跨域半监督自适应学习
torch-salad的Python项目详细描述
沙拉
==
**s**\emi监督**a**\daptive**l**\earning**a**\cross**d**\omains
图：img/domainshift.png
：alt:
``salar``是一个库，可以使用当前的领域适应技术轻松设置实验。它具有几种
最新的方法，目的是能够在算法之间进行公平的比较
，并将它们转移到现实世界的用例中。
工具箱正在积极开发中，并将在新的
方法发布时进行扩展。
在github上发表文章：`https://github.com/domainadaptation/salad`\br/>
`arxiv:1802.08735<；https://arxiv.org/abs/1802.08735>；`
-dirt-t（``dirttsolver`）、
`arxiv:1802.08735<；https://arxiv.org/abs/1802.08735>；`
-用于可视域自适应的自增强
（``selfensblingsolver`）
`arxiv:1706.05208<；https://arxiv.org/abs/1706.05208>；`
-关联域适配（` ` associativesolver``）、
`arxiv:1708.00938<；https://arxiv.org/pdf/1708.00938.pdf>；`
-域对抗训练（``dannsolver`）、
`jmlr:v17/15-239.html<；http://jmlr.org/papers/v17/15-239.html>；``跨梯度训练跨域泛化
（``跨梯度求解器``）、
` arxiv:1708.00938<；http://arxiv.org/abs/1804.10745>；``逆退出规则化（``逆退出解决器``），
`arxiv.org:1711.01575<；https://arxiv.org/abs/1711.01575>；`
实现了以下功能（在``salar.layers```中）：
-使用指数移动平均值进行权重累积或存储
权重
-walkerloss和访问损失
（`arxiv:1708.00938<；https://arxiv.org/pdf/1708.00938.pdf>；``uxiv
-虚拟对抗训练
（`arxiv:1704.03976<；https://arxiv.org/abs/1704.03976>；``uxiv
即将推出：
-深度联合优化运输（``djdotsolver`）、
`arxiv:1803.10081<；https://arxiv.org/abs/1803.10081>；`_
-基于翻译的方法
最新的结果可以通过``scripts/``
目录中的文件进行复制。图：img/benchmarks.svg
：alt:
代码：：bash
pip install-r requirements.txt
代码：：bash
pip install torch salad
对于最新的开发版本，请通过
安装。代码：：bash
pip安装git+https://github.com/bethgelab/domain adaptation
这个
库包含在
general中轻松设置深度学习实验的代码。
此部分将在预发布时扩展。
快速启动
~~~~~~~~~~~~~~
开始，"`scripts/`"目录包含几个python脚本
，用于运行数字基准的复制研究和对不同数据集的研究（例如：对噪声图像的适应）。
代码：：bash
$cd scripts
$python train_digits.py--log./log--teach--source svhn--target mnist
有关所有选项，请参阅帮助页：
。代码：
用法：train_digits.py[-h][--gpu gpu][--cpu][--njobs njobs][--log log]
[--epochs epochs][--checkpoint checkpoint]
[--learningrate learningrate][--dryrun]
[--source{mnist，svhn，usps，synth，synth small}]
[--target{mnist，svhn，usps，synth，synth small}]
[--sourcebatch sourcebatch][--targetbatch targetbatch]
[--seed seed][--print][--null][--adv][--vada]
[--dann][--assoc][--coral][--teach]
--帮助显示此帮助消息并退出
--GPU GPU指定GPU
--CPU使用CPU培训
--njobs njobs每个数据加载器的进程数
--日志日志日志目录。如果不存在
--epochs epochs epochs数量（完全通过无监督的
培训集）
--检查点检查点
检查点路径
--学习率学习率
亚当的学习率。默认为karpathy的
常量；-）
--dryrun执行测试运行，而不实际训练
网络。
--源{mnist，svhn，usps，synth，synth small}
源数据集。选择mnist或svhn
--目标{mnist，svhn，usps，synth，synth small}
目标数据集。选择mnist或svhn
--source batch sourcebatch
source的批大小
--targetbatch targetbatch
target的批大小
--种子随机种子
--打印
--null
--adv训练具有对抗域正则化的模型
--VADA训练具有虚拟对抗域的模型
自适应
--DANN训练具有域对抗训练的模型
--ASSOC训练具有关联域适配
--coral训练具有深度相关对齐的模型
--教导训练具有自相关的模型
使用解算器抽象的原因
~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~
抽象样式将实验组织到
``solver``.
quickstart:mnist experiment
~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~
代码：：python
from salad.solvers import solver
class mnistsolver（solver）：
self.model=model
super（）。\uu初始（dataset，**kwargs）
def初始优化（self，lrr=1e-4，**kwargs）：
super（）。\u init_optims（**kwargs）
opt=torch.optim.adam（self.model.parameters（），lr=lr）
self.register_optimizer（opt）
def_init_loss（self）：
pass
与其他
pytorch示例"todo<；>；` uuuu.
在建（）
`_
（
>
-合成（gan）-合成（gan）-真实（128679；）
-cifar-cifar-stl（128679；）
-imagenet-imagenet-to
`icubworld<；https://robotogolology.github.io/icubworld/icubworld/datasets>；` ` ` ` ` ` ` ` ` ` ` ` ` ` ` ` ` ` ` icubworld<；https://robotolology.github.io/icubworld/datadatasets>；` ` ` ` ` ` ` ` ` `mozilla.org/>；`_（）
开放源代码软件
特别是：
-https://github.com/britefury/self-ensemble-visual-domain-adapt
-https://github.com/britefury/self-ensemble-visual-domain-adapt-photo/
-https://github.com/ruishu/dirt
-https://github.com/gpascualg/crossgrad
-https://github.com/stes/torch associative
-https://github.com/haeusser/learning\\\\\\&u association
-https://mil tokyo.github.io/adr\&u da/
联系人：由"steffen schneider<；https://code.stes.io>；"维护。这项工作是我在"贝斯格实验室"的论文项目的一部分。此
自述文件也可以作为网页在
`salad.domainadaptation.org<；http://salad.domainadaptation.org>；`uu'上找到。我们
欢迎发布并将请求"拉到正式的github
存储库<；https://github.com/bethgelab/domainadaptation>；``uu.
==
**s**\emi监督**a**\daptive**l**\earning**a**\cross**d**\omains
图：img/domainshift.png
：alt:
``salar``是一个库，可以使用当前的领域适应技术轻松设置实验。它具有几种
最新的方法，目的是能够在算法之间进行公平的比较
，并将它们转移到现实世界的用例中。
工具箱正在积极开发中，并将在新的
方法发布时进行扩展。
在github上发表文章：`https://github.com/domainadaptation/salad`\br/>
`arxiv:1802.08735<；https://arxiv.org/abs/1802.08735>；`
-dirt-t（``dirttsolver`）、
`arxiv:1802.08735<；https://arxiv.org/abs/1802.08735>；`
-用于可视域自适应的自增强
（``selfensblingsolver`）
`arxiv:1706.05208<；https://arxiv.org/abs/1706.05208>；`
-关联域适配（` ` associativesolver``）、
`arxiv:1708.00938<；https://arxiv.org/pdf/1708.00938.pdf>；`
-域对抗训练（``dannsolver`）、
`jmlr:v17/15-239.html<；http://jmlr.org/papers/v17/15-239.html>；``跨梯度训练跨域泛化
（``跨梯度求解器``）、
` arxiv:1708.00938<；http://arxiv.org/abs/1804.10745>；``逆退出规则化（``逆退出解决器``），
`arxiv.org:1711.01575<；https://arxiv.org/abs/1711.01575>；`
实现了以下功能（在``salar.layers```中）：
-使用指数移动平均值进行权重累积或存储
权重
-walkerloss和访问损失
（`arxiv:1708.00938<；https://arxiv.org/pdf/1708.00938.pdf>；``uxiv
-虚拟对抗训练
（`arxiv:1704.03976<；https://arxiv.org/abs/1704.03976>；``uxiv
即将推出：
-深度联合优化运输（``djdotsolver`）、
`arxiv:1803.10081<；https://arxiv.org/abs/1803.10081>；`_
-基于翻译的方法
最新的结果可以通过``scripts/``
目录中的文件进行复制。图：img/benchmarks.svg
：alt:
代码：：bash
pip install-r requirements.txt
代码：：bash
pip install torch salad
对于最新的开发版本，请通过
安装。代码：：bash
pip安装git+https://github.com/bethgelab/domain adaptation
这个
库包含在
general中轻松设置深度学习实验的代码。
此部分将在预发布时扩展。
快速启动
~~~~~~~~~~~~~~
开始，"`scripts/`"目录包含几个python脚本
，用于运行数字基准的复制研究和对不同数据集的研究（例如：对噪声图像的适应）。
代码：：bash
$cd scripts
$python train_digits.py--log./log--teach--source svhn--target mnist
有关所有选项，请参阅帮助页：
。代码：
用法：train_digits.py[-h][--gpu gpu][--cpu][--njobs njobs][--log log]
[--epochs epochs][--checkpoint checkpoint]
[--learningrate learningrate][--dryrun]
[--source{mnist，svhn，usps，synth，synth small}]
[--target{mnist，svhn，usps，synth，synth small}]
[--sourcebatch sourcebatch][--targetbatch targetbatch]
[--seed seed][--print][--null][--adv][--vada]
[--dann][--assoc][--coral][--teach]
--帮助显示此帮助消息并退出
--GPU GPU指定GPU
--CPU使用CPU培训
--njobs njobs每个数据加载器的进程数
--日志日志日志目录。如果不存在
--epochs epochs epochs数量（完全通过无监督的
培训集）
--检查点检查点
检查点路径
--学习率学习率
亚当的学习率。默认为karpathy的
常量；-）
--dryrun执行测试运行，而不实际训练
网络。
--源{mnist，svhn，usps，synth，synth small}
源数据集。选择mnist或svhn
--目标{mnist，svhn，usps，synth，synth small}
目标数据集。选择mnist或svhn
--source batch sourcebatch
source的批大小
--targetbatch targetbatch
target的批大小
--种子随机种子
--打印
--null
--adv训练具有对抗域正则化的模型
--VADA训练具有虚拟对抗域的模型
自适应
--DANN训练具有域对抗训练的模型
--ASSOC训练具有关联域适配
--coral训练具有深度相关对齐的模型
--教导训练具有自相关的模型
使用解算器抽象的原因
~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~
抽象样式将实验组织到
``solver``.
quickstart:mnist experiment
~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~
代码：：python
from salad.solvers import solver
class mnistsolver（solver）：
self.model=model
super（）。\uu初始（dataset，**kwargs）
def初始优化（self，lrr=1e-4，**kwargs）：
super（）。\u init_optims（**kwargs）
opt=torch.optim.adam（self.model.parameters（），lr=lr）
self.register_optimizer（opt）
def_init_loss（self）：
pass
与其他
pytorch示例"todo<；>；` uuuu.
在建（）
`_
（
>
-合成（gan）-合成（gan）-真实（128679；）
-cifar-cifar-stl（128679；）
-imagenet-imagenet-to
`icubworld<；https://robotogolology.github.io/icubworld/icubworld/datasets>；` ` ` ` ` ` ` ` ` ` ` ` ` ` ` ` ` ` ` icubworld<；https://robotolology.github.io/icubworld/datadatasets>；` ` ` ` ` ` ` ` ` `mozilla.org/>；`_（）
开放源代码软件
特别是：
-https://github.com/britefury/self-ensemble-visual-domain-adapt
-https://github.com/britefury/self-ensemble-visual-domain-adapt-photo/
-https://github.com/ruishu/dirt
-https://github.com/gpascualg/crossgrad
-https://github.com/stes/torch associative
-https://github.com/haeusser/learning\\\\\\&u association
-https://mil tokyo.github.io/adr\&u da/
联系人：由"steffen schneider<；https://code.stes.io>；"维护。这项工作是我在"贝斯格实验室"的论文项目的一部分。此
自述文件也可以作为网页在
`salad.domainadaptation.org<；http://salad.domainadaptation.org>；`uu'上找到。我们
欢迎发布并将请求"拉到正式的github
存储库<；https://github.com/bethgelab/domainadaptation>；``uu.
欢迎加入QQ群-->： 979659372
