【PyTorch】实现迁移学习框架DANN

丹恩 PyTorch实施DANN（神经网络领域-专业训练） “” “” 先决条件 python 3.5 pytorch 0.4.1 结果 MNIST -> MNIST-M 这项工作的结果来自平均（以下五项测试）。 实验 仅来源 丹恩 MNIST和MNIST-M功能分布 仅来源 域适应（DANN）

Pytoch_DAN 这是的的简单实现pytorch。 本文介绍了一种简单有效的方法通过丢失MMD来完成对domian的适应。 根据这篇论文， 多层功能可适应MMD损失。 本文基于模型在AlexNet上进行了测试，并在多个数据集上进行了测试，而这项工作只是利用了LeNet并在MNIST和MNIST_M数据集上进行测试。 原始实现喝咖啡的人。 数据 在这项工作中，在实验中使用了MNIST和MNIST_M数据集。 MNIST数据集可以通过torchvision.datasets下载。 MINIST_M数据集可以是downloa- 在。 然后，您可以将文件提取到数据目录中， ctory并运行preprocess.py以使该目录可用于torchvision.datasets.ImageFolder ： python preprocess.py 如果您无法从下载MNIST_M数据集，则可以ld

在传统的机器学习的框架下，学习的任务就是在给定充分训练数据的基础上来学习一个分类模型；然后利用这个学习到的模型来对测试文档进行分类与预测。然而，我们看到机器学习算法在当前的Web挖掘研究中存在着一个关键的问题：一些新出现的领域中的大量训练数据非常难得到。我们看到Web应用领域的发展很快速。大量新的领域不断涌现，从传统的新闻，到网页，到图片，再到博客、播客等。传统的机器学习需要对每个领域都标定大量训练数据，这将会耗费大量的人力与物力。而没有大量的标注数据，会使得很多与学习相关研究与应用无法开展。其次，传统的机器学习假设训练数据与测试数据服从相同的数据分布。然而，在许多情况下，这种同分布假设并不满足。通常可能发生的情况如训练数据过期。这往往需要我们去重新标注大量的训练数据以满足我们训练的需要，但标注新数据是非常昂贵的，需要大量的人力与物力。从另外一个角度上看，如果我们有了大量的、在不同分布下的训练数据，完全丢弃这些数据也是非常浪费的。如何合理的利用这些数据就是迁移学习主要解决的问题。

一些相关的迁移学习论文的代码以及数据集，DAAN,DAN,DaNN,DDC,DeepCoral,ResNet,AlexRet,MRAN,TCP等等，包括一些常用的数据集，内容详细，需要的可以下载。