-
Notifications
You must be signed in to change notification settings - Fork 23
/
README.txt
78 lines (54 loc) · 2.87 KB
/
README.txt
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
domain adaptation实现
=============================
项目在cnn网络上实现了domain adaptation
项目大体上遵照论文：unsupervised domain adaptation by backpropagation :
下载地址：http://machinelearning.wustl.edu/mlpapers/paper_files/icml2015_ganin15.pdf
=============================
实现是基于cnn网络
CNN代码解读博文：http://blog.csdn.net/u012162613/article/details/43225445
CNN代码来源：https://github.com/wepe/MachineLearning/blob/master/DeepLearning%20Tutorials/cnn_LeNet/convolutional_mlp_commentate.py
=============================
项目文件下只有四个文件夹：SRC，data，result，reference
=============================
SRC存储了项目所有的源代码：
运行顺序：generate_data.py -> generateMNIST_SandMNIST_T.py -> cnn_~~~.py
generate_data.py:根据mnist.pkl.gz生成目标域数据集：target~.pkl和st~.pkl（存在data/下）
可以在generate_data.py中修改theta（源域和目标域图片做差时乘的比例，防止两个域的差距过大）
generateMNIST_SandMNIST_T.py：根据source.pkl、target~.pkl和st~.pkl生成部分图片，用来做展示
只生成了一部分，train,valid,test各生成10个图片。
cnn_ts_ts.py:在源域上训练，在源域上测试
cnn_ts_tt.py:在源域上训练，在目标域上测试（验证集为目标域数据）
cnn_tt_tt.py:在目标域上训练，在目标域上测试
cnn_tst_ts.py:在源域和目标域上训练，在目标域上测试（也就是使用领域自适应机制）（验证集合为目标域数据）
可以在其中调节lmbda（论文中公式4的lambda）
上述4个文件将结果输出在txt文件中，存在result/下
=============================
data下存了项目需要存的数据：
在运行程序前要具有以下文件：BSR文件夹，imageMNIST_T文件夹，imageMNIST_S文件夹，mnist.pkl.gz, source.pkl
其中BSR文件夹：
下载来源：http://www.eecs.berkeley.edu/Research/Projects/CS/vision/grouping/BSR/BSR_bsds500.tgz
数据集介绍：https://www2.eecs.berkeley.edu/Research/Projects/CS/vision/grouping/resources.html#bsds500
下载完成之后将BSR_bsds500.tgz解压，包含一个BSR文件夹，把这个BSR文件夹放到data下就行
imageMNIST_S和imageMNIST_T:两个文件夹存储generateMNIST_SandMNIST_T.py生成的图片，
imageMNIST_S存储源域的图片
imageMNIST_T存储目标域图片
运行前为空即可
imageMNIST_S和imageMNIST_T中名字相同的图片相对应
mnist.pkl.gz：是mnist数据集，运行前要下载好
数据来源：http://www.iro.umontreal.ca/~lisa/deep/data/mnist/mnist.pkl.gz
source.pkl：是mnist.pkl.gz的解压文件，运行前要解压好
运行后会生成st~.pkl和target~.pkl存在data下：
其中~部分表示theta的取值
=============================
result下存了运行结果
运行结果文件命名方式和代码文件命名方式相同
=============================
reference下存了项目论文
unsupervised domain adaptation by backpropagation
=============================
项目调节的主要参数：
theta：源域和噪声域图片同像素点灰度值做差时，噪声域乘的比例。
论文中4.1Results--MNIST->MNIST-M中的图片生成公式，我在I1和I2做差时对I2乘了一个theta，控制源域和目标域的差距。
theta在0到1之间，越小差距越小，越大差距越大
lmbda：论文中公式4的lambda。控制在反向传播过程中，域分类器的损失对特征提取器的参数的修改程度。
lmbda在0到1之间，lmbda越小，域分类器的损失对特征提取器的参数的修改程度越小。