这是论文 通过反向传播实现无监督域适应 的 PyTorch 实现

环境

• PyTorch 1.6
• Python 3.8.5

网络结构

数据集

首先，从 pan.quark.com 或 Google Drive 下载目标数据集 mnist_m，并将 mnist_m 数据集放入 dataset/mnist_m 目录下，目录结构如下：

--dataset--mnist_m--mnist_m_train
                 |--mnist_m_test
                 |--mnist_m_train_labels.txt
                 |--mnist_m_test_labels.txt
                 |--.gitkeep

训练

然后，运行 python main.py

Docker

• 构建镜像

docker build -t pytorch_dann .

• 运行 Docker 容器

docker run -it --runtime=nvidia \
  -u $(id -u):$(id -g) \
  -v /YOUR/DANN/PROJECT/dataset:/DANN/dataset \
  -v /YOUR/DANN/PROJECT/models:/DANN/models \
  pytorch_dann:latest \
  python main.py

DANN_py3 快速上手指南

DANN_py3 是论文《Unsupervised Domain Adaptation by Backpropagation》的 PyTorch 实现，用于无监督域适应任务。

环境准备

在开始之前，请确保您的系统满足以下要求：

• 操作系统：Linux / macOS / Windows (需配置 CUDA 环境)
• Python 版本：3.8.5
• 深度学习框架：PyTorch 1.6
• 硬件要求：推荐使用 NVIDIA GPU 以加速训练（若使用 Docker 需安装 nvidia-docker）

安装步骤

1. 克隆项目与依赖安装

确保已安装对应版本的 PyTorch，然后克隆代码库（假设代码已在本地）：

# 验证 Python 和 PyTorch 版本
python --version
python -c "import torch; print(torch.__version__)"

2. 数据集准备

本项目默认使用 mnist_m 作为目标域数据集。请从以下地址下载数据（优先推荐国内高速源）：

• 国内下载源：夸克网盘
• 备用下载源：Google Drive

下载完成后，请将数据解压并整理为以下目录结构：

dataset/
└── mnist_m/
    ├── mnist_m_train/
    ├── mnist_m_test/
    ├── mnist_m_train_labels.txt
    ├── mnist_m_test_labels.txt
    └── .gitkeep

基本使用

方式一：直接运行（推荐）

确保数据集已按上述结构放置好，直接在项目根目录下运行主脚本即可开始训练：

python main.py

方式二：使用 Docker 运行

如果您希望使用容器化环境以避免依赖冲突，可按以下步骤操作：

1. 构建镜像

docker build -t pytorch_dann .

2. 运行容器

请替换命令中的 /YOUR/DANN/PROJECT 为您本地的实际项目绝对路径：

docker run -it --runtime=nvidia \
  -u $(id -u):$(id -g) \
  -v /YOUR/DANN/PROJECT/dataset:/DANN/dataset \
  -v /YOUR/DANN/PROJECT/models:/DANN/models \
  pytorch_dann:latest \
  python main.py

运行后，模型权重将保存在挂载的 models 目录中。