这是论文 无监督域适应的反向传播方法 的 PyTorch 实现

环境

• PyTorch 1.0
• Python 2.7

网络结构

数据集

首先，你需要从 pan.baidu.com 下载目标数据集 mnist_m，提取码：kjan；或者从 Google Drive 下载。

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

训练

然后，运行 main.py。

如果你使用的是 Python 3 或 Docker 版本，请前往 DANN_py3。

DANN 快速上手指南

DANN（Domain-Adversarial Neural Networks）是一个基于 PyTorch 实现的无监督域适应工具，源自论文《Unsupervised Domain Adaptation by Backpropagation》。本指南将帮助你快速在本地环境中运行该工具。

环境准备

在开始之前，请确保你的系统满足以下要求：

• 操作系统：Linux / macOS / Windows
• Python 版本：Python 2.7（注意：原文主要支持 Python 2.7，若需使用 Python 3 请参考项目提到的 DANN_py3 分支）
• 深度学习框架：PyTorch 1.0
• 其他依赖：标准科学计算库（如 numpy, torchvision 等，通常随 PyTorch 安装）

安装步骤

1. 获取代码

首先克隆或下载本项目代码到本地。

2. 准备数据集

本项目默认使用 mnist_m 作为目标数据集。由于原链接包含百度网盘和 Google Drive，国内用户推荐优先使用百度网盘下载以提高速度。

• 下载地址：百度网盘
• 提取码：kjan

下载完成后，在终端执行以下命令解压数据：

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

提示：请确保 mnist_m.tar.gz 文件已放置在 dataset/mnist_m/ 目录下。

基本使用

完成环境配置和数据集准备后，即可启动训练。

在项目根目录下运行主脚本：

python main.py

程序将自动加载数据并开始进行域适应训练。

---

注意：如果你需要使用 Python 3 或 Docker 环境，请访问官方推荐的适配版本仓库：DANN_py3。