as hyper-parameters and optimization parameters.\n\nTo use multiple sources, namely the multi-source domain adaptation task, one just needs to add more sources to `--source-domains`. For instance, to train a source-only baseline on miniDomainNet, one can do\n\n```bash\nCUDA_VISIBLE_DEVICES=0 python tools\u002Ftrain.py \\\n--root $DATA \\\n--trainer SourceOnly \\\n--source-domains clipart painting real \\\n--target-domains sketch \\\n--dataset-config-file configs\u002Fdatasets\u002Fda\u002Fmini_domainnet.yaml \\\n--config-file configs\u002Ftrainers\u002Fda\u002Fsource_only\u002Fmini_domainnet.yaml \\\n--output-dir output\u002Fsource_only_minidn\n```\n\nAfter the training finishes, the model weights will be saved under the specified output directory, along with a log file and a tensorboard file for visualization.\n\nTo print out the results saved in the log file (so you do not need to exhaustively go through all log files and calculate the mean\u002Fstd by yourself), you can use `tools\u002Fparse_test_res.py`. The instruction can be found in the code.\n\nFor other trainers such as `MCD`, you can set `--trainer MCD` while keeping the config file unchanged, i.e. using the same training parameters as `SourceOnly` (in the simplest case). To modify the hyper-parameters in MCD, like `N_STEP_F` (number of steps to update the feature extractor), you can append `TRAINER.MCD.N_STEP_F 4` to the existing input arguments (otherwise the default value will be used). Alternatively, you can create a new `.yaml` config file to store your custom setting. See [here](https:\u002F\u002Fgithub.com\u002FKaiyangZhou\u002FDassl.pytorch\u002Fblob\u002Fmaster\u002Fdassl\u002Fconfig\u002Fdefaults.py#L176) for a complete list of algorithm-specific hyper-parameters.\n\n### Test\nModel testing can be done by using `--eval-only`, which asks the code to run `trainer.test()`. You also need to provide the trained model and specify which model file (i.e. saved at which epoch) to use. For example, to use `model.pth.tar-20` saved at `output\u002Fsource_only_office31\u002Fmodel`, you can do\n\n```bash\nCUDA_VISIBLE_DEVICES=0 python tools\u002Ftrain.py \\\n--root $DATA \\\n--trainer SourceOnly \\\n--source-domains amazon \\\n--target-domains webcam \\\n--dataset-config-file configs\u002Fdatasets\u002Fda\u002Foffice31.yaml \\\n--config-file configs\u002Ftrainers\u002Fda\u002Fsource_only\u002Foffice31.yaml \\\n--output-dir output\u002Fsource_only_office31_test \\\n--eval-only \\\n--model-dir output\u002Fsource_only_office31 \\\n--load-epoch 20\n```\n\nNote that `--model-dir` takes as input the directory path which was specified in `--output-dir` in the training stage.\n\n### Write a new trainer\nA good practice is to go through `dassl\u002Fengine\u002Ftrainer.py` to get familar with the base trainer classes, which provide generic functions and training loops. To write a trainer class for domain adaptation or semi-supervised learning, the new class can subclass `TrainerXU`. For domain generalization, the new class can subclass `TrainerX`. In particular, `TrainerXU` and `TrainerX` mainly differ in whether using a data loader for unlabeled data. With the base classes, a new trainer may only need to implement the `forward_backward()` method, which performs loss computation and model update. See `dassl\u002Fenigne\u002Fda\u002Fsource_only.py` for example.\n\n### Add a new backbone\u002Fhead\u002Fnetwork\n`backbone` corresponds to a convolutional neural network model which performs feature extraction. `head` (which is an optional module) is mounted on top of `backbone` for further processing, which can be, for example, a MLP. `backbone` and `head` are basic building blocks for constructing a `SimpleNet()` (see `dassl\u002Fengine\u002Ftrainer.py`) which serves as the primary model for a task. `network` contains custom neural network models, such as an image generator.\n\nTo add a new module, namely a backbone\u002Fhead\u002Fnetwork, you need to first register the module using the corresponding `registry`, i.e. `BACKBONE_REGISTRY` for `backbone`, `HEAD_REGISTRY` for `head` and `NETWORK_RESIGTRY` for `network`. Note that for a new `backbone`, we require the model to subclass `Backbone` as defined in `dassl\u002Fmodeling\u002Fbackbone\u002Fbackbone.py` and specify the `self._out_features` attribute.\n\nWe provide an example below for how to add a new `backbone`.\n```python\nfrom dassl.modeling import Backbone, BACKBONE_REGISTRY\n\nclass MyBackbone(Backbone):\n\n    def __init__(self):\n        super().__init__()\n        # Create layers\n        self.conv = ...\n\n        self._out_features = 2048\n\n    def forward(self, x):\n        # Extract and return features\n\n@BACKBONE_REGISTRY.register()\ndef my_backbone(**kwargs):\n    return MyBackbone()\n```\nThen, you can set `MODEL.BACKBONE.NAME` to `my_backbone` to use your own architecture. For more details, please refer to the source code in `dassl\u002Fmodeling`.\n\n### Add a dataset\nAn example code structure is shown below. Make sure you subclass `DatasetBase` and register the dataset with `@DATASET_REGISTRY.register()`. All you need is to load `train_x`, `train_u` (optional), `val` (optional) and `test`, among which `train_u` and `val` could be `None` or simply ignored. Each of these variables contains a list of `Datum` objects. A `Datum` object (implemented [here](https:\u002F\u002Fgithub.com\u002FKaiyangZhou\u002FDassl.pytorch\u002Fblob\u002Fmaster\u002Fdassl\u002Fdata\u002Fdatasets\u002Fbase_dataset.py#L12)) contains information for a single image, like `impath` (string) and `label` (int).\n\n```python\nfrom dassl.data.datasets import DATASET_REGISTRY, Datum, DatasetBase\n\n@DATASET_REGISTRY.register()\nclass NewDataset(DatasetBase):\n\n    dataset_dir = ''\n\n    def __init__(self, cfg):\n        \n        train_x = ...\n        train_u = ...  # optional, can be None\n        val = ...  # optional, can be None\n        test = ...\n\n        super().__init__(train_x=train_x, train_u=train_u, val=val, test=test)\n```\n\nWe suggest you take a look at the datasets code in some projects like [this](https:\u002F\u002Fgithub.com\u002FKaiyangZhou\u002FCoOp), which is built on top of Dassl.\n\n## Relevant Research\n\nWe would like to share here our research relevant to Dassl.\n\n- [On-Device Domain Generalization](https:\u002F\u002Farxiv.org\u002Fabs\u002F2209.07521)\n- [Domain Generalization: A Survey](https:\u002F\u002Farxiv.org\u002Fabs\u002F2103.02503) (TPAMI 2022)\n- [Domain Adaptive Ensemble Learning](https:\u002F\u002Farxiv.org\u002Fabs\u002F2003.07325) (TIP 2021)\n- [MixStyle Neural Networks for Domain Generalization and Adaptation](https:\u002F\u002Farxiv.org\u002Fabs\u002F2107.02053)\n- [Semi-Supervised Domain Generalization with Stochastic StyleMatch](https:\u002F\u002Farxiv.org\u002Fabs\u002F2106.00592)\n- [Domain Generalization with MixStyle](https:\u002F\u002Fopenreview.net\u002Fforum?id=6xHJ37MVxxp) (ICLR 2021)\n- [Learning to Generate Novel Domains for Domain Generalization](https:\u002F\u002Farxiv.org\u002Fabs\u002F2007.03304) (ECCV 2020)\n- [Deep Domain-Adversarial Image Generation for Domain Generalisation](https:\u002F\u002Farxiv.org\u002Fabs\u002F2003.06054) (AAAI 2020)\n\n## Citation\n\nIf you find this code useful to your research, please give credit to the following paper\n\n```\n@article{zhou2022domain,\n  title={Domain generalization: A survey},\n  author={Zhou, Kaiyang and Liu, Ziwei and Qiao, Yu and Xiang, Tao and Loy, Chen Change},\n  journal={IEEE Transactions on Pattern Analysis and Machine Intelligence},\n  year={2022},\n  publisher={IEEE}\n}\n\n@article{zhou2021domain,\n  title={Domain adaptive ensemble learning},\n  author={Zhou, Kaiyang and Yang, Yongxin and Qiao, Yu and Xiang, Tao},\n  journal={IEEE Transactions on Image Processing},\n  volume={30},\n  pages={8008--8018},\n  year={2021},\n  publisher={IEEE}\n}\n```\n","# Dassl\n\n## 简介\n\nDassl 是一个基于 [PyTorch](https:\u002F\u002Fpytorch.org) 的工具箱，最初为我们项目 [领域自适应集成学习 (DAEL)](https:\u002F\u002Farxiv.org\u002Fabs\u002F2003.07325) 开发，旨在支持领域自适应和模型泛化方面的研究——因为在 DAEL 中，我们探索如何将这两个问题统一到一个单一的学习框架中。鉴于领域自适应与半监督学习密切相关——两者都研究如何利用未标记数据——我们也集成了支持后者研究的相关组件。\n\n为什么取名为“Dassl”呢？Dassl 结合了领域自适应（DA）和半监督学习（SSL）的首字母，既自然又富有信息量。\n\nDassl 采用模块化设计和统一的接口，能够快速构建原型并实验新的领域自适应、领域泛化和半监督学习方法。借助 Dassl，只需几行代码就能实现一种新方法。不信？不妨看看 [engine](https:\u002F\u002Fgithub.com\u002FKaiyangZhou\u002FDassl.pytorch\u002Ftree\u002Fmaster\u002Fdassl\u002Fengine) 文件夹，里面包含了大量现有方法的实现（看完后你一定会回来给这个仓库点个赞）。:-)\n\n基本上，Dassl 非常适合用于以下领域的研究：\n- 领域自适应\n- 领域泛化\n- 半监督学习\n\n不过，得益于其整洁的设计，Dassl 也可以作为开发任何深度学习项目的代码库，比如 [这个](https:\u002F\u002Fgithub.com\u002FKaiyangZhou\u002FCoOp)。:-)\n\nDassl 的一个不足之处在于，它目前还不支持分布式多 GPU 训练（Dassl 使用 `DataParallel` 包装模型，效率不如 `DistributedDataParallel`）。\n\n与我们另一个 [项目](https:\u002F\u002Fkaiyangzhou.github.io\u002Fdeep-person-reid\u002F) 不同，我们并未为 Dassl 提供详细的文档。这是因为 Dassl 主要面向研究用途，而作为研究人员，我们认为能够阅读源代码非常重要，也强烈鼓励大家这样做——绝不是因为我们懒惰。:-)\n\n## 最新动态\n- **[2022年10月]** 新论文 “[设备端领域泛化](https:\u002F\u002Farxiv.org\u002Fabs\u002F2209.07521)” 已发表！代码、模型和数据集：https:\u002F\u002Fgithub.com\u002FKaiyangZhou\u002Fon-device-dg。\n\n\u003Cdetails>\n    \u003Csummary>更多\u003C\u002Fsummary>\n\n- **[2022年6月]** `v0.6.0`：使 `cfg.TRAINER.METHOD_NAME` 与方法类名保持一致。\n- **[2022年6月]** 新增了一种领域自适应方法 [CDAC (CVPR'21)](https:\u002F\u002Fopenaccess.thecvf.com\u002Fcontent\u002FCVPR2021\u002Fpapers\u002FLi_Cross-Domain_Adaptive_Clustering_for_Semi-Supervised_Domain_Adaptation_CVPR_2021_paper.pdf)，由 [Shreejal Trivedi](https:\u002F\u002Fgithub.com\u002Fshreejalt) 实现。详情请参见 [这里](https:\u002F\u002Fgithub.com\u002FKaiyangZhou\u002FDassl.pytorch\u002Fpull\u002F44)。\n- **[2022年6月]** 增加了来自 [WILDS](https:\u002F\u002Fwilds.stanford.edu\u002F) 基准测试的三个数据集：iWildCam、FMoW 和 Camelyon17。详情请参见 [这里](https:\u002F\u002Fgithub.com\u002FKaiyangZhou\u002FDassl.pytorch\u002Fcommit\u002F7f7eab8e22f6e176b97a539100eca12d6a403909)。\n- **[2022年5月]** 新增了一种领域泛化方法 [DDG](https:\u002F\u002Farxiv.org\u002Fabs\u002F2205.13913)，由 [Zhishu Sun](https:\u002F\u002Fgithub.com\u002Fsiaimes) 开发，并将在 IJCAI'22 上发表。详情请参见 [这里](https:\u002F\u002Fgithub.com\u002FMetaVisionLab\u002FDDG)。\n- **[2022年3月]** 新增了一种领域泛化方法 [EFDM](https:\u002F\u002Farxiv.org\u002Fabs\u002F2203.07740)，由 [Yabin Zhang (PolyU)](https:\u002F\u002Fybzh.github.io\u002F) 开发，并将在 CVPR'22 上发表。详情请参见 [这里](https:\u002F\u002Fgithub.com\u002FKaiyangZhou\u002FDassl.pytorch\u002Fpull\u002F36)。\n- **[2022年2月]** 如果你还不知道的话，DomainNet 数据集中绘画领域的某个类别只有测试图像（没有训练图像），这可能会影响性能。详情请参阅我们 [论文](https:\u002F\u002Farxiv.org\u002Fabs\u002F2003.07325) 的第 4.a 节。\n- **[2021年10月]** `v0.5.0`：对 `transforms.py` 进行了 **重要更改**。1) 在测试时，`center_crop` 成为默认变换（在将较短边调整到一定尺寸以保持图像宽高比之后应用）。2) 对于训练，当使用 `random_crop` 或 `random_resized_crop` 时，会禁用 `Resize(cfg.INPUT.SIZE)`。这些更改不会影响现有配置文件中使用的训练变换，也不会影响测试变换，除非原始图像不是正方形的（唯一的区别是现在会尊重图像的宽高比）。\n- **[2021年10月]** `v0.4.3`：将 `self.dm`（数据管理器）中的属性复制到 `SimpleTrainer` 中，并使 `self.dm` 可选，这意味着从现在起，你可以从任何你喜欢的来源构建数据加载器，而不必强制使用 `DataManager`。\n- **[2021年9月]** `v0.4.2`：一项重要的更新是在构建数据加载器时设置 `drop_last=is_train and len(data_source)>=batch_size`，以避免出现长度为 0 的批次。\n\n\u003C\u002Fdetails>\n\n## 概述\n\nDassl 已实现以下方法：\n\n- 单源域适应\n    - [用于半监督域适应的跨域自适应聚类（CVPR'21）](https:\u002F\u002Farxiv.org\u002Fpdf\u002F2104.09415.pdf) [[dassl\u002Fengine\u002Fda\u002Fcdac.py](dassl\u002Fengine\u002Fda\u002Fcdac.py)]\n    - [基于极大极小熵的半监督域适应（ICCV'19）](https:\u002F\u002Farxiv.org\u002Fabs\u002F1904.06487) [[dassl\u002Fengine\u002Fda\u002Fmme.py](dassl\u002Fengine\u002Fda\u002Fmme.py)]\n    - [用于无监督域适应的最大分类器差异（CVPR'18）](https:\u002F\u002Farxiv.org\u002Fabs\u002F1712.02560https:\u002F\u002Farxiv.org\u002Fabs\u002F1712.02560) [[dassl\u002Fengine\u002Fda\u002Fmcd.py](dassl\u002Fengine\u002Fda\u002Fmcd.py)]\n    - [用于视觉域适应的自集成方法（ICLR'18）](https:\u002F\u002Farxiv.org\u002Fabs\u002F1706.05208) [[dassl\u002Fengine\u002Fda\u002Fself_ensembling.py](dassl\u002Fengine\u002Fda\u002Fself_ensembling.py)]\n    - [重新审视批量归一化以实现实用的域适应（ICLR-W'17）](https:\u002F\u002Farxiv.org\u002Fabs\u002F1603.04779) [[dassl\u002Fengine\u002Fda\u002Fadabn.py](dassl\u002Fengine\u002Fda\u002Fadabn.py)]\n    - [对抗性判别域适应（CVPR'17）](https:\u002F\u002Farxiv.org\u002Fabs\u002F1702.05464) [[dassl\u002Fengine\u002Fda\u002Fadda.py](dassl\u002Fengine\u002Fda\u002Fadda.py)]\n    - [神经网络的域对抗训练（JMLR'16）](https:\u002F\u002Farxiv.org\u002Fabs\u002F1505.07818) [[dassl\u002Fengine\u002Fda\u002Fdann.py](dassl\u002Fengine\u002Fda\u002Fdann.py)]\n\n- 多源域适应\n    - [域适应集成学习](https:\u002F\u002Farxiv.org\u002Fabs\u002F2003.07325) [[dassl\u002Fengine\u002Fda\u002Fdael.py](dassl\u002Fengine\u002Fda\u002Fdael.py)]\n    - [用于多源域适应的矩匹配（ICCV'19）](https:\u002F\u002Farxiv.org\u002Fabs\u002F1812.01754) [[dassl\u002Fengine\u002Fda\u002Fm3sda.py](dassl\u002Fengine\u002Fda\u002Fm3sda.py)]\n\n- 域泛化\n    - [动态域泛化（IJCAI'22）](https:\u002F\u002Farxiv.org\u002Fabs\u002F2205.13913) [[dassl\u002Fmodeling\u002Fbackbone\u002Fresnet_dynamic.py](dassl\u002Fmodeling\u002Fbackbone\u002Fresnet_dynamic.py)] [[dassl\u002Fengine\u002Fdg\u002Fdomain_mix.py](dassl\u002Fengine\u002Fdg\u002Fdomain_mix.py)]\n    - [用于任意风格迁移和域泛化的精确特征分布匹配（CVPR'22）](https:\u002F\u002Farxiv.org\u002Fabs\u002F2203.07740) [[dassl\u002Fmodeling\u002Fops\u002Fefdmix.py](dassl\u002Fmodeling\u002Fops\u002Fefdmix.py)]\n    - [使用 MixStyle 进行域泛化（ICLR'21）](https:\u002F\u002Fopenreview.net\u002Fforum?id=6xHJ37MVxxp) [[dassl\u002Fmodeling\u002Fops\u002Fmixstyle.py](dassl\u002Fmodeling\u002Fops\u002Fmixstyle.py)]\n    - [用于域泛化的深度域对抗图像生成（AAAI'20）](https:\u002F\u002Farxiv.org\u002Fabs\u002F2003.06054) [[dassl\u002Fengine\u002Fdg\u002Fddaig.py](dassl\u002Fengine\u002Fdg\u002Fddaig.py)]\n    - [通过交叉梯度训练实现跨域泛化（ICLR'18）](https:\u002F\u002Farxiv.org\u002Fabs\u002F1804.10745) [[dassl\u002Fengine\u002Fdg\u002Fcrossgrad.py](dassl\u002Fengine\u002Fdg\u002Fcrossgrad.py)]\n\n- 半监督学习\n    - [FixMatch：简化半监督学习的一致性和置信度](https:\u002F\u002Farxiv.org\u002Fabs\u002F2001.07685) [[dassl\u002Fengine\u002Fssl\u002Ffixmatch.py](dassl\u002Fengine\u002Fssl\u002Ffixmatch.py)]\n    - [MixMatch：一种全面的半监督学习方法（NeurIPS'19）](https:\u002F\u002Farxiv.org\u002Fabs\u002F1905.02249) [[dassl\u002Fengine\u002Fssl\u002Fmixmatch.py](dassl\u002Fengine\u002Fssl\u002Fmixmatch.py)]\n    - [均值教师是更好的榜样：权重平均一致性目标提升半监督深度学习效果（NeurIPS'17）](https:\u002F\u002Farxiv.org\u002Fabs\u002F1703.01780) [[dassl\u002Fengine\u002Fssl\u002Fmean_teacher.py](dassl\u002Fengine\u002Fssl\u002Fmean_teacher.py)]\n    - [基于熵最小化的半监督学习（NeurIPS'04）](http:\u002F\u002Fpapers.nips.cc\u002Fpaper\u002F2740-semi-supervised-learning-by-entropy-minimization.pdf) [[dassl\u002Fengine\u002Fssl\u002Fentmin.py](dassl\u002Fengine\u002Fssl\u002Fentmin.py)]\n\n*欢迎提交 [PR](https:\u002F\u002Fdocs.github.com\u002Fen\u002Fgithub\u002Fcollaborating-with-issues-and-pull-requests\u002Fproposing-changes-to-your-work-with-pull-requests\u002Fcreating-a-pull-request-from-a-fork) 以在此处添加您的方法，从而方便他人进行基准测试！*\n\nDassl 支持以下数据集：\n\n- 域适应\n    - [Office-31](https:\u002F\u002Fscalable.mpi-inf.mpg.de\u002Ffiles\u002F2013\u002F04\u002Fsaenko_eccv_2010.pdf)\n    - [Office-Home](http:\u002F\u002Fhemanthdv.org\u002FOfficeHome-Dataset\u002F)\n    - [VisDA17](http:\u002F\u002Fai.bu.edu\u002Fvisda-2017\u002F)\n    - [CIFAR10](https:\u002F\u002Fwww.cs.toronto.edu\u002F~kriz\u002Fcifar.html)-[STL10](https:\u002F\u002Fcs.stanford.edu\u002F~acoates\u002Fstl10\u002F)\n    - [Digit-5](https:\u002F\u002Fgithub.com\u002FVisionLearningGroup\u002FVisionLearningGroup.github.io\u002Ftree\u002Fmaster\u002FM3SDA\u002Fcode_MSDA_digit#digit-five-download)\n    - [DomainNet](http:\u002F\u002Fai.bu.edu\u002FM3SDA\u002F)\n    - [miniDomainNet](https:\u002F\u002Farxiv.org\u002Fabs\u002F2003.07325)\n\n- 域泛化\n    - [PACS](https:\u002F\u002Farxiv.org\u002Fabs\u002F1710.03077)\n    - [VLCS](https:\u002F\u002Fpeople.csail.mit.edu\u002Ftorralba\u002Fpublications\u002Fdatasets_cvpr11.pdf)\n    - [Office-Home](http:\u002F\u002Fhemanthdv.org\u002FOfficeHome-Dataset\u002F)\n    - [Digits-DG](https:\u002F\u002Farxiv.org\u002Fabs\u002F2003.06054)\n    - [Digit-Single](https:\u002F\u002Farxiv.org\u002Fabs\u002F1805.12018)\n    - [CIFAR-10-C](https:\u002F\u002Farxiv.org\u002Fabs\u002F1807.01697)\n    - [CIFAR-100-C](https:\u002F\u002Farxiv.org\u002Fabs\u002F1807.01697)\n    - [iWildCam-WILDS](https:\u002F\u002Fwilds.stanford.edu\u002Fdatasets\u002F#iwildcam)\n    - [Camelyon17-WILDS](https:\u002F\u002Fwilds.stanford.edu\u002Fdatasets\u002F#camelyon17)\n    - [FMoW-WILDS](https:\u002F\u002Fwilds.stanford.edu\u002Fdatasets\u002F#fmow)\n\n- 半监督学习\n    - [CIFAR10\u002F100](https:\u002F\u002Fwww.cs.toronto.edu\u002F~kriz\u002Fcifar.html.)\n    - [SVHN](http:\u002F\u002Fufldl.stanford.edu\u002Fhousenumbers\u002F)\n    - [STL10](https:\u002F\u002Fcs.stanford.edu\u002F~acoates\u002Fstl10\u002F)\n\n## 开始使用\n\n### 安装\n\n请确保已正确安装 [conda](https:\u002F\u002Fwww.anaconda.com\u002Fdistribution\u002F)。\n\n```bash\n# 克隆此仓库\ngit clone https:\u002F\u002Fgithub.com\u002FKaiyangZhou\u002FDassl.pytorch.git\ncd Dassl.pytorch\u002F\n\n# 创建一个 conda 环境\nconda create -y -n dassl python=3.8\n\n# 激活环境\nconda activate dassl\n\n# 安装 torch（要求版本 >= 1.8.1）和 torchvision\n# 如果需要不同版本的 CUDA，请参考 https:\u002F\u002Fpytorch.org\u002F\nconda install pytorch torchvision cudatoolkit=10.2 -c pytorch\n\n# 安装依赖项\npip install -r requirements.txt\n\n# 安装本库（若源代码未修改，则无需重新构建）\npython setup.py develop\n```\n\n请按照 [DATASETS.md](.\u002FDATASETS.md) 中的说明对数据集进行预处理。\n\n### 训练\n\n主界面由 `tools\u002Ftrain.py` 实现，其主要流程如下：\n\n1. 使用 `cfg = setup_cfg(args)` 初始化配置，其中 `args` 包含命令行输入（具体输入参数列表请参见 `tools\u002Ftrain.py`）；\n2. 通过 `build_trainer(cfg)` 实例化一个 `trainer`，该过程会加载数据集并构建深度神经网络模型；\n3. 调用 `trainer.train()` 进行模型的训练与评估。\n\n下面以在流行的领域自适应数据集 Office-31 上训练源域专用基线为例：\n\n```bash\nCUDA_VISIBLE_DEVICES=0 python tools\u002Ftrain.py \\\n--root $DATA \\\n--trainer SourceOnly \\\n--source-domains amazon \\\n--target-domains webcam \\\n--dataset-config-file configs\u002Fdatasets\u002Fda\u002Foffice31.yaml \\\n--config-file configs\u002Ftrainers\u002Fda\u002Fsource_only\u002Foffice31.yaml \\\n--output-dir output\u002Fsource_only_office31\n```\n\n其中，`$DATA` 表示数据集的安装路径。`--dataset-config-file` 加载数据集的通用设置（例如本例中的 Office-31 数据集），如图像尺寸和模型架构。`--config-file` 则加载算法特定的设置，如超参数和优化参数。\n\n若要使用多个源域，即进行多源领域自适应任务，只需在 `--source-domains` 中添加更多源域即可。例如，在 miniDomainNet 数据集上训练源域专用基线时，可以执行以下命令：\n\n```bash\nCUDA_VISIBLE_DEVICES=0 python tools\u002Ftrain.py \\\n--root $DATA \\\n--trainer SourceOnly \\\n--source-domains clipart painting real \\\n--target-domains sketch \\\n--dataset-config-file configs\u002Fdatasets\u002Fda\u002Fmini_domainnet.yaml \\\n--config-file configs\u002Ftrainers\u002Fda\u002Fsource_only\u002Fmini_domainnet.yaml \\\n--output-dir output\u002Fsource_only_minidn\n```\n\n训练完成后，模型权重将保存到指定的输出目录中，并附带日志文件和用于可视化的 TensorBoard 文件。\n\n若需打印日志文件中保存的结果（避免手动逐个查看日志文件并计算均值与标准差），可使用 `tools\u002Fparse_test_res.py` 工具。具体使用说明可在代码中找到。\n\n对于其他训练器，如 `MCD`，只需将 `--trainer` 设置为 `MCD`，同时保持配置文件不变，即沿用与 `SourceOnly` 相同的训练参数（最简单的情况）。若需修改 MCD 的超参数，例如 `N_STEP_F`（更新特征提取器的步数），可在现有命令行参数后追加 `TRAINER.MCD.N_STEP_F 4`（否则将使用默认值）。此外，也可以创建一个新的 `.yaml` 配置文件来存储自定义设置。有关算法特定超参数的完整列表，请参阅 [此处](https:\u002F\u002Fgithub.com\u002FKaiyangZhou\u002FDassl.pytorch\u002Fblob\u002Fmaster\u002Fdassl\u002Fconfig\u002Fdefaults.py#L176)。\n\n### 测试\n\n模型测试可通过 `--eval-only` 参数完成，该参数会调用代码中的 `trainer.test()` 方法。此外，还需提供已训练好的模型，并指定使用的模型文件（即保存于哪个 epoch）。例如，若要使用保存在 `output\u002Fsource_only_office31\u002Fmodel.pth.tar-20` 的模型，可执行以下命令：\n\n```bash\nCUDA_VISIBLE_DEVICES=0 python tools\u002Ftrain.py \\\n--root $DATA \\\n--trainer SourceOnly \\\n--source-domains amazon \\\n--target-domains webcam \\\n--dataset-config-file configs\u002Fdatasets\u002Fda\u002Foffice31.yaml \\\n--config-file configs\u002Ftrainers\u002Fda\u002Fsource_only\u002Foffice31.yaml \\\n--output-dir output\u002Fsource_only_office31_test \\\n--eval-only \\\n--model-dir output\u002Fsource_only_office31 \\\n--load-epoch 20\n```\n\n请注意，`--model-dir` 应指向训练阶段 `--output-dir` 中指定的目录路径。\n\n### 编写新的训练器\n\n建议先阅读 `dassl\u002Fengine\u002Ftrainer.py`，熟悉基础训练器类，这些类提供了通用的功能和训练循环。若要编写用于领域自适应或半监督学习的训练器类，新类可继承自 `TrainerXU`；而对于领域泛化任务，则可继承自 `TrainerX`。特别地，`TrainerXU` 和 `TrainerX` 的主要区别在于是否使用无标签数据的数据加载器。借助这些基础类，新训练器通常只需实现 `forward_backward()` 方法，该方法负责损失计算和模型更新。具体示例可参考 `dassl\u002Fenigne\u002Fda\u002Fsource_only.py`。\n\n### 添加新的骨干网络\u002F头部\u002F网络\n\n`backbone` 对应于执行特征提取的卷积神经网络模型。`head`（可选模块）则位于 `backbone` 之上，用于进一步处理，例如多层感知机（MLP）。`backbone` 和 `head` 是构建 `SimpleNet()` 的基本组件（详见 `dassl\u002Fengine\u002Ftrainer.py`），而 `SimpleNet()` 则作为任务的主要模型。`network` 则包含自定义的神经网络模型，如图像生成器。\n\n要添加新的模块，即骨干网络、头部或网络，首先需要使用相应的注册表进行注册：`BACKBONE_REGISTRY` 用于骨干网络，`HEAD_REGISTRY` 用于头部，`NETWORK_RESIGTRY` 用于网络。需要注意的是，对于新的骨干网络，要求其必须继承 `dassl\u002Fmodeling\u002Fbackbone\u002Fbackbone.py` 中定义的 `Backbone` 类，并指定 `self._out_features` 属性。\n\n下面提供一个添加新骨干网络的示例：\n```python\nfrom dassl.modeling import Backbone, BACKBONE_REGISTRY\n\nclass MyBackbone(Backbone):\n\n    def __init__(self):\n        super().__init__()\n        # 创建各层\n        self.conv = ...\n\n        self._out_features = 2048\n\n    def forward(self, x):\n        # 提取并返回特征\n\n@BACKBONE_REGISTRY.register()\ndef my_backbone(**kwargs):\n    return MyBackbone()\n```\n\n随后，可通过设置 `MODEL.BACKBONE.NAME` 为 `my_backbone` 来使用您自定义的架构。更多详细信息请参考 `dassl\u002Fmodeling` 中的源代码。\n\n### 添加数据集\n\n以下是一个示例代码结构。请确保继承 `DatasetBase` 类，并使用 `@DATASET_REGISTRY.register()` 注册数据集。您只需加载 `train_x`、`train_u`（可选）、`val`（可选）和 `test`，其中 `train_u` 和 `val` 可以为 `None` 或直接忽略。这些变量各自包含一个 `Datum` 对象列表。`Datum` 对象（实现于 [此处](https:\u002F\u002Fgithub.com\u002FKaiyangZhou\u002FDassl.pytorch\u002Fblob\u002Fmaster\u002Fdassl\u002Fdata\u002Fdatasets\u002Fbase_dataset.py#L12)）包含单张图像的相关信息，如 `impath`（字符串）和 `label`（整数）。\n\n```python\nfrom dassl.data.datasets import DATASET_REGISTRY, Datum, DatasetBase\n\n@DATASET_REGISTRY.register()\nclass NewDataset(DatasetBase):\n\n    dataset_dir = ''\n\n    def __init__(self, cfg):\n        \n        train_x = ...\n        train_u = ...  # 可选，可以为 None\n        val = ...  # 可选，可以为 None\n        test = ...\n\n        super().__init__(train_x=train_x, train_u=train_u, val=val, test=test)\n```\n\n建议您参考一些基于 Dassl 构建的项目中的数据集代码，例如 [此项目](https:\u002F\u002Fgithub.com\u002FKaiyangZhou\u002FCoOp)。\n\n## 相关研究\n\n我们在此分享与 Dassl 相关的研究：\n\n- [设备端领域泛化](https:\u002F\u002Farxiv.org\u002Fabs\u002F2209.07521)\n- [领域泛化：综述](https:\u002F\u002Farxiv.org\u002Fabs\u002F2103.02503)（TPAMI 2022）\n- [领域自适应集成学习](https:\u002F\u002Farxiv.org\u002Fabs\u002F2003.07325)（TIP 2021）\n- [用于领域泛化与适应的 MixStyle 神经网络](https:\u002F\u002Farxiv.org\u002Fabs\u002F2107.02053)\n- [基于随机 StyleMatch 的半监督领域泛化](https:\u002F\u002Farxiv.org\u002Fabs\u002F2106.00592)\n- [使用 MixStyle 的领域泛化](https:\u002F\u002Fopenreview.net\u002Fforum?id=6xHJ37MVxxp)（ICLR 2021）\n- [为领域泛化学习生成新域](https:\u002F\u002Farxiv.org\u002Fabs\u002F2007.03304)（ECCV 2020）\n- [用于领域泛化的深度领域对抗图像生成](https:\u002F\u002Farxiv.org\u002Fabs\u002F2003.06054)（AAAI 2020）\n\n## 引用\n\n如果您认为此代码对您的研究有帮助，请引用以下论文：\n\n```\n@article{zhou2022domain,\n  title={Domain generalization: A survey},\n  author={Zhou, Kaiyang and Liu, Ziwei and Qiao, Yu and Xiang, Tao and Loy, Chen Change},\n  journal={IEEE Transactions on Pattern Analysis and Machine Intelligence},\n  year={2022},\n  publisher={IEEE}\n}\n\n@article{zhou2021domain,\n  title={Domain adaptive ensemble learning},\n  author={Zhou, Kaiyang and Yang, Yongxin and Qiao, Yu and Xiang, Tao},\n  journal={IEEE Transactions on Image Processing},\n  volume={30},\n  pages={8008--8018},\n  year={2021},\n  publisher={IEEE}\n}\n```","# Dassl.pytorch 快速上手指南\n\nDassl (Domain Adaptive Semi-Supervised Learning) 是一个基于 PyTorch 的模块化工具箱，专为**域适应 (DA)**、**域泛化 (DG)** 和**半监督学习 (SSL)** 的研究而设计。它提供了统一的接口和大量预实现的算法与数据集，支持快速原型开发。\n\n## 环境准备\n\n在开始之前，请确保您的系统满足以下要求：\n\n*   **操作系统**: Linux (推荐) 或 macOS\n*   **Python**: 3.8 及以上版本\n*   **包管理器**: Conda (推荐)\n*   **PyTorch**: 1.8.1 及以上版本\n*   **GPU**: 支持 CUDA 的 NVIDIA 显卡（可选，但强烈建议用于训练）\n\n> **注意**: 目前 Dassl 使用 `DataParallel` 进行多卡包装，尚未原生支持高效的 `DistributedDataParallel` 分布式训练。\n\n## 安装步骤\n\n建议使用 Conda 创建独立的虚拟环境以避免依赖冲突。国内用户可使用清华或中科大镜像源加速下载。\n\n```bash\n# 1. 克隆仓库\ngit clone https:\u002F\u002Fgithub.com\u002FKaiyangZhou\u002FDassl.pytorch.git\ncd Dassl.pytorch\u002F\n\n# 2. 创建并激活 Conda 环境 (指定 Python 3.8)\nconda create -y -n dassl python=3.8\nconda activate dassl\n\n# 3. 安装 PyTorch 和 torchvision\n# 国内用户推荐使用清华源加速 (-c 参数后添加镜像源地址)\n# 请根据您的 CUDA 版本调整 cudatoolkit 版本，此处以 10.2 为例\nconda install pytorch torchvision cudatoolkit=10.2 -c pytorch -c https:\u002F\u002Fmirrors.tuna.tsinghua.edu.cn\u002Fanaconda\u002Fcloud\u002Fpytorch\u002F\n\n# 4. 安装其他依赖\npip install -r requirements.txt -i https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple\n\n# 5. 以开发模式安装 Dassl 库\n# 此步骤允许您修改源代码后立即生效，无需重新编译\npython setup.py develop\n```\n\n安装完成后，请参考项目中的 `DATASETS.md` 文档下载并预处理所需的数据集（如 Office-31, PACS 等），并将数据放置在指定目录。\n\n## 基本使用\n\nDassl 的核心入口脚本是 `tools\u002Ftrain.py`。使用前需准备两个配置文件：\n1.  **数据集配置** (`--dataset-config-file`): 定义图像大小、模型架构等通用设置。\n2.  **训练器配置** (`--config-file`): 定义特定算法的超参数和优化策略。\n\n### 最简单的使用示例\n\n以下命令演示了如何在 **Office-31** 数据集上训练一个基础的 **SourceOnly** (仅源域) 基线模型，将 `amazon` 作为源域，`webcam` 作为目标域。\n\n请确保已将 `$DATA` 替换为您本地数据集的实际根目录路径。\n\n```bash\nCUDA_VISIBLE_DEVICES=0 python tools\u002Ftrain.py \\\n--root $DATA \\\n--trainer SourceOnly \\\n--source-domains amazon \\\n--target-domains webcam \\\n--dataset-config-file configs\u002Fdatasets\u002Fda\u002Foffice31.yaml \\\n--config-file configs\u002Ftrainers\u002Fda\u002Fsource_only\u002Foffice31.yaml \\\n--output-dir output\u002Fsource_only_office31\n```\n\n### 参数说明\n*   `--root`: 数据集存放的根目录。\n*   `--trainer`: 指定要使用的算法类名（如 `SourceOnly`, `DANN`, `MixStyle` 等，可在 `dassl\u002Fengine` 目录下查看支持列表）。\n*   `--source-domains` \u002F `--target-domains`: 指定源域和目标域名称。多源域适应只需在此处添加多个源域名称即可。\n*   `--output-dir`: 模型权重和日志的输出目录。\n\n通过修改 `--trainer` 和对应的配置文件，您可以轻松切换至域泛化或半监督学习任务。","某自动驾驶初创公司的算法团队正致力于提升车辆感知系统在极端天气（如暴雨、大雾）下的识别准确率，但面临目标场景标注数据极度匮乏的困境。\n\n### 没有 Dassl.pytorch 时\n- **重复造轮子效率低**：研究人员需从零搭建域适应（DA）和半监督学习（SSL）的基础框架，每次验证新想法都要花费数周重写数据加载和训练循环代码。\n- **实验对比困难**：由于缺乏统一的接口标准，复现论文中的基准方法（Baseline）耗时耗力，难以在相同条件下公平对比不同算法的性能差异。\n- **数据利用不充分**：面对大量未标注的雨天路测视频，团队缺乏现成的模块来有效挖掘这些无标签数据，导致模型泛化能力受限。\n- **原型验证周期长**：从构思一个新策略到完成代码实现并跑出初步结果，往往需要一个月以上，严重拖慢研发迭代节奏。\n\n### 使用 Dassl.pytorch 后\n- **快速原型开发**：借助其模块化设计，团队仅需编写几行核心逻辑代码，即可在现有引擎上快速实现并测试新的域泛化算法。\n- **统一实验基准**：直接调用内置的多种经典 DA\u002FDG\u002FSSL 方法作为基准，统一了数据预处理和评估流程，让性能对比变得清晰且可信。\n- **无缝融合无标签数据**：利用内置的半监督学习组件，轻松将未标注的恶劣天气视频融入训练过程，显著提升了模型在未知环境下的鲁棒性。\n- **研发效率倍增**：新方法从构思到验证的周期缩短至几天内，团队能将更多精力集中在算法创新而非基础设施维护上。\n\nDassl.pytorch 通过提供统一且灵活的科研工具箱，将原本繁琐的底层搭建工作转化为高效的算法创新过程，极大加速了跨域视觉任务的落地研究。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FKaiyangZhou_Dassl.pytorch_ac02298d.png","KaiyangZhou","Kaiyang","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002FKaiyangZhou_9db37149.png",null,"kaiyangzhou","https:\u002F\u002Fkaiyangzhou.github.io","https:\u002F\u002Fgithub.com\u002FKaiyangZhou",[80,84],{"name":81,"color":82,"percentage":83},"Python","#3572A5",99.8,{"name":85,"color":86,"percentage":87},"Shell","#89e051",0.2,1423,196,"2026-04-13T05:27:39","MIT","Linux, macOS, Windows","需要 NVIDIA GPU（用于 CUDA 加速），具体型号和显存未说明，需安装 cudatoolkit=10.2 或更高版本（根据 PyTorch 安装指南调整）","未说明",{"notes":96,"python":97,"dependencies":98},"建议使用 conda 管理环境。该工具不支持分布式多 GPU 训练（仅使用 DataParallel）。未提供详细文档，建议直接阅读源代码。运行前需按照 DATASETS.md 预处理数据集。","3.8",[99,100,101],"torch>=1.8.1","torchvision","requirements.txt 中列出的依赖包",[16,103,14,15],"其他",[105,106,107,108,109,110,111,112,113,114],"pytorch","benchmark-datasets","semi-supervised-learning","domain-adaptation","domain-generalization","deep-learning","machine-learning","computer-vision","artificial-intelligence","deep-neural-networks","2026-03-27T02:49:30.150509","2026-04-18T00:45:55.045323",[118,123,128,133,138,143],{"id":119,"question_zh":120,"answer_zh":121,"source_url":122},38312,"如何复现 DDAIG 在 PACS 数据集上的结果？","复现困难通常是因为超参数 `lmda` 需要针对不同域进行调整，不能对所有域使用相同的值（例如默认值 0.3）。建议：\n1. 对于 'sketch' 域，尝试更高的权重，如 0.5 或 0.7。\n2. 对于 'cartoon' 域，尝试 `lmda=0.5`。\n3. 确保像素归一化设置正确：为了保持像素值范围在 [0, 1]（因为 FCN 输出被压缩在 [-1, 1]），需设置 `INPUT.PIXEL_MEAN = [0., 0., 0.]` 和 `INPUT.PIXEL_STD = [1., 1., 1.]`。\n4. 参考作者提供的原始日志文件以获取具体的参数设置。","https:\u002F\u002Fgithub.com\u002FKaiyangZhou\u002FDassl.pytorch\u002Fissues\u002F6",{"id":124,"question_zh":125,"answer_zh":126,"source_url":127},38313,"无法复现 Office-Home 数据集上 Vanilla 模型（ResNet-18）的论文结果怎么办？","如果结果低于论文报告值，请检查以下配置：\n1. **Batch Size**：尝试将训练批大小设置为 32（默认通常是 32），这通常能产生更好的结果。\n2. **学习率调度器**：`cosine` 调度器可能不适用于 PACS 或 OFFICE-HOME。建议改用 Step 调度器，配置如下：\n   - `OPTIM.NAME`: \"sgd\"\n   - `OPTIM.LR`: 5e-4\n   - `OPTIM.STEPSIZE`: [20]\n   - `OPTIM.GAMMA`: 0.1\n   - `OPTIM.MAX_EPOCH`: 50\n3. 对比实验显示，使用上述 Step 调度器和较小的 Batch Size (16) 也能获得接近或优于论文报告的 Vanilla 结果。","https:\u002F\u002Fgithub.com\u002FKaiyangZhou\u002FDassl.pytorch\u002Fissues\u002F16",{"id":129,"question_zh":130,"answer_zh":131,"source_url":132},38314,"在使用 FixMatch 训练自定义数据集时遇到 KeyError: 'img2' 错误如何解决？","该错误通常是因为配置文件中的 `K_TRANSFORMS` 设置不当。FixMatch 需要两个增强视图，但如果在自定义数据集包装器中只返回了一张图像，就会报错。\n解决方案：\n1. 检查 `DATALOADER.K_TRANSFORMS` 的设置。虽然直觉上可能设为 2，但在某些实现或上下文中，可能需要根据数据加载器的具体逻辑调整（有用户反馈设为 1 解决了问题，或者需要确保 DatasetWrapper 正确返回了包含 'img' 和 'img2' 的字典）。\n2. 检查 `dassl\u002Fdata\u002Fdata_manager.py` 中关于 `K_TRANSFORMS` 的处理逻辑，确保数据加载部分正确生成了所需的增强视图键名。","https:\u002F\u002Fgithub.com\u002FKaiyangZhou\u002FDassl.pytorch\u002Fissues\u002F51",{"id":134,"question_zh":135,"answer_zh":136,"source_url":137},38315,"在异构域泛化（Heterogeneous DG）或 Re-ID 任务中，输入图像的像素均值和标准差应该如何设置？","为了保持 `Torch.ToTensor()` 转换后的像素值范围在 [0, 1] 不变，应使用零均值和单位方差。\n具体配置代码如下：\n```python\nINPUT.PIXEL_MEAN = [0., 0., 0.]\nINPUT.PIXEL_STD = [1., 1., 1.]\n```\n注意：不要使用 ImageNet 的均值和标准差将图像归一化到 (-1, 1)，除非明确知道模型需要该范围。在 DG 实验中，保持 [0, 1] 范围是重要的，因为某些网络组件（如 FCN）的输出范围与此相关。","https:\u002F\u002Fgithub.com\u002FKaiyangZhou\u002FDassl.pytorch\u002Fissues\u002F11",{"id":139,"question_zh":140,"answer_zh":141,"source_url":142},38316,"当源域数据量不一致时，采样器如何处理以确保每个源域采样数量相同？","当所有源域数据合并为一个数据集并进行采样时，如果某个源域数据较少，确实可能出现数据不足的情况。Dassl 使用了特定的采样策略来处理这个问题。\n建议参考源码 `dassl\u002Fdata\u002Fsamplers.py`（特别是第 7 行附近）了解具体的采样逻辑。通常这类库会通过重复采样（re-sampling）小数据集或限制大数据集的采样来平衡每个 batch 中各源域的样本数量。","https:\u002F\u002Fgithub.com\u002FKaiyangZhou\u002FDassl.pytorch\u002Fissues\u002F2",{"id":144,"question_zh":145,"answer_zh":146,"source_url":147},38317,"DDAIG 方法在不同域上的 `lmda` 参数是否有通用值？","没有通用的 `lmda` 值，这是复现 DDAIG 的难点之一。不同的目标域需要不同的 `lmda` 权重：\n- 默认值 `lmda=0.3` 可能适用于某些域（如 'art'）。\n- 对于 'sketch' 域，通常需要更高的权重（如 0.5 或 0.7）。\n- 对于 'cartoon' 域，建议尝试 `lmda=0.5`。\n- 如果使用 ImageNet 统计信息进行预处理，可能需要进一步增加 `lmda`（例如设为 1.5）以补偿分布差异。\n建议针对每个域单独进行简单的网格搜索以找到最佳值。","https:\u002F\u002Fgithub.com\u002FKaiyangZhou\u002FDassl.pytorch\u002Fissues\u002F12",[]]