简介
根据CoGAN作者的官方开源实现了CoGAN的数字集域适应任务。
开源地址：https://github.com/mingyuliutw/CoGAN，。
开源代码的分析见机器学习·CoGAN开源解析。
关键字
CoGAN、域适应、深度学习、神经网络、机器学习、复现
正文
1. 概述
前天解析了大神开源，原来打算把作者大神的官方代码拿来跑跑看看结果就行，结果由于本地环境与开源代码的环境差异有点大，各种尝试未果，决定参考官方代码自行实现。按照昨天总结深度学习算法实现的一般套路(pytorch)的结构，按照数据处理，模型定义，参数更新，模型选择4部分来复现。本地环境：python3.7.5，pytorch1.3.1，torchvision0.4.2；1080Ti，cuda10。
2. 数据
数字集两个mnist，usps，第一个mnist使用torchvision.datasets自带的MNIST是28*28的，直接使用就好，其中训练集样本数量60000，测试集样本数量10000；第二个usps集在torchvision.datasets里也有，但是早期torchvision.datasets版本是没有的，在torchvision.datasets内的usps是16*16的。作者使用的是自己处理好的usps数据集，以及处理好28*28，可以从作者官方开源的网址获取，其中训练集样本数量7438，测试集样本数量1860。
3. 实现概要
一共9个文件，分述如下：
config.py：配置，主要包括迭代次数，快照间隔，批数量，损失平衡系数，任务选择，随机种子等。
get_dataloader.py：读取数据，输出3个dataloader对象，分别是A域训练集（含标签），B域训练集（不含标签），B域测试集（不含标签）。
init.py：对模型参数的初始化，定义了两种，高斯和Xavier，供Trainer内对模型进行初始化，这边只用了Xavier的初始化方式。
main.py：主函数，读取config.py，然后执行slover.py就完了。
model.py：基本照搬官方开源代码，提供了模型的网络结构。
solver.py：参考开源自行实现。作用是声明Trainer对象，使用Trainer的更新参数行为训练判别器、生成器、分类器。按照快照间隔使用B域测试集测试分类准确率。直到最大迭代次数。
trainer.py：包装了模型及其模型的行为，也就是一次参数更新。
usps.py：基本照搬官方开源代码，对usps数据源进行处理，形成dataset类型的数据对象。
utils.py：按照随机种子，固定程序的一些随机行为。
4. 结果
任务：在A域训练集（含标签），B域训练集（不含标签）上训练，在B域（不含标签）的测试集上测试，指标为分类准确率。做了2个任务在mnist上训练，在usps上测试，最高准确率为95.97%；在usps上训练，在mnist上测试，最高准确率为94.34%。最大迭代次数10000，每100次进行一次测试，如图，上图是m2u，下图是u2m，纵轴是准确率，单位是1%；横轴是次数，单位是10^2。
参考资料
[1] Liu M Y, Tuzel O. Coupled generative adversarial networks[C]//Advances in neural information processing systems. 2016: 469-477.
[2] https://github.com/mingyuliutw/CoGAN
[3] https://www.jianshu.com/p/5b31cc80e3a2
[4] https://www.jianshu.com/p/c02b5567655e
[5] https://www.jianshu.com/p/a534e0e50d10
