作者代码实现了DANN中MNIST->MNIST-M的转换。
实验环境要求：
scipy>=1.1.0
numpy>=1.14.3
matplotlib>=2.1.0
torch>=0.4.1
Pillow>=5.1.0
scikit_learn>=0.19.2
torchvision>=0.2.1
论文中关于这个网络结构，图形表示如下：
网络结构
代码中对特征提取器，域分类器，类分类器分别定义一个类。
特征提取器（绿色部分），经过两次卷积，两次池化，结果如下：
特征提取器
域分类器经过两个全连接层。
域分类器
第一个全连接层输入为48*4*4=768，输出为100，第二个全连接层输入为100，输出为2。
Pytorch中的损失函数：
CrossEntropyLoss()=log_softmax() + NLLLoss()
log_softmax() ：先做softmax，后做log
NLLLoss(negative log likelihood loss)：最大似然 / log似然代价函数， 输入 是一个对数概率向量和一个目标标签，对数概率向量可以是log_softmax()的输出。
log似然代价函数的计算公式
有一篇博客以举例子并验证的方式形象化的解释了这个结果，博客链接如下：
Pytorch中的变量（Variable）
pytorch中的变量有三个属性，分别是data表示变量中的具体值， grad表示这个变量反向传播的梯度， grad_fn表示是通过什么操作得到这个变量的例如( 加减乘除、卷积、反置卷积)。
https://blog.csdn.net/qq_41776781/article/details/93967961
关于变量的介绍，参考的是上面的博客
