域适应简介

域适应是迁移学习中最常见的问题之一，域不同但任务相同，且源域数据有标签，目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目标域的特征投影到相似的特征空间，这样就可以拿源域的分类器对目标域进行分类了

下面拿二分类做说明，如下图：域.PNG 图中红圈是源域，蓝圈是目标域，圆圈和叉是不同特征的数据，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目标域上分类，从图中可以看到，效果很差。那怎么办呢，有一种方法就是把源域和目标域的分布对齐，如图片右边所示，源域目标域的分布相似（即相似特征的数据分布在相近的位置），这样就可以直接拿源域的分类器对目标域进行分类了。

训练过程域对抗生成网络 GAN 相似同时训练两个模型：一个用来提取目标域特征 MT，和一个用来判断特征来自源域还是目标域的域辨别器 D，MT 的训练过程是最大化 D 产生错误的过程，即MT提取的特征让 D 分辨不出来是来自源域还是目标域。

目标域特征提取器 MT 和域判别器 D 互为对手：D 学习去判别特征是来自源域还是目标域，MT 学习让自己提取的特征更接近源域提取出的特征。目标域特征提取器 MT 可以被认为是一个伪造团队，试图产生假货并在不被发现的情况下使用它，而域判别器 D 类似于警察，试图检测假币。在这个游戏中的竞争驱使两个团队改进他们的方法，直到真假难分为止。

对抗性域适应

数据的选取

为了效果好，训练简单，我选取 mnist 数据集中 0、1 的数据作为源域，2、3 的数据作为目标域。源域和目标域的数据各 10000 个。在训练时，源域可获得数据和标签，而目标域只能获得数据，没有标签，来模拟域适应的背景。目标域的标签仅在测试精度时使用。

网络

1.源域特征提取器 MS、目标域特征提取器 MT。所谓特征提取器，实际上就是将识别 mnist 的网络去掉最后一层分类层。

		(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)

把这个网络的输出看作是提取出的特征

2.分类器C。实际就是识别 mnist 的网络最后一层分类层，一个简单的全连接网络。

		Classifier (
    (fc2): Linear (512 -> 2)
    )

3.域识别器 D。根据特征提取器的输出来判别数据来自源域还是目标域，输出 0 代表来自源域，输出 1 代表来自目标域。

		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 过程1.PNG 训练过程和一般训练过程相似，只不过把整个网络分成了两部分来训练、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())
    # 保存模型
    np.save(params.MS_save_dir, MS.get_w())
    np.save(params.C_save_dir, C.get_w())

训练完成后，在源域的精确度为 0.9985 如果直接拿源域的特征提取器和分类器对目标域进行分类的话，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，即不改变它们的网络权重，在源域和目标域上对抗式学习目标域特征提取器 MT 和域识别器 D 1.用 MS 初始化 MT，这样开始目标域会获得一个不错的精度 0.5840，接着在这个基础上训练，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())

过程2.PNG

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 域辨别器
        data_zip = zip(loader_ms, loader_mt)
        for i, ((images_s, labels_s), (images_t, labels_t)) in enumerate(data_zip):
            ################对域辨别器D的训练
            # 提取的特征
            f_s = MS(images_s)
            f_t = MT(images_t)
            f_cat = torch.cat((f_s, f_t), 0)
            # 域辨别器辨别结果
            out_D = D(f_cat.detach())

            predicts_D = torch.max(out_D.data, 1)[1]
            if i == 0:
                print('域辨别器的辨别结果')
                print(predicts_D)

            # 构造损失对比用的标签
            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)
            # 反向传播
            loss_D.backward()
            # 优化网络
            o_d.step()
            ##############################对目标域特征提取器MT的训练
            # 提取的特征
            f_t = MT(images_t)
            # 域辨别器辨别结果
            d_t = D(f_t)
            # 构造计算损失的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)
            # 反向传播
            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())
    # 保存模型
    np.save(params.MT_save_dir, MT.get_w())
    np.save(params.D_save_dir, D.get_w())

用MT和C在目标域上分类

最后用训练好的目标域特征提取器 MT 和分类器 C 来在目标域上分类过程3.PNG

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))